TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: Les données de votre entreprise pourraient résoudre la faim dans le monde
Filmed:
Readability: 4.2
1,090,373 views
Votre entreprise a peut-être donné de l'argent pour des causes humanitaires, mais vous avez quelque chose qui peut se révéler encore plus utile à offrir : vos données. Mallory Soldner nous montre comment les entreprises privées peuvent aider à progresser sur les gros problèmes actuels -- de la crise des réfugiés à la faim dans le monde -- en faisant don de leur données. En quoi votre entreprise peut-elle y contribuer ?
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
Juin 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
J'ai atterri pour la première fois
à Rome, en Italie.
à Rome, en Italie.
00:19
I wasn't there to sightsee.
2
7800
1896
Je n'étais pas là en tant que touriste.
00:21
I was there to solve world hunger.
3
9720
3120
J'étais là pour résoudre
la faim dans le monde.
la faim dans le monde.
00:25
(Laughter)
4
13160
2096
(Rires)
00:27
That's right.
5
15280
1216
C'est vrai.
00:28
I was a 25-year-old PhD student
6
16520
2096
J'étais une étudiante en doctorat
de 25 ans
de 25 ans
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
avec un outil prototype
développé à l'université
développé à l'université
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
et j'allais aider le Programme Alimentaire
Mondial à éradiquer la famine.
Mondial à éradiquer la famine.
00:37
So I strode into the headquarters building
9
25840
2736
J'ai donc marché à grands pas
jusqu'au quartier général
jusqu'au quartier général
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
et j'ai scanné la rangée
des drapeaux de l'ONU,
des drapeaux de l'ONU,
00:43
and I smiled as I thought to myself,
11
31440
1960
et, en souriant, j'ai pensé :
00:46
"The engineer is here."
12
34840
1616
« L'ingénieur est là. »
00:48
(Laughter)
13
36480
2216
(Rires)
00:50
Give me your data.
14
38720
1776
Donnez-moi vos données.
00:52
I'm going to optimize everything.
15
40520
2176
Je vais tout optimiser.
00:54
(Laughter)
16
42720
1736
(Rires)
Dites-moi quelle nourriture
que vous avez achetée,
que vous avez achetée,
00:56
Tell me the food that you've purchased,
17
44480
1896
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
où elle va, quand elle a besoin d'y être
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
et je vous dirai la plus courte,
la plus rapide, la moins chère
la plus rapide, la moins chère
01:03
best set of routes to take for the food.
20
51800
1936
des routes à prendre.
01:05
We're going to save money,
21
53760
1496
Nous allons économiser,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
éviter les retards et les perturbations
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
et le but ultime, nous allons
sauver des vies.
sauver des vies.
01:12
You're welcome.
24
60160
1216
De rien.
01:13
(Laughter)
25
61400
1696
(Rires)
01:15
I thought it was going to take 12 months,
26
63120
1976
Je pensais que ça prendrait 12 mois,
01:17
OK, maybe even 13.
27
65120
1560
OK, peut-être 13.
01:19
This is not quite how it panned out.
28
67800
2280
Ça n'a pas vraiment marché
comme prévu.
comme prévu.
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
Deux mois après le début du projet,
mon patron français m'a dit :
mon patron français m'a dit :
01:27
"You know, Mallory,
30
75400
1816
« Tu sais, Mallory,
01:29
it's a good idea,
31
77240
1656
c'est une bonne idée,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
mais les données dont tu as besoin
pour tes algorithmes ne sont pas là.
pour tes algorithmes ne sont pas là.
01:34
It's the right idea but at the wrong time,
33
82280
2536
C'est la bonne idée,
mais au mauvais moment ;
mais au mauvais moment ;
01:36
and the right idea at the wrong time
34
84840
2296
et la bonne idée au mauvais moment
01:39
is the wrong idea."
35
87160
1376
est la mauvaise idée. »
01:40
(Laughter)
36
88560
1320
(Rires)
01:42
Project over.
37
90960
1280
Fin du projet.
01:45
I was crushed.
38
93120
1200
J'étais effondrée.
01:49
When I look back now
39
97000
1456
Quand j'y repense,
01:50
on that first summer in Rome
40
98480
1656
à ce premier été à Rome,
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
et que je vois les changements
des six dernières années,
des six dernières années,
01:54
it is an absolute transformation.
42
102840
2240
c'est une transformation totale.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
C'est le début des données
dans le monde humanitaire.
dans le monde humanitaire.
02:02
It's exciting. It's inspiring.
44
110160
2656
C'est excitant, c'est motivant,
02:04
But we're not there yet.
