TED@UPS
Mallory Freeman: Your company's data could help end world hunger
مالوري سولدنر: بيانات شركتك قد تساعد في إنهاء المجاعة في العالم
Filmed:
Readability: 4.2
1,090,373 views
يمكن أن تكون شركتك قد تبرعت بأموال للمساعدة في حل القضايا الإنسانية، ولكن يوجد شيءٌ أكثر فائدة يمكنك تقديمه: البيانات الخاصة بك. تخبرنا مالوري سولدنر كيف أن شركات القطاع الخاص يمكن أن تساعد في إحراز تقدم حقيقي لحل مشاكل كبيرة - من أزمة اللاجئين إلى المجاعة في العالم - من خلال التبرع ببيانات غير مستثمرة وعلماء القرار. ماذا يمكن لشركتك أن تساهم به؟
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
حزيران 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
هبطت للمرة الأولى
في روما، إيطاليا.
في روما، إيطاليا.
00:19
I wasn't there to sightsee.
2
7800
1896
لم أكن هناك بغرض السياحة.
00:21
I was there to solve world hunger.
3
9720
3120
كنت هناك لحل مشكلة المجاعة في العالم.
00:25
(Laughter)
4
13160
2096
(ضحك)
00:27
That's right.
5
15280
1216
هذا صحيح.
00:28
I was a 25-year-old PhD student
6
16520
2096
كنت طالبة دكتوراه أبلغ من العمر 25 عاماً
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
مسلحة بأداة نموذجية
طورتها سابقاً في جامعتي،
طورتها سابقاً في جامعتي،
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
وكنت ذاهبة لمساعدة برنامج الأغذية
العالمي للقضاء على مشكلة المجاعة.
العالمي للقضاء على مشكلة المجاعة.
00:37
So I strode into the headquarters building
9
25840
2736
لذا خطوتُ إلى داخل مبنى المقر
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
وعيناي مرّتا على صف أعلام الأمم المتحدة.
00:43
and I smiled as I thought to myself,
11
31440
1960
و ابتسمتُ وأنا أقولُ لنفسي،
00:46
"The engineer is here."
12
34840
1616
"المهندسة هنا."
00:48
(Laughter)
13
36480
2216
(ضحك)
00:50
Give me your data.
14
38720
1776
أعطني بياناتك الشخصية.
00:52
I'm going to optimize everything.
15
40520
2176
سأقوم بتحسين كل شيء.
00:54
(Laughter)
16
42720
1736
(ضحك)
00:56
Tell me the food that you've purchased,
17
44480
1896
أخبرني عن الطعام الذي اشتريتموه،
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
قل لي إلى أين هو مُرسل
و متى يحتاج أن يكون هناك،
و متى يحتاج أن يكون هناك،
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
و أنا سأقول لك
أقصر، أسرع، أرخص
أقصر، أسرع، أرخص
01:03
best set of routes to take for the food.
20
51800
1936
أفضل مجموعة من الطرق لتوصيل الأغذية.
01:05
We're going to save money,
21
53760
1496
سوف نقوم بتوفير المال،
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
سوف نقوم بتجنب التأخير
والاضطرابات،
والاضطرابات،
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
وخلاصة القول، سنقوم بإنقاذ الأرواح.
01:12
You're welcome.
24
60160
1216
على الرحب و السعة.
01:13
(Laughter)
25
61400
1696
(ضحك)
01:15
I thought it was going to take 12 months,
26
63120
1976
اعتقدت أنه سيستغرق 12 شهراُ،
01:17
OK, maybe even 13.
27
65120
1560
حسناً، ربما حتى 13.
01:19
This is not quite how it panned out.
28
67800
2280
هذا ليس ما حدث تماماً.
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
خلال شهرين فقط من المشروع،
أخبرني رئيسي الفرنسي في العمل،
أخبرني رئيسي الفرنسي في العمل،
01:27
"You know, Mallory,
30
75400
1816
"تعلمين، مالوري،
01:29
it's a good idea,
31
77240
1656
إنها فكرة جيدة،
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
لكن البيانات التي تحتاجينها
للخوارزميات الخاصة بك ليست هناك.
