ABOUT THE SPEAKER
Mallory Freeman - Data activist
UPS'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.

More profile about the speaker
Mallory Freeman | Speaker | TED.com
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:
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 ?
- Data activist
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
JuneJuin 2010.
0
880
1760
Juin 2010.
00:15
I landeda atterri for the first time
in RomeRome, ItalyItalie.
1
3760
2880
J'ai atterri pour la première fois
à Rome, en Italie.
00:19
I wasn'tn'était pas there to sightseeTourisme.
2
7800
1896
Je n'étais pas là en tant que touriste.
00:21
I was there to solverésoudre worldmonde hungerfaim.
3
9720
3120
J'étais là pour résoudre
la faim dans le monde.
00:25
(LaughterRires)
4
13160
2096
(Rires)
00:27
That's right.
5
15280
1216
C'est vrai.
00:28
I was a 25-year-old-Age PhDPh.d. studentétudiant
6
16520
2096
J'étais une étudiante en doctorat
de 25 ans
00:30
armedarmé with a prototypeprototype tooloutil
developeddéveloppé back at my universityUniversité,
7
18640
3096
avec un outil prototype
développé à l'université
00:33
and I was going to help
the WorldMonde FoodAlimentaire ProgrammeProgramme fixréparer hungerfaim.
8
21760
3080
et j'allais aider le Programme Alimentaire
Mondial à éradiquer la famine.
00:37
So I strodeStrode into the headquartersquartier général buildingbâtiment
9
25840
2736
J'ai donc marché à grands pas
jusqu'au quartier général
00:40
and my eyesles yeux scannedscanné the rowrangée of UNNATIONS UNIES flagsdrapeaux,
10
28600
2816
et j'ai scanné la rangée
des drapeaux de l'ONU,
00:43
and I smiledsouri as I thought to myselfmoi même,
11
31440
1960
et, en souriant, j'ai pensé :
00:46
"The engineeringénieur is here."
12
34840
1616
« L'ingénieur est là. »
00:48
(LaughterRires)
13
36480
2216
(Rires)
00:50
Give me your dataLes données.
14
38720
1776
Donnez-moi vos données.
00:52
I'm going to optimizeoptimiser everything.
15
40520
2176
Je vais tout optimiser.
00:54
(LaughterRires)
16
42720
1736
(Rires)
Dites-moi quelle nourriture
que vous avez achetée,
00:56
Tell me the foodaliments that you've purchasedacheté,
17
44480
1896
00:58
tell me where it's going
and when it needsBesoins 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 shortestle plus court, fastestle plus rapide, cheapestmoins cher,
19
49040
2736
et je vous dirai la plus courte,
la plus rapide, la moins chère
01:03
bestmeilleur setensemble of routesitinéraires to take for the foodaliments.
20
51800
1936
des routes à prendre.
01:05
We're going to saveenregistrer moneyargent,
21
53760
1496
Nous allons économiser,
01:07
we're going to avoidéviter
delaysretards and disruptionsperturbations,
22
55280
2096
éviter les retards et les perturbations
01:09
and bottombas lineligne,
we're going to saveenregistrer livesvies.
23
57400
2736
et le but ultime, nous allons
sauver des vies.
01:12
You're welcomeBienvenue.
24
60160
1216
De rien.
01:13
(LaughterRires)
25
61400
1696
(Rires)
01:15
I thought it was going to take 12 monthsmois,
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 quiteassez how it pannedbatée out.
28
67800
2280
Ça n'a pas vraiment marché
comme prévu.
01:23
Just a couplecouple of monthsmois into the projectprojet,
my FrenchFrançais bosspatron, he told me,
29
71600
3776
Deux mois après le début du projet,
mon patron français m'a dit :
01:27
"You know, MalloryMallory,
30
75400
1816
« Tu sais, Mallory,
01:29
it's a good ideaidée,
31
77240
1656
c'est une bonne idée,
01:30
but the dataLes données you need
for your algorithmsalgorithmes is not there.
32
78920
3336
mais les données dont tu as besoin
pour tes algorithmes ne sont pas là.
01:34
It's the right ideaidée but at the wrongfaux time,
33
82280
2536
C'est la bonne idée,
mais au mauvais moment ;
01:36
and the right ideaidée at the wrongfaux time
34
84840
2296
et la bonne idée au mauvais moment
01:39
is the wrongfaux ideaidée."