45
112840
1200
mais on n'y est pas encore.
02:07
And brace yourself, executives,
46
115320
2296
Tenez-vous prêts, dirigeants,
02:09
because I'm going to be putting companies
47
117640
1976
parce que je vais mettre des sociétés
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
sur la sellette pour qu'elles fassent
ce que je sais qu'elles peuvent faire.
ce que je sais qu'elles peuvent faire.
02:17
My experiences back in Rome prove
49
125520
2816
Mes expériences à Rome prouvent
qu'en utilisant des données,
qu'en utilisant des données,
02:20
using data you can save lives.
50
128360
2080
on peut sauver des vies.
02:23
OK, not that first attempt,
51
131440
2456
D'accord, peut-être pas à ce premier essai
02:25
but eventually we got there.
52
133920
2576
mais on y est arrivé.
02:28
Let me paint the picture for you.
53
136520
1736
Laissez-moi vous brosser le tableau.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Imaginez que vous devez prévoir
petit-déjeuner, déjeuner, dîner
petit-déjeuner, déjeuner, dîner
02:33
for 500,000 people,
55
141040
1616
pour 500 000 personnes
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
et vous avez un budget limité,
02:36
say 6.5 million dollars per month.
57
144840
2240
disons 6,5 millions de dollars par mois.
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
Que faites-vous ?
Quel est le meilleur moyen de procéder ?
Quel est le meilleur moyen de procéder ?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Achetez-vous du riz, du blé,
des pois chiches, de l'huile ?
des pois chiches, de l'huile ?
02:47
How much?
60
155760
1216
Quelle quantité ?
02:49
It sounds simple. It's not.
61
157000
2136
Ça a l'air simple, ça ne l'est pas.
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
Vous avez 30 aliments possibles
et vous devez en choisir 5.
et vous devez en choisir 5.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
C'est déjà plus de 140 000
combinaisons différentes.
combinaisons différentes.
02:57
Then for each food that you pick,
64
165840
1696
Puis, pour chaque aliment choisi,
02:59
you need to decide how much you'll buy,
65
167560
1976
vous devez choisir la quantité à acheter,
03:01
where you're going to get it from,
66
169560
1696
où vous allez l'acheter,
03:03
where you're going to store it,
67
171280
1480
où vous allez le stocker,
03:05
how long it's going to take to get there.
68
173760
1976
combien de temps ça prendra à arriver.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Vous devez aussi étudier toutes
les différentes voies de transport.
les différentes voies de transport.
C'est déjà plus de 900 millions d'options.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
Si vous examinez chaque option
pendant une seconde,
pendant une seconde,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
ça vous prendra
plus de 28 ans à parcourir.
plus de 28 ans à parcourir.
03:18
900 million options.
73
186880
1520
900 millions d'options.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Nous avons crée un outil
qui a permis aux décideurs
qui a permis aux décideurs
03:23
to weed through all 900 million options
75
191640
2616
de trier ces 900 millions d'options
03:26
in just a matter of days.
76
194280
1360
en seulement quelques jours.
03:28
It turned out to be incredibly successful.
77
196560
2240
Ça s'est avéré très efficace.
03:31
In an operation in Iraq,
78
199400
1256
Lors d'une action en Irak,
03:32
we saved 17 percent of the costs,
79
200680
2536
nous avons économisé 17% des coûts,
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
ça voulait dire qu'on était capables
de nourrir 80 000 personnes en plus.
de nourrir 80 000 personnes en plus.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
C'était grâce à l'usage de données
et la modélisation des systèmes complexes.
et la modélisation des systèmes complexes.
03:44
But we didn't do it alone.
82
212800
1280
Mais on n'était pas seuls.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
L'unité avec laquelle j'ai travaillé
à Rome était unique.
à Rome était unique.
03:49
They believed in collaboration.
84
217600
1736
Ils croyaient en la collaboration.
03:51
They brought in the academic world.
85
219360
1696
Ils font appel aux universitaires
03:53
They brought in companies.
86
221080
1280
et aux sociétés.
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
Si nous voulons changer les choses
pour les problèmes
comme la faim dans le monde,
comme la faim dans le monde,
03:58
we need everybody to the table.
88
226840
2560
nous avons besoin de tout le monde.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Nous avons besoin
des gérants de données des ONG
des gérants de données des ONG
04:05
leading the way,
90
233000
1256
pour nous montrer la voie
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
et pour orchestrer
les bons types d'engagements
les bons types d'engagements
avec universitaires et gouvernements.
04:08
with academics, with governments.
92
236880
1696
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
Et il y a un groupe qui n'est pas
mobilisé autant qu'il le devrait.
mobilisé autant qu'il le devrait.