للخوارزميات الخاصة بك ليست هناك.
01:34
It's the right idea but at the wrong time,
33
82280
2536
إنها الفكرة الصحيحة في الوقت الخاطئ،
01:36
and the right idea at the wrong time
34
84840
2296
والفكرة الصحيحة في الوقت الخاطئ
01:39
is the wrong idea."
35
87160
1376
هي فكرة خاطئة."
01:40
(Laughter)
36
88560
1320
(ضحك)
01:42
Project over.
37
90960
1280
انتهى المشروع.
01:45
I was crushed.
38
93120
1200
كنتُ محطّمة.
01:49
When I look back now
39
97000
1456
عندما أسترجع الذكريات الآن
01:50
on that first summer in Rome
40
98480
1656
إلى ذلك الصيف الأول في روما
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
وأرى كم تغيرت خلال الست سنوات الماضية،
01:54
it is an absolute transformation.
42
102840
2240
إنه تحولٌ مطلق.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
حان الوقت لجلب البيانات
إلى العالم الإنساني.
إلى العالم الإنساني.
02:02
It's exciting. It's inspiring.
44
110160
2656
إنه مبهج، ومثير.
02:04
But we're not there yet.
45
112840
1200
لكننا لسنا هناك بعد.
02:07
And brace yourself, executives,
46
115320
2296
جهّزوا أنفسكم، أيها المدراء التنفيذيون،
02:09
because I'm going to be putting companies
47
117640
1976
لأنني سوف أضع الشركات
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
على المقعد الساخن ليخطوا
ويلعبوا الدور الذي أعلم أنه باستطاعتهم،
ويلعبوا الدور الذي أعلم أنه باستطاعتهم،
02:17
My experiences back in Rome prove
49
125520
2816
تجربتي السابقة في روما أثبتت
02:20
using data you can save lives.
50
128360
2080
أنه باستخدام البيانات
يمكنكم إنقاذ الأرواح.
يمكنكم إنقاذ الأرواح.
02:23
OK, not that first attempt,
51
131440
2456
حسناً، ليس في المحاولة الأولى،
02:25
but eventually we got there.
52
133920
2576
ولكن في نهاية المطاف وصلنا إلى هناك.
02:28
Let me paint the picture for you.
53
136520
1736
اسمحوا لي أن أرسم الصورة لكم.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
تخيلوا أنه يجب عليكم تخطيط
الفطور والغداء والعشاء
الفطور والغداء والعشاء
02:33
for 500,000 people,
55
141040
1616
من أجل 500,000 شخص،
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
ولديكم ميزانية محددة فقط
لفعل ذلك،
لفعل ذلك،
02:36
say 6.5 million dollars per month.
57
144840
2240
لنقل 6.5 مليون في الشهر.
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
حسناً، ماذا يجب أن تفعلوا؟
ماهي الطريقة الأفضل لإنجاز ذلك؟
ماهي الطريقة الأفضل لإنجاز ذلك؟
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
هل يجب أن تشتروا الأرز، الحمص، الزيت؟
02:47
How much?
60
155760
1216
ما المقدار؟
02:49
It sounds simple. It's not.
61
157000
2136
يبدو بسيطاً. لا ليس كذلك.
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
لديك 30 احتمال للطعام،
ويجب أن تختار منهم خمسة.
ويجب أن تختار منهم خمسة.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
هذه بالفعل أكثر من 140000
تركيبة مختلفة.
تركيبة مختلفة.
02:57
Then for each food that you pick,
64
165840
1696
بعدها لكل طعام تختاره،
02:59
you need to decide how much you'll buy,
65
167560
1976
يجب أن تقرر كم يجب أن تشتري،
03:01
where you're going to get it from,
66
169560
1696
من أين ستحصل عليه،
03:03
where you're going to store it,
67
171280
1480
أين ستقوم بتخزينه،
03:05
how long it's going to take to get there.