35
87160
1376
est la mauvaise idée. »
01:40
(LaughterRires)
36
88560
1320
(Rires)
01:42
ProjectProjet over.
37
90960
1280
Fin du projet.
01:45
I was crushedécrasé.
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 summerété in RomeRome
40
98480
1656
à ce premier été à Rome,
01:52
and I see how much has changedmodifié
over the pastpassé sixsix yearsannées,
41
100160
2656
et que je vois les changements
des six dernières années,
01:54
it is an absoluteabsolu transformationtransformation.
42
102840
2240
c'est une transformation totale.
01:57
It's a comingvenir of ageâge for bringingapportant dataLes données
into the humanitarianhumanitaire worldmonde.
43
105640
3400
C'est le début des données
dans le monde humanitaire.
02:02
It's excitingpassionnant. It's inspiringinspirant.
44
110160
2656
C'est excitant, c'est motivant,
02:04
But we're not there yetencore.
45
112840
1200
mais on n'y est pas encore.
02:07
And bracecroisillon yourselftoi même, executivescadres supérieurs,
46
115320
2296
Tenez-vous prêts, dirigeants,
02:09
because I'm going to be puttingen mettant companiesentreprises
47
117640
1976
parce que je vais mettre des sociétés
02:11
on the hotchaud seatsiège to stepétape up
and playjouer the rolerôle that I know they can.
48
119640
3120
sur la sellette pour qu'elles fassent
ce que je sais qu'elles peuvent faire.
02:17
My experiencesexpériences back in RomeRome proveprouver
49
125520
2816
Mes expériences à Rome prouvent
qu'en utilisant des données,
02:20
usingen utilisant dataLes données you can saveenregistrer livesvies.
50
128360
2080
on peut sauver des vies.
02:23
OK, not that first attempttentative,
51
131440
2456
D'accord, peut-être pas à ce premier essai
02:25
but eventuallyfinalement we got there.
52
133920
2576
mais on y est arrivé.
02:28
Let me paintpeindre the picturephoto for you.
53
136520
1736
Laissez-moi vous brosser le tableau.
02:30
ImagineImaginez that you have to planplan
breakfastdéjeuner, lunchle déjeuner and dinnerdîner
54
138280
2736
Imaginez que vous devez prévoir
petit-déjeuner, déjeuner, dîner
02:33
for 500,000 people,
55
141040
1616
pour 500 000 personnes
02:34
and you only have
a certaincertain budgetbudget to do it,
56
142680
2136
et vous avez un budget limité,
02:36
say 6.5 millionmillion dollarsdollars perpar monthmois.
57
144840
2240
disons 6,5 millions de dollars par mois.
02:40
Well, what should you do?
What's the bestmeilleur way to handlemanipuler it?
58
148920
2762
Que faites-vous ?
Quel est le meilleur moyen de procéder ?
02:44
Should you buyacheter riceriz, wheatblé, chickpeapois chiche, oilpétrole?
59
152280
2760
Achetez-vous du riz, du blé,
des pois chiches, de l'huile ?
02:47
How much?
60
155760
1216
Quelle quantité ?
02:49
It soundsdes sons simplesimple. It's not.
61
157000
2136
Ça a l'air simple, ça ne l'est pas.
02:51
You have 30 possiblepossible foodsnourriture,
and you have to pickchoisir fivecinq of them.
62
159160
3216
Vous avez 30 aliments possibles
et vous devez en choisir 5.
02:54
That's alreadydéjà over 140,000
differentdifférent combinationscombinaisons.
63
162400
3416
C'est déjà plus de 140 000
combinaisons différentes.
02:57
Then for eachchaque foodaliments that you pickchoisir,
64
165840
1696
Puis, pour chaque aliment choisi,
02:59
you need to decidedécider how much you'lltu vas buyacheter,
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 storele magasin 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 differentdifférent
transportationtransport routesitinéraires as well.
69
175760
3336
Vous devez aussi étudier toutes
les différentes voies de transport.
C'est déjà plus de 900 millions d'options.
03:11
And that's alreadydéjà
over 900 millionmillion optionsoptions.
70
179120
2080
03:14
If you consideredpris en considération eachchaque optionoption
for a singleunique secondseconde,
71
182120
2376
Si vous examinez chaque option
pendant une seconde,
03:16
that would take you
over 28 yearsannées to get throughpar.
