TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: Dane twojej firmy mogą skończyć głód na świecie
Filmed:
Readability: 4.2
1,090,373 views
Nawet jeśli twoja firma dotuje pomoc humanitarną, wciąż może mieć coś bardziej wartościowego - dane. Mallory Soldner pokazuje, jak sektor prywatny może pomóc dokonać prawdziwego postępu w dużych problemach - od kryzysu uchodźców do głodu na świecie - przekazując niewykorzystane dane i ekspertów decyzyjnych. A jak mogłaby pomóc twoja firma?
Mallory Freeman - Data activist
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data. Full bio
UPS's advanced analytics manager Mallory Freeman researches how to do the most good with data. Full bio
Double-click the English transcript below to play the video.
00:12
June 2010.
0
880
1760
Czerwiec 2010 roku.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
Po raz pierwszy trafiłam do Rzymu.
00:19
I wasn't there to sightsee.
2
7800
1896
Nie pojechałam zwiedzać.
00:21
I was there to solve world hunger.
3
9720
3120
Pojechałam rozwiązać
problem głodu na świecie.
problem głodu na świecie.
00:25
(Laughter)
4
13160
2096
(Śmiech)
00:27
That's right.
5
15280
1216
To prawda.
00:28
I was a 25-year-old PhD student
6
16520
2096
Byłam 25-letnim doktorantem,
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
uzbrojonym w prototypowe narzędzie
stworzone na moim uniwersytecie
stworzone na moim uniwersytecie
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
i miałam pomóc w walce z głodem
Programowi Żywnościowemu ONZ.
Programowi Żywnościowemu ONZ.
00:37
So I strode into the headquarters building
9
25840
2736
Weszłam do budynku centrali Programu.
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
Moje oczy przeleciały przez rząd flag ONZ.
00:43
and I smiled as I thought to myself,
11
31440
1960
Uśmiechnęłam się i pomyślałam,
00:46
"The engineer is here."
12
34840
1616
"Inżynier przybył!".
00:48
(Laughter)
13
36480
2216
(Śmiech)
00:50
Give me your data.
14
38720
1776
"Dawajcie dane,
00:52
I'm going to optimize everything.
15
40520
2176
wszystko zoptymalizuję!".
00:54
(Laughter)
16
42720
1736
(Śmiech)
00:56
Tell me the food that you've purchased,
17
44480
1896
Powiedz mi, jakie jedzenie kupujesz,
00:58
tell me where it's going
and when it needs to be there,
and when it needs to be there,
18
46400
2616
dokąd i kiedy ma dotrzeć,
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
a podam ci najkrótszą,
najszybszą i najtańszą...
najszybszą i najtańszą...
01:03
best set of routes to take for the food.
20
51800
1936
najlepszą drogę.
01:05
We're going to save money,
21
53760
1496
Zaoszczędzimy pieniądze,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
unikniemy opóźnień i utrudnień,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
a, co najważniejsze, ochronimy wiele żyć.
01:12
You're welcome.
24
60160
1216
Zapraszam!
01:13
(Laughter)
25
61400
1696
(Śmiech)
01:15
I thought it was going to take 12 months,
26
63120
1976
Sądziłam, że zajmie mi to 12 miesięcy.
01:17
OK, maybe even 13.
27
65120
1560
No, może 13.
01:19
This is not quite how it panned out.
28
67800
2280
Nie do końca tak to się ułożyło.
01:23
Just a couple of months into the project,
my French boss, he told me,
my French boss, he told me,
29
71600
3776
Po kilku miesiącach pracy
mój francuski szef powiedział,
mój francuski szef powiedział,
01:27
"You know, Mallory,
30
75400
1816
"Wiesz, Mallory,
01:29
it's a good idea,
31
77240
1656
to dobry pomysł,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
ale nie ma danych potrzebnych
do twojego alogrytmu.
do twojego alogrytmu.
01:34
It's the right idea but at the wrong time,
33
82280
2536
To dobry pomysł, ale w złym czasie,
01:36
and the right idea at the wrong time
34
84840
2296
a dobry pomysł w złym czasie,
01:39
is the wrong idea."
35
87160
1376
to zły pomysł".
01:40
(Laughter)
36
88560
1320
(Śmiech)
01:42
Project over.
37
90960
1280
Projekt skończony.
01:45
I was crushed.