68
173760
1976
كم من الوقت سيأخذ ليصل إلى هناك.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
كما عليك أن تبحث في جميع طرق النقل.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
وهذا يشكّل حتى الآن
أكثر من 900 مليون خيار.
أكثر من 900 مليون خيار.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
إذا أخذت كل خيار بعين الاعتبار
لثانية واحدة،
لثانية واحدة،
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
سيستغرقك أكثر من 28 سنة
لتخطي ذلك،
لتخطي ذلك،
03:18
900 million options.
73
186880
1520
900 مليون خيار.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
لذلك اخترعنا أداة
لتساعد متخذي القرار
لتساعد متخذي القرار
03:23
to weed through all 900 million options
75
191640
2616
لغربلة 900 مليون خيار
03:26
in just a matter of days.
76
194280
1360
بغضون أيامٍ فقط.
03:28
It turned out to be incredibly successful.
77
196560
2240
تبيّن أنها ناجحة بشكل لا يُصدّق.
03:31
In an operation in Iraq,
78
199400
1256
في عملية في العراق،
03:32
we saved 17 percent of the costs,
79
200680
2536
قمنا بتوفير17 بالمئة من التكلفة،
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
وهذا يعني أنه لديك القدرة على إطعام
80,000 شخص إضافي.
80,000 شخص إضافي.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
يعود الفضل كله لاستخدام البيانات
ونمذجة النظم المعقدة.
ونمذجة النظم المعقدة.
03:44
But we didn't do it alone.
82
212800
1280
لكننا لم نفعل هذا لوحدنا.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
الوحدة التي عملت معها في روما،
كانت فريدة من نوعها.
كانت فريدة من نوعها.
03:49
They believed in collaboration.
84
217600
1736
آمنوا بالتعاون.
03:51
They brought in the academic world.
85
219360
1696
أحضروا العالم الأكاديمي.
03:53
They brought in companies.
86
221080
1280
أحضروا شراكات.
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
و إذا كنا نريد حقاً أن نحدث تغييراً كبيراَ
في مشكلة كبيرة كالمجاعة في العالم،
في مشكلة كبيرة كالمجاعة في العالم،
03:58
we need everybody to the table.
88
226840
2560
نحتاج وجود الجميع.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
نحتاج إلى أصحاب البيانات الشخصية
من المنظمات الإنسانية
من المنظمات الإنسانية
04:05
leading the way,
90
233000
1256
أن يقودوا الطريق،
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
وتنسيق الأنواع المناسبة فقط
من التعاقدات
من التعاقدات
04:08
with academics, with governments.
92
236880
1696
مع الأكاديميين، مع الحكومات.
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
وهنالك مجموعة واحدة لم تقم
بهذا كما يجب.
بهذا كما يجب.
04:14
Did you guess it? Companies.
94
242320
2096
هل حزرتم؟ الشركات.
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
للشركات دورٌ كبير لتلعبه في القضاء
على مشكلة المجاعة في العالم.
على مشكلة المجاعة في العالم.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
لقد كنت في القطاع الخاص
لمدة سنتين حتى الآن.
لمدة سنتين حتى الآن.
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
لقد رأيت ما يمكن للشركات أن تفعله،
ورأيت ما لا تفعله،
ورأيت ما لا تفعله،
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
و أعتقد أنه لدينا ثلاثة طرق
رئيسية لسد تلك الفجوة:
رئيسية لسد تلك الفجوة:
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
عبر التبرع بالبيانات،
عبر التبرّع بعلماء القرار
عبر التبرّع بعلماء القرار
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
عبر التبرّع بالتكنولوجيا لجمع
مصادر جديدة من البيانات.
مصادر جديدة من البيانات.
04:37
This is data philanthropy,
101
265920
1576
هذا هو العمل الخيري للبيانات،
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
وهو مستقبل المشاركة في
المسؤولية المجتمعية.
المسؤولية المجتمعية.
04:43
Bonus, it also makes good business sense.