72
184520
2336
ça vous prendra
plus de 28 ans à parcourir.
03:18
900 millionmillion optionsoptions.
73
186880
1520
900 millions d'options.
03:21
So we createdcréé a tooloutil
that allowedpermis decisionmakersdécideurs
74
189160
2456
Nous avons crée un outil
qui a permis aux décideurs
03:23
to weedmauvaises herbes throughpar all 900 millionmillion optionsoptions
75
191640
2616
de trier ces 900 millions d'options
03:26
in just a mattermatière of daysjournées.
76
194280
1360
en seulement quelques jours.
03:28
It turnedtourné out to be incrediblyincroyablement successfulréussi.
77
196560
2240
Ça s'est avéré très efficace.
03:31
In an operationopération in IraqIrak,
78
199400
1256
Lors d'une action en Irak,
03:32
we savedenregistré 17 percentpour cent of the costsfrais,
79
200680
2536
nous avons économisé 17% des coûts,
03:35
and this meantsignifiait that you had the abilitycapacité
to feedalimentation an additionalsupplémentaires 80,000 people.
80
203240
4136
ça voulait dire qu'on était capables
de nourrir 80 000 personnes en plus.
03:39
It's all thanksMerci to the use of dataLes données
and modelingla modélisation complexcomplexe systemssystèmes.
81
207400
4400
C'était grâce à l'usage de données
et la modélisation des systèmes complexes.
03:44
But we didn't do it aloneseul.
82
212800
1280
Mais on n'était pas seuls.
03:46
The unitunité that I workedtravaillé with in RomeRome,
they were uniqueunique.
83
214840
2736
L'unité avec laquelle j'ai travaillé
à Rome était unique.
03:49
They believeda cru in collaborationcollaboration.
84
217600
1736
Ils croyaient en la collaboration.
03:51
They broughtapporté in the academicacadémique worldmonde.
85
219360
1696
Ils font appel aux universitaires
03:53
They broughtapporté in companiesentreprises.
86
221080
1280
et aux sociétés.
03:55
And if we really want to make biggros changeschangements
in biggros problemsproblèmes like worldmonde hungerfaim,
87
223200
3616
Si nous voulons changer les choses
pour les problèmes
comme la faim dans le monde,
03:58
we need everybodyTout le monde to the tabletable.
88
226840
2560
nous avons besoin de tout le monde.
04:02
We need the dataLes données people
from humanitarianhumanitaire organizationsorganisations
89
230040
2936
Nous avons besoin
des gérants de données des ONG
04:05
leadingde premier plan the way,
90
233000
1256
pour nous montrer la voie
04:06
and orchestratingorchestrant
just the right typesles types of engagementsengagements
91
234280
2576
et pour orchestrer
les bons types d'engagements
avec universitaires et gouvernements.
04:08
with academicsuniversitaires, with governmentsGouvernements.
92
236880
1696
04:10
And there's one groupgroupe that's not beingétant
leveragedmis à profit 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.
04:14
Did you guessdeviner it? CompaniesEntreprises.
94
242320
2096
Vous avez deviné ? Les sociétés.
04:16
CompaniesEntreprises have a majorMajeur rolerôle to playjouer
in fixingfixation the biggros problemsproblèmes in our worldmonde.
95
244440
3600
Elles ont un rôle à jouer
dans la résolution des problèmes du monde.
04:20
I've been in the privateprivé sectorsecteur
for two yearsannées now.
96
248880
2416
Je travaille dans le privé
depuis deux ans.
04:23
I've seenvu what companiesentreprises can do,
and I've seenvu what companiesentreprises aren'tne sont pas doing,
97
251320
3576
J'ai vu ce que les sociétés
peuvent faire et ce qu'elles ne font pas,
04:26
and I think there's threeTrois mainprincipale waysfaçons
that we can fillremplir that gapécart:
98
254920
3376
je pense il y a trois façons
dont on peut combler cette lacune :
04:30
by donatingfaire un don dataLes données,
by donatingfaire un don decisiondécision scientistsscientifiques
99
258320
3096
en donnant des données,
des scientifiques décisionnels
04:33
and by donatingfaire un don technologyLa technologie
to gatherrecueillir newNouveau sourcessources of dataLes données.