38
93120
1200
Zostałam zmiażdzona.
01:49
When I look back now
39
97000
1456
Gdy patrzę na to teraz,
01:50
on that first summer in Rome
40
98480
1656
na te pierwsze wakacje w Rzymie,
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
widzę, ile zmieniło się
przez ostanie sześć lat.
przez ostanie sześć lat.
01:54
it is an absolute transformation.
42
102840
2240
To całkowita transformacja...
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
Zbliżamy się do wejścia danych
w świat humanitarny.
w świat humanitarny.
02:02
It's exciting. It's inspiring.
44
110160
2656
To ekscytujące i inspirujące.
02:04
But we're not there yet.
45
112840
1200
Ale wciąż nas tam nie ma.
02:07
And brace yourself, executives,
46
115320
2296
Uważajcie, kierownicy.
02:09
because I'm going to be putting companies
47
117640
1976
Mam zamiar ruszyć firmy,
02:11
on the hot seat to step up
and play the role that I know they can.
and play the role that I know they can.
48
119640
3120
aby przyspieszyły i grały rolę,
której mogą sprostać.
której mogą sprostać.
02:17
My experiences back in Rome prove
49
125520
2816
Moje rzymskie doświadczenie udowadnia,
02:20
using data you can save lives.
50
128360
2080
że użycie danych może chronić życie.
02:23
OK, not that first attempt,
51
131440
2456
OK, nie za pierwszym razem,
02:25
but eventually we got there.
52
133920
2576
ale w końcu do tego doszliśmy.
02:28
Let me paint the picture for you.
53
136520
1736
Pozwólcie mi to zademonstrować.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Pomyślcie, że planujecie
śniadanie, obiad i kolację.
śniadanie, obiad i kolację.
02:33
for 500,000 people,
55
141040
1616
Na pół miliona ludzi.
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
Macie w tym celu określony budżet,
02:36
say 6.5 million dollars per month.
57
144840
2240
powiedzmy 6,5 miliona dolarów miesięcznie.
02:40
Well, what should you do?
What's the best way to handle it?
What's the best way to handle it?
58
148920
2762
Co powinniśmy zrobić?
Jaka jest najlepsza recepta?
Jaka jest najlepsza recepta?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Mamy kupować ryż, zboża, groch, olej?
02:47
How much?
60
155760
1216
Ile?
02:49
It sounds simple. It's not.
61
157000
2136
Wygląda na proste, ale takie nie jest.
02:51
You have 30 possible foods,
and you have to pick five of them.
and you have to pick five of them.
62
159160
3216
Masz 30 możliwości, musisz wybrać pięć.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
To daje nam już 140 000 kombinacji.
02:57
Then for each food that you pick,
64
165840
1696
Dla każdej wybranej możliwości
02:59
you need to decide how much you'll buy,
65
167560
1976
musisz określić, ile kupisz,
03:01
where you're going to get it from,
66
169560
1696
skąd to weźmiesz,
03:03
where you're going to store it,
67
171280
1480
gdzie to przechować
i ile zajmie dotarcie jedzenia na miejsce.
03:05
how long it's going to take to get there.
68
173760
1976
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Musisz patrzeć także
na różne sposoby transportu.
na różne sposoby transportu.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
To daje nam już 900 milionów opcji.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
Jeśli każdą z tych opcji
rozważysz przez sekundę,
rozważysz przez sekundę,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
znajdziesz się 28 lat później.
03:18
900 million options.
73
186880
1520
900 milionów opcji.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Stworzyliśmy narzędzie,
które pozwala urzędnikom
które pozwala urzędnikom
03:23
to weed through all 900 million options
75
191640
2616
na przebranie wszystkich opcji
03:26
in just a matter of days.
76
194280
1360
zaledwie w parę dni.
03:28
It turned out to be incredibly successful.
77
196560
2240
Okazało się, że mamy niesamowite sukcesy.
03:31
In an operation in Iraq,
78
199400
1256
Podczas operacji w Iraku
03:32
we saved 17 percent of the costs,
79
200680
2536
zaoszczędziliśmy 17 procent kosztów,
03:35
and this meant that you had the ability
to feed an additional 80,000 people.
to feed an additional 80,000 people.