103
271160
2600
إضافة إلى، أنه يقدم فهم تجاري أفضل.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
الشركات اليوم،
يجمعون جبالاً من البيانات،
يجمعون جبالاً من البيانات،
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
لذا أول ما يمكنهم فعله هو
التبرع بتلك البيانات.
التبرع بتلك البيانات.
04:52
Some companies are already doing it.
106
280946
2190
بعض الشركات تفعل ذلك فعلاً.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
خذ، على سبيل المثال،
شركة الاتصالات الكبرى.
شركة الاتصالات الكبرى.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
قاموا بفتح بياناتهم
في السنغال وساحل العاج
في السنغال وساحل العاج
05:00
and researchers discovered
109
288400
1976
واكتشف الباحثون
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
أنكم إذا نظرتم إلى الأنماط
في الرنين إلى أبراج الهاتف الخلوي،
في الرنين إلى أبراج الهاتف الخلوي،
05:05
you can see where people are traveling.
111
293758
1938
يمكنكم معرفة إلى أين يسافر الناس.
05:07
And that can tell you things like
112
295720
2176
وهذا يمكنه إخباركم بأشياء مثل
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
أين يمكن أن تنتشر الملاريا،
ويمكنكم اتخاذ إجراءات لذلك.
ويمكنكم اتخاذ إجراءات لذلك.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
أو خذوا على سبيل المثال
شركة أقمار صناعية مبتكرة.
شركة أقمار صناعية مبتكرة.
05:15
They opened up their data and donated it,
115
303960
2016
قاموا بفتح بياناتهم وتبرعوا بها،
05:18
and with that data you could track
116
306000
1656
ومع هكذا بيانات يمكنكم تعقّب
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
كيف يؤثّر الجفاف
على إنتاج الغذاء.
على إنتاج الغذاء.
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
مع ذلك يمكنكم فعلياً تمويل
المساعدات قبل حصول الأزمة.
المساعدات قبل حصول الأزمة.
05:27
This is a great start.
119
315560
1280
هذه بداية رائعة.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
هناك معلومات هامة
مقفلة في بيانات شركة.
مقفلة في بيانات شركة.
05:34
And yes, you need to be very careful.
121
322480
1816
ونعم، عليك أن تكون حذراً للغاية.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
عليك احترام المخاوف المتعلقة بالخصوصية،
مثلاً عن طريق إخفاء البيانات.
مثلاً عن طريق إخفاء البيانات.
05:39
But even if the floodgates opened up,
123
327920
2776
ولكن حتى لو فُتحَ الباب على مصراعيه،
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
وحتى لو تبرعت جميع الشركات
بالبيانات الخاصة بها
بالبيانات الخاصة بها
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
للأكاديميين، للمنظمات غير الحكومية،
للمنظمات الإنسانية،
للمنظمات الإنسانية،
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
فإنه لن يكون كافياً
لتسخير هذا التأثير الكامل للبيانات
لتسخير هذا التأثير الكامل للبيانات
05:51
for humanitarian goals.
127
339560
1520
لتحقيق الأهداف الإنسانية.
05:54
Why?
128
342320
1456
لماذا؟
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
لفك القفل عن البيانات،
تحتاج إلى علماء القرار.
تحتاج إلى علماء القرار.
05:59
Decision scientists are people like me.
130
347760
2576
علماء القرار هم أناس مثلي.
06:02
They take the data, they clean it up,
131
350360
1816
يقومون بأخذ البيانات، وتنظيفها،
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
تحويلها ووضعها
إلى خوارزمية مفيدة
إلى خوارزمية مفيدة
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
هذا أفضل خيار
لتلبية حاجة الأعمال المتناولة في اليد.
لتلبية حاجة الأعمال المتناولة في اليد.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
في عالم من المساعدات الإنسانية،
هناك عدد قليل جداً من علماء القرار.
هناك عدد قليل جداً من علماء القرار.
06:13
Most of them work for companies.