100
261440
3480
et de la technologie afin d'acquérir
de nouvelles sources de données.
C'est la philanthropie des données,
04:37
This is dataLes données philanthropyphilanthropie,
101
265920
1576
04:39
and it's the futureavenir of corporateentreprise
socialsocial responsibilityresponsabilité.
102
267520
2840
c'est le futur de la responsabilité
sociale des entreprises.
04:43
BonusBonus, it alsoaussi makesfait du good businessEntreprise sensesens.
103
271160
2600
En plus, c'est du bon sens commercial.
04:46
CompaniesEntreprises todayaujourd'hui,
they collectcollecte mountainsles montagnes of dataLes données,
104
274920
3216
Les sociétés aujourd'hui,
elles amassent des montagnes de données,
04:50
so the first thing they can do
is startdébut donatingfaire un don that dataLes données.
105
278160
2762
donc la première choses à faire,
c'est donner ces données.
04:52
Some companiesentreprises are alreadydéjà doing it.
106
280946
2190
Certaines sociétés le font déjà.
04:55
Take, for exampleExemple,
a majorMajeur telecomTelecom companycompagnie.
107
283160
2416
Prenez par exemple,
une entreprise de télécom.
04:57
They openedouvert up theirleur dataLes données
in SenegalSénégal and the IvoryIvoire CoastCôte
108
285600
2776
Ils ont partagé leurs données
au Sénégal et en Côte d'Ivoire
05:00
and researchersdes chercheurs discovereddécouvert
109
288400
1976
et les chercheurs ont découvert
05:02
that if you look at the patternsmodèles
in the pingspings to the cellcellule phonetéléphone towersdes tours,
110
290400
3334
qu'en étudiant les pings
envoyés vers les antennes relais,
05:05
you can see where people are travelingen voyageant.
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
la diffusion du paludisme,
grâce à ça on peut faire des prévisions.
05:09
where malariapaludisme mightpourrait spreadpropager,
and you can make predictionsprédictions with it.
113
297920
3096
05:13
Or take for exampleExemple
an innovativeinnovant satelliteSatellite companycompagnie.
114
301040
2896
Ou prenez, par exemple,
une société satellite innovante.
05:15
They openedouvert up theirleur dataLes données and donatedDon it,
115
303960
2016
Elle a partagé et donné ses données.
05:18
and with that dataLes données you could trackPiste
116
306000
1656
Avec ces données, on peut voir
comment la sécheresse influe
sur la production alimentaire.
05:19
how droughtssécheresses are impactingun impact
foodaliments productionproduction.
117
307680
2040
05:22
With that you can actuallyréellement triggergâchette
aidaide fundingfinancement before a crisiscrise can happense produire.
118
310920
3680
Avec ceci, on peut déclencher
des financements d'aide avant une crise.
05:27
This is a great startdébut.
119
315560
1280
C'est un bon début.
D'importants enseignements sont
enfermés dans les données des sociétés.
05:29
There's importantimportant insightsdes idées
just lockedfermé à clef away in companycompagnie dataLes données.
120
317840
2880
05:34
And yes, you need to be very carefulprudent.
121
322480
1816
Et oui, il faut faire attention.
Il faut respecter la confidentialité,
par exemple en anonymisant les données.
05:36
You need to respectle respect privacyvie privée concernspréoccupations,
for exampleExemple by anonymizinganonymisation the dataLes données.
122
324320
3576
05:39
But even if the floodgatesvannes openedouvert up,
123
327920
2776
Mais même si les barrières s'ouvrent,
05:42
and even if all companiesentreprises
donatedDon theirleur dataLes données
124
330720
2536
même si toutes les sociétés
donnaient leurs données
05:45
to academicsuniversitaires, to NGOsOrganisations non gouvernementales,
to humanitarianhumanitaire organizationsorganisations,
125
333280
3256
aux universitaires, aux ONG,
aux organisations humanitaires,
05:48
it wouldn'tne serait pas be enoughassez
to harnessharnais that fullplein impactimpact of dataLes données
126
336560
2976
ça ne suffira pas à maîtriser
toute l'influence des données
05:51
for humanitarianhumanitaire goalsbuts.
127
339560
1520
pour des fins humanitaires.
05:54
Why?
128
342320
1456
Pourquoi ?