80
203240
4136
czyli mieliśmy możliwość
nakarmienia dodatkowo 80 000 ludzi.
nakarmienia dodatkowo 80 000 ludzi.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
To wszystko dzięki użyciu danych
i kompleksowemu modelowi komputerowemu.
i kompleksowemu modelowi komputerowemu.
03:44
But we didn't do it alone.
82
212800
1280
Nie zrobiliśmy tego sami.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
Zespół, z którym pracowałam
w Rzymie, był unikatowy.
w Rzymie, był unikatowy.
03:49
They believed in collaboration.
84
217600
1736
Wierzyli we współpracę.
Zjednali sobie środowisko uniwersyteckie.
03:51
They brought in the academic world.
85
219360
1696
03:53
They brought in companies.
86
221080
1280
Zjednali sobie firmy.
03:55
And if we really want to make big changes
in big problems like world hunger,
in big problems like world hunger,
87
223200
3616
Jeśli naprawdę chcemy dużej zmiany
ogromnych problemów, takich jak głód,
ogromnych problemów, takich jak głód,
03:58
we need everybody to the table.
88
226840
2560
potrzebujemy współpracy wszystkich.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Potrzebujemy ludzi od danych
z organizacji humanitarnych,
z organizacji humanitarnych,
04:05
leading the way,
90
233000
1256
wskazujących drogę
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
i wzniecających tylko
dobre sposoby zaangażowania
dobre sposoby zaangażowania
04:08
with academics, with governments.
92
236880
1696
środowisk naukowych i rządów.
04:10
And there's one group that's not being
leveraged in the way that it should be.
leveraged in the way that it should be.
93
238600
3696
Jest jednak grupa
niewykorzystana wystarczająco.
niewykorzystana wystarczająco.
04:14
Did you guess it? Companies.
94
242320
2096
Zgadliście? To firmy.
04:16
Companies have a major role to play
in fixing the big problems in our world.
in fixing the big problems in our world.
95
244440
3600
Firmy mają dużą rolę w grze
o naprawienie problemów naszego świata.
o naprawienie problemów naszego świata.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Od dwóch lat pracuję w sektorze prywatnym.
04:23
I've seen what companies can do,
and I've seen what companies aren't doing,
and I've seen what companies aren't doing,
97
251320
3576
Widziałam, co firmy mogą zrobić,
oraz to, czego nie robią.
oraz to, czego nie robią.
04:26
and I think there's three main ways
that we can fill that gap:
that we can fill that gap:
98
254920
3376
Sądzę, że są trzy sposoby
na wypełnienie tej luki,
na wypełnienie tej luki,
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
przez dotację danych,
decyzyjnych naukowców
decyzyjnych naukowców
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
oraz technologii do zbierania
nowych źródeł tych danych.
nowych źródeł tych danych.
04:37
This is data philanthropy,
101
265920
1576
To filantropia danych,
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
przyszłość korporacyjnej
odpowiedzialności społecznej.
odpowiedzialności społecznej.
04:43
Bonus, it also makes good business sense.
103
271160
2600
Przy okazji ma sens biznesowy.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Dzisiaj firmy zbierają góry danych,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
więc mogą bardzo łatwo je przekazać.
04:52
Some companies are already doing it.
106
280946
2190
Niektóre firmy już to robią.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
Weźmy na przykład
dużą firmę telekomunikacyjną.
dużą firmę telekomunikacyjną.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Udostępnili dane z Senegalu
i Wybrzeża Kości Słoniowej.
i Wybrzeża Kości Słoniowej.
05:00
and researchers discovered
109
288400
1976
Badacze odkryli,
05:02
that if you look at the patterns
in the pings to the cell phone towers,
in the pings to the cell phone towers,
110
290400
3334
że analizując układ pingów
do nadajników telefonii komórkowej,
do nadajników telefonii komórkowej,
05:05
you can see where people are traveling.
111
293758
1938
można zobaczyć, gdzie ludzie podróżują.
05:07
And that can tell you things like
112
295720
2176
Można tak sprawdzić,
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
gdzie może pojawić się malaria
i poczynić odpowiednie prognozy.
i poczynić odpowiednie prognozy.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Inny przykład,
innowacyjna firma, satelity.
innowacyjna firma, satelity.
05:15
They opened up their data and donated it,
115
303960
2016
Udostępnili dane, przekazali je.