135
361520
1640
معظمهم يعمل لصالح شركات.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
لذا هذا هو الشيء الآخر
الذي تحتاج الشركات للقيام به.
الذي تحتاج الشركات للقيام به.
06:19
In addition to donating their data,
137
367000
1696
بالإضافة للتبرع بالبيانات الخاصة بهم،
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
يجب أن يتبرعوا بعلماء
القرار الخاصين بهم.
القرار الخاصين بهم.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
الآن، ستقول الشركات، " أوه!
لا تأخذوا علماء القرار منّا
لا تأخذوا علماء القرار منّا
06:29
We need every spare second of their time."
140
377280
2040
نحتاج إلى كل ثانية فائضة من وقتهم."
06:32
But there's a way.
141
380360
1200
ولكن هنالك طريقة.
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
إذا كان هنالك شركة ستقوم بالتبرع
بكتلة من وقت علماء القرار،
بكتلة من وقت علماء القرار،
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
سيكون بالفعل منطقياً أكثر
لنشر تلك الكتلة من الوقت
لنشر تلك الكتلة من الوقت
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
لفترة طويلة،
لنقل على سبيل المثال خمس سنوات.
لنقل على سبيل المثال خمس سنوات.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
هذا قد يعادل
بضع ساعات فقط في الشهر،
بضع ساعات فقط في الشهر،
06:47
which a company would hardly miss,
146
395680
2056
حيث أنه بالكاد ستفتقده الشركة،
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
ولكن ما تمكّنه حقاً مهم:
شراكة طويلة الأمد،
شراكة طويلة الأمد،
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
الشراكات طويلة الأمد
تسمح لك ببناء علاقات،
تسمح لك ببناء علاقات،
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
والتمكن من معرفة البيانات، لتفهمها جيداً
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
وأن تبدأ بفهم الاحتياجات والتحديات
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
التي تواجهها المنظمات الإنسانية.
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
في روما، في برنامج الغذاء العالمي،
احتجنا خمس سنوات للقيام بهذا،
احتجنا خمس سنوات للقيام بهذا،
07:09
five years.
153
417560
1456
خمس سنوات.
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
تلك السنوات الأولى الثلاثة، حسناً،
كان ذلك ما لم نستطع حلّه.
كان ذلك ما لم نستطع حلّه.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
ثمّ كان هنالك سنتان بعد ذلك،
من صقل وتنفيذ هذه الأداة،
من صقل وتنفيذ هذه الأداة،
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
كما هو الحال في عمليات في العراق
وبلدان أخرى.
وبلدان أخرى.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
لا أعتقد أن هذا
جدول زمني غير واقعي
جدول زمني غير واقعي
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
عندما يتعلق الأمر باستخدام البيانات
لإدخال تغييرات عملية.
لإدخال تغييرات عملية.
07:26
It's an investment. It requires patience.
159
434400
2400
إنه استثمار. يتطلب الصبر.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
ولكن أنواع النتائج التي يمكن إنتاجها
هي التي لا يمكن إنكارها.
هي التي لا يمكن إنكارها.
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
في حالتنا، كانت الإمكانية
لإطعام عشرات الآلاف من الناس.
لإطعام عشرات الآلاف من الناس.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
لذا قمنا بالتبرع بالبيانات،
قمنا بالتبرع بعلماء القرار،
قمنا بالتبرع بعلماء القرار،
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
وهناك بالفعل طريقة ثالثة
يمكن للشركات أن تساعد بها:
يمكن للشركات أن تساعد بها:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
التبرع بالتكنولوجيا
لالتقاط مصادر جديدة للبيانات.
لالتقاط مصادر جديدة للبيانات.
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
كما ترون، هناك الكثير من الأشياء
نحن فقط لا نملك بيانات عنها.
نحن فقط لا نملك بيانات عنها.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
الآن، اللاجئون السوريون
يتدفقون إلى اليونان،
يتدفقون إلى اليونان،
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
وكالة الأمم المتحدة للاجئين،
أيديهم مقيّدة بالكامل.