05:55
To unlockdéverrouiller insightsdes idées in dataLes données,
you need decisiondécision scientistsscientifiques.
129
343800
3240
Pour libérer des idées des données,
il faut des scientifiques décisionnels.
Les scientifiques décisionnels
sont des gens comme moi.
05:59
DecisionDécision scientistsscientifiques are people like me.
130
347760
2576
Ils prennent des données, les nettoient,
06:02
They take the dataLes données, they cleannettoyer it up,
131
350360
1816
06:04
transformtransformer it and put it
into a usefulutile algorithmalgorithme de
132
352200
2256
les transforment et les mettent
dans un algorithme utile
06:06
that's the bestmeilleur choicechoix
to addressadresse the businessEntreprise need at handmain.
133
354480
2840
qui est le meilleur choix
pour répondre au besoin commercial.
06:09
In the worldmonde of humanitarianhumanitaire aidaide,
there are very fewpeu decisiondécision scientistsscientifiques.
134
357800
3696
Dans le monde de l'aide humanitaire,
il y a peu de scientifiques décisionnels.
La plupart travaillent pour des sociétés.
06:13
MostPlupart of them work for companiesentreprises.
135
361520
1640
06:16
So that's the secondseconde thing
that companiesentreprises need to do.
136
364480
2496
Donc c'est la 2ème chose
qu'une société a à faire.
06:19
In additionune addition to donatingfaire un don theirleur dataLes données,
137
367000
1696
En plus de donner leurs données,
ils doivent donner
leurs scientifiques décisionnels.
06:20
they need to donatefaire un don
theirleur decisiondécision scientistsscientifiques.
138
368720
2160
06:23
Now, companiesentreprises will say, "AhAh! Don't take
our decisiondécision scientistsscientifiques from us.
139
371520
5736
Ils diront : « Ah ! Ne nous prenez pas
nos scientifiques décisionnels.
06:29
We need everychaque sparede rechange secondseconde of theirleur 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 companycompagnie was going to donatefaire un don
a blockbloc of a decisiondécision scientist'sscientifique time,
142
383200
3416
Si une société donnait un bloc du temps
d'un scientifique décisionnel,
06:38
it would actuallyréellement make more sensesens
to spreadpropager out that blockbloc of time
143
386640
3136
ça serait plus intéressant,
d'étaler ce bloc de temps
06:41
over a long periodpériode,
say for exampleExemple fivecinq yearsannées.
144
389800
2200
sur une période longue,
cinq ans par exemple.
06:44
This mightpourrait only amountmontant
to a couplecouple of hoursheures perpar monthmois,
145
392600
3056
Ça représenterait seulement
quelques heures par mois,
06:47
whichlequel a companycompagnie would hardlyà peine missmanquer,
146
395680
2056
ça manquerait à peine à la société,
06:49
but what it enablespermet is really importantimportant:
long-termlong terme partnershipspartenariats.
147
397760
3480
mais ce que ça permet est très important :
des collaborations durables.
06:54
Long-termÀ long terme partnershipspartenariats
allowpermettre you to buildconstruire relationshipsdes relations,
148
402920
2816
Des collaborations durables
construisent des relations,
06:57
to get to know the dataLes données,
to really understandcomprendre it
149
405760
2656
permettent de connaître les données,
de les comprendre
07:00
and to startdébut to understandcomprendre
the needsBesoins and challengesdéfis
150
408440
2416
et de commencer à comprendre
les besoins et défis
07:02
that the humanitarianhumanitaire
organizationorganisation is facingorienté vers.
151
410880
2160
que l'organisation humanitaire
doit surmonter.
07:06
In RomeRome, at the WorldMonde FoodAlimentaire ProgrammeProgramme,
this tooka pris us fivecinq yearsannées to do,
152
414345
3191
A Rome, au Programme Alimentaire Mondial,
cela nous a pris cinq ans,
07:09
fivecinq yearsannées.
153
417560
1456
cinq ans.
07:11
That first threeTrois yearsannées, OK,
that was just what we couldn'tne pouvait pas solverésoudre for.
154
419040
3336
Les 3 premières années concernaient
ce qu'on ne pouvait pas résoudre.
07:14
Then there was two yearsannées after that
of refiningaffinage and implementingexécution the tooloutil,
155
422400
3496
Les deux années suivantes, nous avons
affiné et mis en œuvre l'outil,
comme pour les actions
en Irak et dans d'autres pays.