04:14
Did you guess it? Companies.
94
242320
2096
Vous avez deviné ? Les sociétés.
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
Elles ont un rôle à jouer
dans la résolution des problèmes du monde.
dans la résolution des problèmes du monde.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Je travaille dans le privé
depuis deux ans.
depuis deux ans.
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
J'ai vu ce que les sociétés
peuvent faire et ce qu'elles ne font pas,
peuvent faire et ce qu'elles ne font pas,
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
je pense il y a trois façons
dont on peut combler cette lacune :
dont on peut combler cette lacune :
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
en donnant des données,
des scientifiques décisionnels
des scientifiques décisionnels
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
et de la technologie afin d'acquérir
de nouvelles sources de données.
de nouvelles sources de données.
C'est la philanthropie des données,
04:37
This is data philanthropy,
101
265920
1576
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
c'est le futur de la responsabilité
sociale des entreprises.
sociale des entreprises.
04:43
Bonus, it also makes good business sense.
103
271160
2600
En plus, c'est du bon sens commercial.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Les sociétés aujourd'hui,
elles amassent des montagnes de données,
elles amassent des montagnes de données,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
donc la première choses à faire,
c'est donner ces données.
c'est donner ces données.
04:52
Some companies are already doing it.
106
280946
2190
Certaines sociétés le font déjà.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
Prenez par exemple,
une entreprise de télécom.
une entreprise de télécom.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Ils ont partagé leurs données
au Sénégal et en Côte d'Ivoire
au Sénégal et en Côte d'Ivoire
05:00
and researchers discovered
109
288400
1976
et les chercheurs ont découvert
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
qu'en étudiant les pings
envoyés vers les antennes relais,
envoyés vers les antennes relais,
05:05
you can see where people are traveling.
111
293758
1938
on peut voir les déplacements des gens.
05:07
And that can tell you things like
112
295720
2176
Et ça peut nous informer
sur des choses comme
sur des choses comme
la diffusion du paludisme,
grâce à ça on peut faire des prévisions.
grâce à ça on peut faire des prévisions.
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Ou prenez, par exemple,
une société satellite innovante.
une société satellite innovante.
05:15
They opened up their data and donated it,
115
303960
2016
Elle a partagé et donné ses données.
05:18
and with that data you could track
116
306000
1656
Avec ces données, on peut voir
comment la sécheresse influe
sur la production alimentaire.
sur la production alimentaire.
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
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
Avec ceci, on peut déclencher
des financements d'aide avant une crise.
des financements d'aide avant une crise.
05:27
This is a great start.
119
315560
1280
C'est un bon début.
D'importants enseignements sont
enfermés dans les données des sociétés.
enfermés dans les données des sociétés.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
05:34
And yes, you need to be very careful.
121
322480
1816
Et oui, il faut faire attention.
Il faut respecter la confidentialité,
par exemple en anonymisant les données.
par exemple en anonymisant les données.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
05:39
But even if the floodgates opened up,
123
327920
2776
Mais même si les barrières s'ouvrent,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
même si toutes les sociétés
donnaient leurs données
donnaient leurs données
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
aux universitaires, aux ONG,
aux organisations humanitaires,
aux organisations humanitaires,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
ça ne suffira pas à maîtriser
toute l'influence des données
toute l'influence des données
05:51
for humanitarian goals.
127
339560
1520
pour des fins humanitaires.
05:54
Why?
128
342320
1456
Pourquoi ?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Pour libérer des idées des données,
il faut des scientifiques décisionnels.
il faut des scientifiques décisionnels.
Les scientifiques décisionnels
sont des gens comme moi.
sont des gens comme moi.
05:59
Decision scientists are people like me.
130
347760
2576
Ils prennent des données, les nettoient,
06:02
They take the data, they clean it up,
131
350360
1816
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
les transforment et les mettent
dans un algorithme utile
dans un algorithme utile
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
qui est le meilleur choix
pour répondre au besoin commercial.
pour répondre au besoin commercial.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
Dans le monde de l'aide humanitaire,
il y a peu de scientifiques décisionnels.
il y a peu de scientifiques décisionnels.
La plupart travaillent pour des sociétés.
06:13
Most of them work for companies.
135
361520
1640
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
Donc c'est la 2ème chose
qu'une société a à faire.
qu'une société a à faire.
06:19
In addition to donating their data,
137
367000
1696
En plus de donner leurs données,
ils doivent donner
leurs scientifiques décisionnels.
leurs scientifiques décisionnels.