أيديهم مقيّدة بالكامل.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
النظام الحالي لتتبع الناس
هو مجرد ورقة وقلم،
هو مجرد ورقة وقلم،
08:04
and what that means is
169
472080
1256
ما يعنيه هذا
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
أنه عندما تسير أم وأطفالها
الخمسة إلى المخيم،
الخمسة إلى المخيم،
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
فإن المقر الرئيسي بشكل أساسي
أعمى إلى هذه اللحظة.
أعمى إلى هذه اللحظة.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
هذا كله سيتغير في الأسابيع
القليلة القادمة،
القليلة القادمة،
08:13
thanks to private sector collaboration.
173
481280
1880
وذلك بفضل تعاون القطاع الخاص.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
سيكون هناك نظاماً جديداً يستند
على حزمة تكنولوجيا التعقب المتبرع بها
على حزمة تكنولوجيا التعقب المتبرع بها
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
من شركة خدمات اللوجستية
التي أعمل لصالحها.
التي أعمل لصالحها.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
مع هذا النظام الجديد،
سيكون هناك درب للبيانات
سيكون هناك درب للبيانات
08:24
so you know exactly the moment
177
492480
1456
لكي تعلم اللحظة بالضبط
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
التي تدخل فيها الأم مع أطفالها
إلى المخيم.
إلى المخيم.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
وأكثر، ستعلم إذا كانت
ستحصل على إمدادات
ستحصل على إمدادات
08:31
this month and the next.
180
499120
1256
هذا الشهر والذي يليه.
08:32
Information visibility drives efficiency.
181
500400
3016
يقود وضوح المعلومات الكفاءة.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
بالنسبة للشركات، استخدام التكنولوجيا
لجمع البيانات المهمة،
لجمع البيانات المهمة،
08:38
it's like bread and butter.
183
506720
1456
هو شيء أساسي.
08:40
They've been doing it for years,
184
508200
1576
كانوا يقومون به لسنوات.
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
وأدى إلى إدخال تحسينات ضخمة
ذات كفاءة عملية.
ذات كفاءة عملية.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
فقط حاول تخيل
شركة المشروبات المفضلة لديك
شركة المشروبات المفضلة لديك
08:48
trying to plan their inventory
187
516280
1576
تحاول التخطيط لجرد
خاص بها
خاص بها
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
ولا تعلم عدد الزجاجات
التي كانت على الرفوف.
التي كانت على الرفوف.
08:52
It's absurd.
189
520400
1216
إنه غريب.
08:53
Data drives better decisions.
190
521640
1560
تؤدي البيانات إلى خيارات أفضل.
08:57
Now, if you're representing a company,
191
525800
2536
الآن، إذا كنت تمثل شركة،
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
وأنت واقعي
ولست فقط مثالي،
ولست فقط مثالي،
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
ربما ستقول لنفسك،
"حسناً، هذا كله رائع، مالوري،
"حسناً، هذا كله رائع، مالوري،
09:06
but why should I want to be involved?"
194
534600
1840
ولكن لماذا يجب أن أريد
المشاركة؟"
المشاركة؟"
09:09
Well for one thing, beyond the good PR,
195
537000
2816
حسنا لشيء واحد، وراء العلاقات
العامة الجيدة،
العامة الجيدة،
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
المساعدات الإنسانية
هي قطاع 24 مليار دولار،
هي قطاع 24 مليار دولار،
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
وهناك أكثر من خمسة مليارات نسمة،
ربما العميل المقبل الخاص بك،
ربما العميل المقبل الخاص بك،
09:17
that live in the developing world.
198
545720
1816
يعيش في العالم النامي.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
وعلاوة على ذلك، فإن الشركات التي تتعاطى
في العمل الخيري للبيانات،
في العمل الخيري للبيانات،
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
تجد رؤى جديدة محبوسة
في بياناتهم الخاصة.
في بياناتهم الخاصة.