07:17
like in the operationsopérations in IraqIrak
and other countriesdes pays.
156
425920
2800
07:21
I don't think that's
an unrealisticirréaliste timelinechronologie
157
429520
2096
Ça ne me semble pas un délai irréaliste
quand il s'agit d'utiliser des données
pour faire des changements opérationnels.
07:23
when it comesvient to usingen utilisant dataLes données
to make operationalopérationnel changeschangements.
158
431640
2736
07:26
It's an investmentinvestissement. It requiresa besoin patiencela patience.
159
434400
2400
C'est un investissement.
Ça exige de la patience.
07:29
But the typesles types of resultsrésultats
that can be producedproduit are undeniableindéniable.
160
437760
3496
Mais les types de résultats qui
peuvent être produits sont indéniables.
Dans notre cas, c'était la capacité
de nourrir des milliers de gens en plus.
07:33
In our caseCas, it was the abilitycapacité
to feedalimentation tensdizaines of thousandsmilliers more people.
161
441280
3560
07:39
So we have donatingfaire un don dataLes données,
we have donatingfaire un don decisiondécision scientistsscientifiques,
162
447440
4336
Donc on donne des données,
des scientifiques décisionnels
07:43
and there's actuallyréellement a thirdtroisième way
that companiesentreprises can help:
163
451800
2696
et les entreprises peuvent aider
d'une 3ème façon :
donner de la technologie pour capter
de nouvelles sources de données.
07:46
donatingfaire un don technologyLa technologie
to captureCapturer newNouveau sourcessources of dataLes données.
164
454520
2976
07:49
You see, there's a lot of things
we just don't have dataLes données on.
165
457520
2840
Il y a beaucoup de choses
sur lesquelles on n'a pas de données.
07:52
Right now, SyrianSyrien refugeesréfugiés
are floodinginondation into GreeceGrèce,
166
460960
2720
En ce moment, des réfugiés syriens
inondent la Grèce,
07:57
and the UNNATIONS UNIES refugeeréfugié agencyagence,
they have theirleur handsmains fullplein.
167
465120
2560
l'agence de l'ONU pour les réfugiés
a du pain sur la planche.
08:01
The currentactuel systemsystème for trackingsuivi people
is paperpapier and pencilcrayon,
168
469000
3056
Le système actuel pour suivre les gens
est un papier et crayon,
08:04
and what that meansveux dire is
169
472080
1256
cela veut dire
08:05
that when a mothermère and her fivecinq childrenles enfants
walkmarche into the campcamp,
170
473360
2856
que quand une mère et ses cinq enfants
entrent dans un camp,
08:08
headquartersquartier général is essentiallyessentiellement
blindaveugle to this momentmoment.
171
476240
2656
le siège est essentiellement
aveugle à ce moment.
08:10
That's all going to changechangement
in the nextprochain fewpeu weekssemaines,
172
478920
2336
Tout ceci va changer
dans les semaines à venir,
grâce à la collaboration du secteur privé.
08:13
thanksMerci to privateprivé sectorsecteur collaborationcollaboration.
173
481280
1880
08:15
There's going to be a newNouveau systemsystème basedbasé
on donatedDon packagepaquet trackingsuivi technologyLa technologie
174
483840
3656
Il va y avoir un nouveau système basé
sur des dispositifs de suivi
par la société logistique
pour laquelle je travaille.
08:19
from the logisticslogistique companycompagnie
that I work for.
175
487520
2040
08:22
With this newNouveau systemsystème,
there will be a dataLes données trailPiste,
176
490120
2336
Avec ce nouveau système,
les données sont tracées,
donc on connaît le moment exact
08:24
so you know exactlyexactement the momentmoment
177
492480
1456
08:25
when that mothermère and her childrenles enfants
walkmarche into the campcamp.
178
493960
2496
où cette mère et ses enfants
entrent dans le camp.
On peut aussi savoir
si elle va avoir des provisions
08:28
And even more, you know
if she's going to have suppliesProvisions
179
496480
2616
ce mois et le suivant.
08:31
this monthmois and the nextprochain.
180
499120
1256
La visibilité de l'information
entraîne l'efficacité.
08:32
InformationInformations visibilityvisibilité drivesdisques efficiencyEfficacité.