05:18
and with that data you could track
116
306000
1656
Dzięki tym danym można sprawdzić,
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
jak susze wpływają na produkcję żywności.
05:22
With that you can actually trigger
aid funding before a crisis can happen.
aid funding before a crisis can happen.
118
310920
3680
Dzięki czemu kurek pomocy
może ruszyć jeszcze przed kryzysem.
może ruszyć jeszcze przed kryzysem.
05:27
This is a great start.
119
315560
1280
To świetny start.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
Istotne spostrzeżenia
są zamknięte w danych firm.
są zamknięte w danych firm.
05:34
And yes, you need to be very careful.
121
322480
1816
Tak, musisz być bardzo uważny.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
Musisz respektować prywatność,
na przykład anonimizując dane.
na przykład anonimizując dane.
05:39
But even if the floodgates opened up,
123
327920
2776
Jednak nawet wtedy, gdy machina ruszy,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
nawet gdy wszystkie firmy
udostępnią swoje dane
udostępnią swoje dane
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
uniwersytetom, NGO
czy organizacjom humanitarnym,
czy organizacjom humanitarnym,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
nie wystarczy to do wykorzystania
pełnego wpływu danych
pełnego wpływu danych
05:51
for humanitarian goals.
127
339560
1520
na cele humanitarne.
05:54
Why?
128
342320
1456
Czemu?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Aby tego dokonać,
potrzebujesz ekspertów decyzji.
potrzebujesz ekspertów decyzji.
05:59
Decision scientists are people like me.
130
347760
2576
Ludzi takich jak ja.
06:02
They take the data, they clean it up,
131
350360
1816
Zbierają dane, porządkują,
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
transformują, wykorzystują
w użyteczny algorytm.
w użyteczny algorytm.
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
To najlepszy sposób,
w jaki firmy mogą pomóc.
w jaki firmy mogą pomóc.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
W świecie pomocy humanitarnej
jest bardzo mało ekspertów decyzji.
jest bardzo mało ekspertów decyzji.
06:13
Most of them work for companies.
135
361520
1640
Większość pracuje w firmach.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
To druga rzecz, którą muszą zrobić firmy,
06:19
In addition to donating their data,
137
367000
1696
poza udostępnieniem danych,
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
powinni udostępnić swoich ekspertów.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
Firmy stwierdzą: "Aha!
Nie zabierajcie naszych ekspertów.
Nie zabierajcie naszych ekspertów.
06:29
We need every spare second of their time."
140
377280
2040
Potrzebujemy każdej sekundy ich czasu".
06:32
But there's a way.
141
380360
1200
Jest jednak sposób.
06:35
If a company was going to donate
a block of a decision scientist's time,
a block of a decision scientist's time,
142
383200
3416
Jeśli firma przekaże
blok czasu takiego specjalisty,
blok czasu takiego specjalisty,
06:38
it would actually make more sense
to spread out that block of time
to spread out that block of time
143
386640
3136
sensowniejsze byłoby rozłożenie tego bloku
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
na długi czas, na przykład pięć lat.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
To może dać zaledwie
parę godzin miesięcznie,
parę godzin miesięcznie,
06:47
which a company would hardly miss,
146
395680
2056
firmy ledwo co to zauważą,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
ale umożliwia to bardzo ważną rzecz,
współpracę długoterminową.
współpracę długoterminową.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
Taka współpraca pozwala budować relacje,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
poznać dane i naprawdę je zrozumieć,
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
zaczynać rozumieć potrzeby i wyzwania
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
stojące przed organizacjami humanitarnymi.
07:06
In Rome, at the World Food Programme,
this took us five years to do,
this took us five years to do,
152
414345
3191
W Programie Żywnościowym ONZ,
w Rzymie zajęło nam to pięć lat.
w Rzymie zajęło nam to pięć lat.
07:09
five years.
153
417560
1456
Pięć lat.
07:11
That first three years, OK,
that was just what we couldn't solve for.
that was just what we couldn't solve for.
154
419040
3336
Przez pierwsze trzy lata
nie wiedzieliśmy jak się za to zabrać.
nie wiedzieliśmy jak się za to zabrać.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Kolejne dwa lata zajęły nam
poprawki i wprowadzanie narzędzia,
poprawki i wprowadzanie narzędzia,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
na przykład podczas operacji
w Iraku i innych krajach.
w Iraku i innych krajach.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Nie sądzę, że to nierealne czasy
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
wykorzystania danych
do dokonywania zmian operacyjnych.
do dokonywania zmian operacyjnych.