09:25
Take, for example, a credit card company
201
553680
2256
خذ، على سبيل المثال،
شركة بطاقات الائتمان
شركة بطاقات الائتمان
09:27
that's opened up a center
202
555960
1336
فتحت مركزاً
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
الذي يعمل كمركز للأكاديميين،
للمنظمات غير الحكومية والحكومات،
للمنظمات غير الحكومية والحكومات،
09:32
all working together.
204
560720
1240
كلها تعمل معاً.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
يبحثون عن المعلومات
عند استخدام بطاقة الائتمان
عند استخدام بطاقة الائتمان
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
ويستخدمون ذلك لإيجاد رؤى
حول الحياة الأسرية في الهند
حول الحياة الأسرية في الهند
09:40
live, work, earn and spend.
207
568800
1720
الحياة، العمل، الكسب، والإنفاق.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
للعالم الإنساني،
هذا يزوّد بالمعلومات
هذا يزوّد بالمعلومات
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
عن كيفية إخراج الناس
من براثن الفقر.
من براثن الفقر.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
ولكن بالنسبة للشركات، إنها تقدم
رؤى حول الزبائن
رؤى حول الزبائن
09:52
and potential customers in India.
211
580000
2040
والعملاء المحتملين في الهند.
09:54
It's a win all around.
212
582760
1800
إنه فوز على جميع الجهات.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
الآن، بالنسبة لي، ما أجده
مثيراً حول العمل الخيري للبيانات -
مثيراً حول العمل الخيري للبيانات -
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
التبرع بالبيانات، التبرع بعلماء
القرار والتبرع بالتكنولوجيا -
القرار والتبرع بالتكنولوجيا -
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
إنه ما يعني للمهنيين الشباب مثلي
10:08
who are choosing to work at companies.
216
596520
1840
الذين اختاروا العمل لحساب شركات.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
أظهرت الدراسات أن
الجيل القادم من القوى العاملة
الجيل القادم من القوى العاملة
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
يهتمون بكون عملهم
يحدث تأثيراً أكبر.
يحدث تأثيراً أكبر.
10:16
We want to make a difference,
219
604920
2456
نريد أن نُحدث فرقاً،
10:19
and so through data philanthropy,
220
607400
2416
وذلك من خلال العمل الخيري للبيانات،
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
يمكن للشركات أن تساعد فعلاً بالمشاركة
وأن تحتفظ بعلماء القرار خاصتهم.
وأن تحتفظ بعلماء القرار خاصتهم.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
وهذه صفقة كبيرة لمهنة
تتسم بارتفاع الطلب.
تتسم بارتفاع الطلب.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
العمل الخيري للبيانات
يجعل الإدراك التجاري جيد،
يجعل الإدراك التجاري جيد،
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
ويمكن أن يساعد أيضاً
في تغيير جذري في العالم الإنساني.
في تغيير جذري في العالم الإنساني.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
إذا قمنا بتنسيق
التخطيط والخدمات اللوجستية
التخطيط والخدمات اللوجستية
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
عبر جميع الجوانب الرئيسية
من عملية إنسانية،
من عملية إنسانية،
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
يمكننا تأمين الطعام والكساء والمأوى
لمئات الآلاف من المزيد من الناس،
لمئات الآلاف من المزيد من الناس،
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
ويتعين على الشركات أن تصعد
وتلعب الدور الذي أعلم أنه بوسعهم
وتلعب الدور الذي أعلم أنه بوسعهم
10:53
in bringing about this revolution.
229
641720
1880
في إحداث هذا التغيير.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
ربما كنت قد سمعت بمقولة
"غذاء للفكر".
"غذاء للفكر".
10:59
Well, this is literally thought for food.
231
647680
2240
حسنا، هذا حرفياً فكرة للغذاء .
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
إنها أخيراً الفكرة الصائبة
في الوقت المناسب.
في الوقت المناسب.
11:07
(Laughter)
233
655720
1216
(ضحك)
11:08
Très magnifique.
234
656960
1576
رائع جداً.
11:10
Thank you.
235
658560
1216
شكراً لكم.
11:11
(Applause)
236
659800
2851
(تصفيق)
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