181
500400
3016
Pour les sociétés, utiliser la technologie
pour recueillir des données,
08:35
For companiesentreprises, usingen utilisant technologyLa technologie
to gatherrecueillir importantimportant dataLes données,
182
503440
3256
08:38
it's like breadpain and butterbeurre.
183
506720
1456
c'est la routine.
08:40
They'veIls ont been doing it for yearsannées,
184
508200
1576
Elles font ceci depuis des années
08:41
and it's led to majorMajeur
operationalopérationnel efficiencyEfficacité improvementsdes améliorations.
185
509800
3256
et ça a entraîné des améliorations
de l'efficacité opérationnelle.
08:45
Just try to imagineimaginer
your favoritepréféré beverageBeverage companycompagnie
186
513080
2360
Imaginez votre entreprise
de boissons préférée
essayant de planifier leur inventaire
08:48
tryingen essayant to planplan theirleur inventoryinventaire
187
516280
1576
et ne sachant pas combien de bouteilles
sont sur les étagères.
08:49
and not knowingconnaissance how manybeaucoup bottlesbouteilles
were on the shelvesétagères.
188
517880
2496
08:52
It's absurdabsurde.
189
520400
1216
C'est absurde.
08:53
DataDonnées drivesdisques better decisionsles décisions.
190
521640
1560
Des données entraînent
de meilleures décisions.
08:57
Now, if you're representingreprésentant a companycompagnie,
191
525800
2536
Si vous représentez une société,
09:00
and you're pragmaticpragmatique
and not just idealisticidéaliste,
192
528360
3136
si vous êtes pragmatique
et pas seulement idéaliste,
09:03
you mightpourrait be sayingen disant to yourselftoi même,
"OK, this is all great, MalloryMallory,
193
531520
3056
vous vous dites peut-être :
« Tout ça est très bien, Mallory,
mais pourquoi devrais-je m'engager ? »
09:06
but why should I want to be involvedimpliqué?"
194
534600
1840
09:09
Well for one thing, beyondau-delà the good PRPR,
195
537000
2816
En plus d'être bon pour l'image,
09:11
humanitarianhumanitaire aidaide
is a 24-billion-dollar-billion-dollar sectorsecteur,
196
539840
2776
l'aide humanitaire
est un secteur de 24 millions de dollars,
09:14
and there's over fivecinq billionmilliard people,
maybe your nextprochain customersles clients,
197
542640
3056
et plus de 5 millions de gens,
des clients potentiels,
qui habitent dans les pays
en développement.
09:17
that livevivre in the developingdéveloppement worldmonde.
198
545720
1816
De plus, les entreprises s'engageant
dans la philanthropie des données,
09:19
FurtherPlus loin, companiesentreprises that are engagingengageant
in dataLes données philanthropyphilanthropie,
199
547560
3096
09:22
they're findingdécouverte newNouveau insightsdes idées
lockedfermé à clef away in theirleur dataLes données.
200
550680
2976
trouvent de nouvelles idées
enfermées dans leurs données.
09:25
Take, for exampleExemple, a creditcrédit cardcarte companycompagnie
201
553680
2256
Prenez une société de cartes de crédit
09:27
that's openedouvert up a centercentre
202
555960
1336
qui ouvre un centre
09:29
that functionsles fonctions as a hubcentre for academicsuniversitaires,
for NGOsOrganisations non gouvernementales and governmentsGouvernements,
203
557320
3376
qui sert de hub pour les universitaires,
les ONG et les gouvernements
09:32
all workingtravail togetherensemble.
204
560720
1240
qui travaillent tous ensemble.
Ils étudient des informations
lors de chaque usage de carte
09:35
They're looking at informationinformation
in creditcrédit cardcarte swipesbalayages
205
563040
2736
et utilisent ceci pour trouver des données
sur comment les familles en Inde
09:37
and usingen utilisant that to find insightsdes idées
about how householdsménages in IndiaInde
206
565800
2976
09:40
livevivre, work, earnGagnez and spenddépenser.
207
568800
1720
vivent, travaillent, gagnent et dépensent.
09:43
For the humanitarianhumanitaire worldmonde,
this providesfournit informationinformation
208
571680
2576
Pour le monde humanitaire,
cela fournit des informations
09:46
about how you mightpourrait
bringapporter people out of povertyla pauvreté.