07:26
It's an investment. It requires patience.
159
434400
2400
To inwestycja, która wymaga cierpliwości.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Wyniki, które można uzyskać,
są jednak niezaprzeczalne.
są jednak niezaprzeczalne.
07:33
In our case, it was the ability
to feed tens of thousands more people.
to feed tens of thousands more people.
161
441280
3560
Dla nas to możliwość nakarmienia
kolejnych dziesiątek tysięcy ludzi.
kolejnych dziesiątek tysięcy ludzi.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Ofiarujemy dane i naukowców,
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
ale jest jeszcze trzeci sposób,
w jaki firmy mogą pomóc.
w jaki firmy mogą pomóc.
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
Przekazywanie technologii
do zbierania nowych form danych.
do zbierania nowych form danych.
07:49
You see, there's a lot of things
we just don't have data on.
we just don't have data on.
165
457520
2840
Jest wiele elementów,
których danych nie mamy.
których danych nie mamy.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Teraz syryjscy uchodźcy
uciekają do Grecji.
uciekają do Grecji.
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
Agencja uchodźców ONZ
ma ręce pełne roboty.
ma ręce pełne roboty.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
Aktualny system rejestracji ludzi
to papier i długopis,
to papier i długopis,
08:04
and what that means is
169
472080
1256
oznacza to,
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
że gdy matka z piątką dzieci
dociera do obozu,
dociera do obozu,
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
agencja nie ma o tym pojęcia.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
To zmieni się w ciągu najbliższych tygodni
08:13
thanks to private sector collaboration.
173
481280
1880
dzięki współpracy z sektorem prywatnym.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
Stworzymy nowy system oparty
na dotowanych zestawach danych
na dotowanych zestawach danych
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
z firmy logistycznej, dla której pracuję.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
W tym nowym systemie
istnieć będzie szlak danych,
istnieć będzie szlak danych,
08:24
so you know exactly the moment
177
492480
1456
dokładnie poznasz moment,
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
gdy matka z dziećmi
przekroczy bramę obozu.
przekroczy bramę obozu.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
Co więcej wiesz, czy otrzyma zasoby
08:31
this month and the next.
180
499120
1256
w tym i kolejnym miesiącu.
08:32
Information visibility drives efficiency.
181
500400
3016
Widoczność informacji napędza efektywność.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Dla firm wykorzystanie technologii
do zebrania ważnych danych
do zebrania ważnych danych
08:38
it's like bread and butter.
183
506720
1456
to jak bułka z masłem.
08:40
They've been doing it for years,
184
508200
1576
Robią to przez lata.
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
Doprowadziło to do znacznego
zwiększenia efektywności operacyjnej.
zwiększenia efektywności operacyjnej.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Wyobraź sobie firmę
robiącą twój ulubiony napój,
robiącą twój ulubiony napój,
08:48
trying to plan their inventory
187
516280
1576
próbującą planować inwentarz
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
nie wiedząc, ile butelek było na półkach.
08:52
It's absurd.
189
520400
1216
To absurdalne.
08:53
Data drives better decisions.
190
521640
1560
Dane napędzają lepsze decyzje.
08:57
Now, if you're representing a company,
191
525800
2536
Jeśli reprezentujesz firmę,
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
jesteś pragmatyczny,
a nie tylko idealistą,
a nie tylko idealistą,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
może powiedziałbyś sobie,
"To jest świetne, Mallory,
"To jest świetne, Mallory,
09:06
but why should I want to be involved?"
194
534600
1840
ale czemu powinien się przyłączyć?".
09:09
Well for one thing, beyond the good PR,
195
537000
2816
Poza dobrym PR-em,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
pomoc humanitarna
to sektor warty 24 miliardy.
to sektor warty 24 miliardy.
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
Ponad pięć miliardów ludzi,
to mogą być twoi konsumenci
to mogą być twoi konsumenci
09:17
that live in the developing world.
198
545720
1816
żyjący w krajach rozwijających się.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
Ponadto firmy angażujące się
w filantropię danych
w filantropię danych
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
znajdują nowe spojrzenie
na swoje własne dane.
na swoje własne dane.
09:25
Take, for example, a credit card company
201
553680
2256
Na przykład wydawca kart kredytowych
09:27
that's opened up a center
202
555960
1336
otworzył centrum,
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
które funkcjonuje jako hub
dla naukowców, organizacji i rządów,
dla naukowców, organizacji i rządów,
09:32
all working together.
204
560720
1240
działających wspólnie.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Badają wykorzystanie kart
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
i na podstawie tego wskazują,
jak gospodarstwa domowe w Indiach
jak gospodarstwa domowe w Indiach
09:40
live, work, earn and spend.
207
568800
1720
żyją, pracują, zarabiają i wydają.
Środowiska humanitarne
czerpią informacje, które pokazują,
czerpią informacje, które pokazują,
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
jak można wyprowadzić ludzi z biedy.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
Jednakże firmom zapewnia to
spostrzeżenia dotyczące klientów
spostrzeżenia dotyczące klientów
09:52
and potential customers in India.
211
580000
2040
i potencjalnych klientów w Indiach.
09:54
It's a win all around.
212
582760
1800
Wszyscy zyskują.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
To, co uważam za ekscytujące
w filantropii danych,
w filantropii danych,
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
dotowanie danych,
naukowców i technologii,
naukowców i technologii,
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
to znaczenie dla młodych ekspertów,
takich jak ja, którzy wybrali
pracę w firmach.
pracę w firmach.
10:08
who are choosing to work at companies.
216
596520
1840
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Badania pokazują,
że następna generacja siły roboczej
że następna generacja siły roboczej
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
troszczy się o to,
by ich praca miała wpływ.
by ich praca miała wpływ.
10:16
We want to make a difference,
219
604920
2456
Chcemy dokonać zmiany,
10:19
and so through data philanthropy,
220
607400
2416
dlatego przez filantropię danych
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
firmy mogą pomóc zaangażować
i zachować swoich ekspertów.
i zachować swoich ekspertów.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
To wielka sprawa dla zawodu
z dużym zapotrzebowaniem.
z dużym zapotrzebowaniem.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
Filantropia danych
działa dobrze w biznesie,
działa dobrze w biznesie,
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
może także pomóc zrewolucjonizować
środowiska humanitarne.
środowiska humanitarne.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Jeśli skoordynujemy planowanie i logistykę
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
między głównymi aspektami
operacji humanitarnej,
operacji humanitarnej,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
będziemy mogli nakarmić, ubrać i schronić
dodatkowe setki tysięcy ludzi.
dodatkowe setki tysięcy ludzi.
10:49
and companies need to step up
and play the role that I know they can
and play the role that I know they can
228
637440
4256
Firmy muszą ruszyć,
grać rolę, której mogą sprostać,
grać rolę, której mogą sprostać,
10:53
in bringing about this revolution.
229
641720
1880
w działaniu tej rewolucji.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
Pewnie słyszeliście
określenie "strawa dla myśli".
określenie "strawa dla myśli".
10:59
Well, this is literally thought for food.
231
647680
2240
To jest dosłownie myśl dla strawy.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
To w końcu dobry pomysł w dobrym czasie.
11:07
(Laughter)
233
655720
1216
(Śmiech)
11:08
Très magnifique.
234
656960
1576
(Francuski) Naprawdę piękny.
11:10
Thank you.
235
658560
1216
Dziękuję.
11:11
(Applause)
236
659800
2851
(Brawa)
ABOUT THE SPEAKER
Mallory Freeman - Data activistUPS's advanced analytics manager Mallory Freeman researches how to do the most good with data.
Why you should listen
Dr. Mallory Freeman is the Lead Data Scientist in the UPS Advanced Technology Group, working on research and development projects for UPS’s smart logistics network. She serves on the advisory board of Neighborhood Nexus, supporting data-driven insights for the greater Atlanta region.
Freeman earned her Ph.D. in industrial engineering from the Georgia Institute of Technology in 2014. Her thesis explored how to measure and improve humanitarian operations in practical ways -- with a special focus on the use of algorithms. While she was in graduate school, she helped lead supply chain optimization projects for the UN World Food Programme.
Freeman earned her Master's in operations research from MIT and her Bachelor's in industrial and systems engineering from Virginia Tech. In her spare time, she enjoys cooking, travelling and volunteering her data skills.
Mallory Freeman | Speaker | TED.com