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
Ils diront : « Ah ! Ne nous prenez pas
nos scientifiques décisionnels.
nos scientifiques décisionnels.
06:29
We need every spare second of their time."
140
377280
2040
Nous avons besoin de tout leur temps. »
06:32
But there's a way.
141
380360
1200
Mais il y a un moyen.
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
Si une société donnait un bloc du temps
d'un scientifique décisionnel,
d'un scientifique décisionnel,
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
ça serait plus intéressant,
d'étaler ce bloc de temps
d'étaler ce bloc de temps
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
sur une période longue,
cinq ans par exemple.
cinq ans par exemple.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Ça représenterait seulement
quelques heures par mois,
quelques heures par mois,
06:47
which a company would hardly miss,
146
395680
2056
ça manquerait à peine à la société,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
mais ce que ça permet est très important :
des collaborations durables.
des collaborations durables.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
Des collaborations durables
construisent des relations,
construisent des relations,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
permettent de connaître les données,
de les comprendre
de les comprendre
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
et de commencer à comprendre
les besoins et défis
les besoins et défis
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
que l'organisation humanitaire
doit surmonter.
doit surmonter.
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
A Rome, au Programme Alimentaire Mondial,
cela nous a pris cinq ans,
cela nous a pris cinq ans,
07:09
five years.
153
417560
1456
cinq ans.
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
Les 3 premières années concernaient
ce qu'on ne pouvait pas résoudre.
ce qu'on ne pouvait pas résoudre.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Les deux années suivantes, nous avons
affiné et mis en œuvre l'outil,
affiné et mis en œuvre l'outil,
comme pour les actions
en Irak et dans d'autres pays.
en Irak et dans d'autres pays.
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Ça ne me semble pas un délai irréaliste
quand il s'agit d'utiliser des données
pour faire des changements opérationnels.
pour faire des changements opérationnels.
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
07:26
It's an investment. It requires patience.
159
434400
2400
C'est un investissement.
Ça exige de la patience.
Ça exige de la patience.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Mais les types de résultats qui
peuvent être produits sont indéniables.
peuvent être produits sont indéniables.
Dans notre cas, c'était la capacité
de nourrir des milliers de gens en plus.
de nourrir des milliers de gens en plus.
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
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Donc on donne des données,
des scientifiques décisionnels
des scientifiques décisionnels
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
et les entreprises peuvent aider
d'une 3ème façon :
d'une 3ème façon :
donner de la technologie pour capter
de nouvelles sources de données.
de nouvelles sources de données.
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
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
Il y a beaucoup de choses
sur lesquelles on n'a pas de données.
sur lesquelles on n'a pas de données.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
En ce moment, des réfugiés syriens
inondent la Grèce,
inondent la Grèce,
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
l'agence de l'ONU pour les réfugiés
a du pain sur la planche.
a du pain sur la planche.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
Le système actuel pour suivre les gens
est un papier et crayon,
est un papier et crayon,
08:04
and what that means is
169
472080
1256
cela veut dire
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
que quand une mère et ses cinq enfants
entrent dans un camp,
entrent dans un camp,
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
le siège est essentiellement
aveugle à ce moment.
aveugle à ce moment.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
Tout ceci va changer
dans les semaines à venir,
dans les semaines à venir,
grâce à la collaboration du secteur privé.
08:13
thanks to private sector collaboration.
173
481280
1880
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
Il va y avoir un nouveau système basé
sur des dispositifs de suivi
sur des dispositifs de suivi
par la société logistique
pour laquelle je travaille.
pour laquelle je travaille.
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
Avec ce nouveau système,
les données sont tracées,
les données sont tracées,
donc on connaît le moment exact
08:24
so you know exactly the moment
177
492480
1456
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
où cette mère et ses enfants
entrent dans le camp.
entrent dans le camp.
On peut aussi savoir
si elle va avoir des provisions
si elle va avoir des provisions
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
ce mois et le suivant.
08:31
this month and the next.
180
499120
1256
La visibilité de l'information
entraîne l'efficacité.
entraîne l'efficacité.
08:32
Information visibility drives efficiency.
181
500400
3016
Pour les sociétés, utiliser la technologie
pour recueillir des données,
pour recueillir des données,
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
08:38
it's like bread and butter.
183
506720
1456
c'est la routine.
08:40
They've been doing it for years,
184
508200
1576
Elles font ceci depuis des années
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
et ça a entraîné des améliorations
de l'efficacité opérationnelle.
de l'efficacité opérationnelle.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Imaginez votre entreprise
de boissons préférée
de boissons préférée
essayant de planifier leur inventaire
08:48
trying to plan their inventory
187
516280
1576
et ne sachant pas combien de bouteilles
sont sur les étagères.
sont sur les étagères.
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
08:52
It's absurd.
189
520400
1216
C'est absurde.
08:53
Data drives better decisions.
190
521640
1560
Des données entraînent
de meilleures décisions.
de meilleures décisions.
08:57
Now, if you're representing a company,
191
525800
2536
Si vous représentez une société,
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
si vous êtes pragmatique
et pas seulement idéaliste,
et pas seulement idéaliste,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
vous vous dites peut-être :
« Tout ça est très bien, Mallory,
« Tout ça est très bien, Mallory,
mais pourquoi devrais-je m'engager ? »
09:06
but why should I want to be involved?"
194
534600
1840
09:09
Well for one thing, beyond the good PR,
195
537000
2816
En plus d'être bon pour l'image,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
l'aide humanitaire
est un secteur de 24 millions de dollars,
est un secteur de 24 millions de dollars,
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
et plus de 5 millions de gens,
des clients potentiels,
des clients potentiels,
qui habitent dans les pays
en développement.
en développement.
09:17
that live in the developing world.
198
545720
1816
De plus, les entreprises s'engageant
dans la philanthropie des données,
dans la philanthropie des données,
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
trouvent de nouvelles idées
enfermées dans leurs données.
enfermées dans leurs données.
09:25
Take, for example, a credit card company
201
553680
2256
Prenez une société de cartes de crédit
09:27
that's opened up a center
202
555960
1336
qui ouvre un centre
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
qui sert de hub pour les universitaires,
les ONG et les gouvernements
les ONG et les gouvernements
09:32
all working together.
204
560720
1240
qui travaillent tous ensemble.
Ils étudient des informations
lors de chaque usage de carte
lors de chaque usage de carte
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
et utilisent ceci pour trouver des données
sur comment les familles en Inde
sur comment les familles en Inde
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
09:40
live, work, earn and spend.
207
568800
1720
vivent, travaillent, gagnent et dépensent.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
Pour le monde humanitaire,
cela fournit des informations
cela fournit des informations
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
sur comment on peut
sortir les gens de la pauvreté.
sortir les gens de la pauvreté.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
Mais pour les sociétés, cela fournit
des informations sur vos clients
des informations sur vos clients
09:52
and potential customers in India.
211
580000
2040
et clients potentiels en Inde.
09:54
It's a win all around.
212
582760
1800
Tout le monde y gagne.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
Ce que je trouve excitant
concernant la philanthropie des données,
concernant la philanthropie des données,
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
-- le don de données, de scientifiques
décisionnels et de technologie --
décisionnels et de technologie --
c'est ce que ça signifie
pour des jeunes professionnels
pour des jeunes professionnels
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
10:08
who are choosing to work at companies.
216
596520
1840
qui veulent de travailler
dans des sociétés.
dans des sociétés.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Des études montrent que
les nouveaux travailleurs
les nouveaux travailleurs
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
veulent que leur travail
ait un plus grand effet.
ait un plus grand effet.
10:16
We want to make a difference,
219
604920
2456
Nous voulons changer les choses,
10:19
and so through data philanthropy,
220
607400
2416
et grâce à la philanthropie des données,
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
les sociétés peuvent aider à engager,
retenir leurs scientifiques décisionnels.
retenir leurs scientifiques décisionnels.
Et c'est un facteur important
pour une profession très sollicitée.
pour une profession très sollicitée.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
La philanthropie des données
fait sens commercialement
fait sens commercialement
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
et ça peut aussi aider
à révolutionner le monde humanitaire.
à révolutionner le monde humanitaire.
Si on coordonnait
l'organisation et la logistique
l'organisation et la logistique
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
à travers tout les facettes majeures
d'une opération humanitaire,
d'une opération humanitaire,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
on pourrait nourrir, habiller, héberger
des centaines de milliers de personnes.
des centaines de milliers de personnes.
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
Les sociétés doivent se bouger
et jouer le rôle dont elles sont capables
et jouer le rôle dont elles sont capables
10:53
in bringing about this revolution.
229
641720
1880
dans cette révolution.
Vous avez sans doute entendu l'expression
« nourriture pour la pensée ».
« nourriture pour la pensée ».
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
10:59
Well, this is literally thought for food.
231
647680
2240
Ici c'est vraiment
une pensée pour la nourriture.
une pensée pour la nourriture.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
C'est enfin la bonne idée
au bon moment.
au bon moment.
11:07
(Laughter)
233
655720
1216
(Rires)
11:08
Très magnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Merci.
11:11
(Applause)
236
659800
2851
(Applaudissements)
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