209
574280
2656
sur comment on peut
sortir les gens de la pauvreté.
09:48
But for companiesentreprises, it's providingfournir
insightsdes idées about your customersles clients
210
576960
3016
Mais pour les sociétés, cela fournit
des informations sur vos clients
09:52
and potentialpotentiel customersles clients in IndiaInde.
211
580000
2040
et clients potentiels en Inde.
09:54
It's a wingagner all around.
212
582760
1800
Tout le monde y gagne.
09:57
Now, for me, what I find
excitingpassionnant about dataLes données philanthropyphilanthropie --
213
585960
3776
Ce que je trouve excitant
concernant la philanthropie des données,
10:01
donatingfaire un don dataLes données, donatingfaire un don decisiondécision
scientistsscientifiques and donatingfaire un don technologyLa technologie --
214
589760
4336
-- le don de données, de scientifiques
décisionnels et de technologie --
c'est ce que ça signifie
pour des jeunes professionnels
10:06
it's what it meansveux dire
for youngJeune professionalsprofessionnels like me
215
594120
2376
10:08
who are choosingchoisir to work at companiesentreprises.
216
596520
1840
qui veulent de travailler
dans des sociétés.
10:10
StudiesÉtudes showmontrer that
the nextprochain generationgénération of the workforcela main d'oeuvre
217
598800
2656
Des études montrent que
les nouveaux travailleurs
10:13
carese soucier about havingayant theirleur work
make a biggerplus gros impactimpact.
218
601480
2560
veulent que leur travail
ait un plus grand effet.
10:16
We want to make a differencedifférence,
219
604920
2456
Nous voulons changer les choses,
10:19
and so throughpar dataLes données philanthropyphilanthropie,
220
607400
2416
et grâce à la philanthropie des données,
10:21
companiesentreprises can actuallyréellement help engageengager
and retainconserver theirleur decisiondécision scientistsscientifiques.
221
609840
3936
les sociétés peuvent aider à engager,
retenir leurs scientifiques décisionnels.
Et c'est un facteur important
pour une profession très sollicitée.
10:25
And that's a biggros dealtraiter for a professionmétier
that's in highhaute demanddemande.
222
613800
2880
10:29
DataDonnées philanthropyphilanthropie
makesfait du good businessEntreprise sensesens,
223
617840
3120
La philanthropie des données
fait sens commercialement
10:34
and it alsoaussi can help
revolutionizerévolutionner the humanitarianhumanitaire worldmonde.
224
622200
3280
et ça peut aussi aider
à révolutionner le monde humanitaire.
Si on coordonnait
l'organisation et la logistique
10:39
If we coordinatedcoordonné
the planningPlanification and logisticslogistique
225
627600
2096
10:41
acrossà travers all of the majorMajeur facetsfacettes
of a humanitarianhumanitaire operationopération,
226
629720
3376
à travers tout les facettes majeures
d'une opération humanitaire,
10:45
we could feedalimentation, clotheHabillez and shelterabri
hundredsdes centaines of thousandsmilliers more people,
227
633120
3600
on pourrait nourrir, habiller, héberger
des centaines de milliers de personnes.
10:49
and companiesentreprises need to stepétape up
and playjouer the rolerôle that I know they can
228
637440
4256
Les sociétés doivent se bouger
et jouer le rôle dont elles sont capables
10:53
in bringingapportant about this revolutionrévolution.
229
641720
1880
dans cette révolution.
Vous avez sans doute entendu l'expression
« nourriture pour la pensée ».
10:56
You've probablyProbablement heardentendu of the sayingen disant
"foodaliments for thought."
230
644720
2936
10:59
Well, this is literallyLittéralement thought for foodaliments.
231
647680
2240
Ici c'est vraiment
une pensée pour la nourriture.
11:03
It finallyenfin is the right ideaidée
at the right time.
232
651560
4136
C'est enfin la bonne idée
au bon moment.
11:07
(LaughterRires)
233
655720
1216
(Rires)
11:08
TrTRès magnifiquemagnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Merci.
11:11
(ApplauseApplaudissements)
236
659800
2851
(Applaudissements)
Translated by Catherine Dean
Reviewed by Morgane Quilfen

▲Back to top

ABOUT THE SPEAKER
Mallory Freeman - Data activist
UPS'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.

More profile about the speaker
Mallory Freeman | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee