TED@UPS
Mallory Freeman: Your company's data could help end world hunger
מלורי סולדנר: הנתונים של החברה שלכם יכולים לסייע בפתרון בעיית הרעב בעולם
Filmed:
Readability: 4.2
1,090,373 views
יכול להיות שהחברה שלכם תרמה כסף לפתרון בעיות הומניטריות, אבל יש לכם משהו אפילו יותר מועיל להציע: הנתונים שלכם. מלורי סולדנר מראה לנו איך חברות במגזר הפרטי יכולות לעזור להביא להתקדמות אמיתית בהתמודדות עם בעיות גדולות – ממשבר הפליטים ועד לרעב עולמי –על ידי תרומת נתונים שלא נוצלו ומדענים העוסקים בתורת קבלת החלטות. מה יכולה החברה שלכם לתרום?
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
יוני 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
נחתתי בפעם הראשונה ברומא, איטליה.
00:19
I wasn't there to sightsee.
2
7800
1896
לא הגעתי לשם כתיירת.
00:21
I was there to solve world hunger.
3
9720
3120
הגעתי לשם כדי לפתור את הרעב בעולם.
00:25
(Laughter)
4
13160
2096
(צחוק)
00:27
That's right.
5
15280
1216
בדיוק כך.
00:28
I was a 25-year-old PhD student
6
16520
2096
הייתי תלמידת דוקטורט בת 25
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
חמושה באב-טיפוס של כלי
שפותח באוניברסיטה שלי
שפותח באוניברסיטה שלי
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
והתכוונתי לעזור לתוכנית המזון העולמית
לפתור את בעיית הרעב.
לפתור את בעיית הרעב.
00:37
So I strode into the headquarters building
9
25840
2736
אז צעדתי לתוך בניין המטה
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
ועיניי סרקו את שורת דגלי האו"ם,
00:43
and I smiled as I thought to myself,
11
31440
1960
וחייכתי כשחשבתי לעצמי,
00:46
"The engineer is here."
12
34840
1616
"המהנדסת כאן".
00:48
(Laughter)
13
36480
2216
(צחוק)
00:50
Give me your data.
14
38720
1776
תנו לי את הנתונים שלכם.
00:52
I'm going to optimize everything.
15
40520
2176
אני הולכת לייעל הכל.
00:54
(Laughter)
16
42720
1736
(צחוק)
00:56
Tell me the food that you've purchased,
17
44480
1896
ספרו לי מה המזון שרכשתם,
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
לאיפה הוא הולך ומתי הוא צריך להיות שם
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
ואגיד לכם מה הדרך הקצרה, המהירה, הזולה,
01:03
best set of routes to take for the food.
20
51800
1936
המסלול הטוב ביותר שיש לבחור עבור האוכל.
01:05
We're going to save money,
21
53760
1496
אנחנו הולכים לחסוך כסף,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
להימנע מעיכובים והפרעות,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
ובשורה התחתונה, אנחנו הולכים להציל חיים.
01:12
You're welcome.
24
60160
1216
העונג כולו שלי.
01:13
(Laughter)
25
61400
1696
(צחוק)
01:15
I thought it was going to take 12 months,
26
63120
1976
חשבתי שזה יקח 12 חודשים,
01:17
OK, maybe even 13.
27
65120
1560
אוקיי, אולי אפילו 13.
01:19
This is not quite how it panned out.
28
67800
2280
זה לא בדיוק איך שזה יצא.
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
לאחר כמה חודשים בפרוייקט,
המנהל הצרפתי שלי אמר לי
המנהל הצרפתי שלי אמר לי
01:27
"You know, Mallory,
30
75400
1816
"את יודעת, מלורי,
01:29
it's a good idea,
31
77240
1656
"זה רעיון מוצלח,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
"אבל הנתונים שאת צריכה לאלגוריתמים
שלך אינם שם.
שלך אינם שם.
01:34
It's the right idea but at the wrong time,
33
82280
2536
"זה הרעיון הנכון אבל בזמן הלא נכון,
01:36
and the right idea at the wrong time
34
84840
2296
"והרעיון הנכון בזמן הלא נכון
01:39
is the wrong idea."
35
87160
1376
"זה הרעיון הלא נכון."
01:40
(Laughter)
36
88560
1320
(צחוק)
01:42
Project over.
37
90960
1280
סוף הפרויקט.
01:45
I was crushed.
38
93120
1200
הייתי שבורה.
01:49
When I look back now
39
97000
1456
כשאני מסתכלת אחורה עכשיו
01:50
on that first summer in Rome
40
98480
1656
על אותו קיץ ראשון ברומא
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
ורואה עד כמה הדברים השתנו
במשך שש השנים האחרונות,
במשך שש השנים האחרונות,
01:54
it is an absolute transformation.
42
102840
2240
זה שינוי מוחלט.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
הגיע הזמן להביא נתונים
לתוך העולם ההומניטרי.
לתוך העולם ההומניטרי.
02:02
It's exciting. It's inspiring.
44
110160
2656
זה מרגש. זה מעורר השראה.
02:04
But we're not there yet.
45
112840
1200
אבל אנחנו עוד לא שם.
02:07
And brace yourself, executives,
46
115320
2296
והחזיקו חזק, מנהלים,
02:09
because I'm going to be putting companies
47
117640
1976
כי אני הולכת להושיב חברות
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
בכסא החם, כדי שיקומו וימלאו את
התפקיד שלדעתי הם מסוגלים למלא.
התפקיד שלדעתי הם מסוגלים למלא.
02:17
My experiences back in Rome prove
49
125520
2816
הניסיון שלי ברומא מוכיח
02:20
using data you can save lives.
50
128360
2080
שבשימוש בנתונים ניתן להציל חיים.
02:23
OK, not that first attempt,
51
131440
2456
אוקי, לא הניסיון הראשון ההוא,
02:25
but eventually we got there.
52
133920
2576
אבל בסופו של דבר הגענו לשם.
02:28
Let me paint the picture for you.
53
136520
1736
תנו לי לצייר לכם את התמונה.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
דמיינו שאתם צריכים לתכנן
ארוחת בוקר, צהריים וערב
ארוחת בוקר, צהריים וערב
02:33
for 500,000 people,
55
141040
1616
עבור 500,000 איש,
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
ויש לכם תקציב מסויים כדי לעשות את זה.
02:36
say 6.5 million dollars per month.
57
144840
2240
נגיד 6.5 מיליון דולר לחודש.
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
ובכן, מה תעשו?
מה הדרך הטובה ביותר להתמודד עם זה?
מה הדרך הטובה ביותר להתמודד עם זה?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
האם כדאי שתקנו אורז, חיטה, חומוס, שמן?
02:47
How much?
60
155760
1216
כמה?
02:49
It sounds simple. It's not.
61
157000
2136
זה נשמע פשוט. זה לא.
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
יש לכם 30 סוגי מזונות אפשריים
ואתם צריכים לבחור חמישה מהם.
ואתם צריכים לבחור חמישה מהם.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
זה כבר יותר מ-140,000 צירופים שונים.
02:57
Then for each food that you pick,
64
165840
1696
אחר כך, עבור כל מזון שאתם בוחרים,
02:59
you need to decide how much you'll buy,
65
167560
1976
אתם צריכים להחליט כמה ממנו לקנות,
03:01
where you're going to get it from,
66
169560
1696
מאיפה להשיג אותו,
03:03
where you're going to store it,
67
171280
1480
איפה לאחסן אותו,
03:05
how long it's going to take to get there.
68
173760
1976
כמה זמן יקח לו להגיע לשם.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
אתם גם צריכים לבחון את כל
מסלולי השינוע השונים.
מסלולי השינוע השונים.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
זה כבר מעל 900 מיליון אפשרויות.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
אם אתם שוקלים כל אפשרות במשך שניה אחת,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
יקח לכם יותר מעל 28 שנים לעבור על הכל.
03:18
900 million options.
73
186880
1520
900 מיליון אפשרויות.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
אז יצרנו כלי שאיפשר למקבלי החלטות
03:23
to weed through all 900 million options
75
191640
2616
לפלס שביל דרך כל 900 מיליון האפשרויות
03:26
in just a matter of days.
76
194280
1360
תוך ימים בודדים בלבד.
03:28
It turned out to be incredibly successful.
77
196560
2240
הסתבר שזה הצליח באופן בלתי יאמן.
03:31
In an operation in Iraq,
78
199400
1256
במבצע בעיראק,
03:32
we saved 17 percent of the costs,
79
200680
2536
חסכנו 17 אחוז מהעלויות,
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
וזה אומר שיכולנו להאכיל 80,000 איש נוספים.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
כל זה הודות לשימוש בנתונים
ובניית מודלים של מערכות מורכבות.
ובניית מודלים של מערכות מורכבות.
03:44
But we didn't do it alone.
82
212800
1280
אבל לא עשינו את זה לבדנו.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
ביחידה שאיתה עבדתי ברומא, הם היו ייחודיים.
03:49
They believed in collaboration.
84
217600
1736
הם האמינו בשיתוף פעולה.
03:51
They brought in the academic world.
85
219360
1696
הם הביאו את העולם האקדמי.
03:53
They brought in companies.
86
221080
1280
הם הביאו חברות.
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
ואם באמת אנחנו רוצים לעשות שינויים
בבעיות גדולות כמו רעב עולמי,
בבעיות גדולות כמו רעב עולמי,
03:58
we need everybody to the table.
88
226840
2560
אנחנו צריכים את כולם סביב השולחן.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
אנחנו צריכים את אנשי הנתונים
מאירגונים הומניטריים
מאירגונים הומניטריים
04:05
leading the way,
90
233000
1256
שיובילו את הדרך,
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
וינצחו על השידוך הנכון
04:08
with academics, with governments.
92
236880
1696
עם אנשי אקדמיה וממשלות.
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
יש קבוצה אחת שלא ממונפת בדרך
שהיא צריכה להיות.
שהיא צריכה להיות.
04:14
Did you guess it? Companies.
94
242320
2096
ניחשתם מי? חברות.
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
לחברות יש תפקיד מרכזי בתיקון הבעיות
הגדולות בעולמנו.
הגדולות בעולמנו.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
אני פועלת במגזר הפרטי, כבר שנתיים.
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
ראיתי מה חברות יכולות לעשות
וראיתי מה הן לא עושות,
וראיתי מה הן לא עושות,
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
ואני חושבת שיש שלוש דרכים עיקריות
שבאמצעותן אפשר לסגור את הפער:
שבאמצעותן אפשר לסגור את הפער:
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
על ידי תרומת נתונים, על ידי תרומת
מדענים המתמחים בקבלת החלטות
מדענים המתמחים בקבלת החלטות
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
ותרומת טכנולוגיה לאיסוף
מקורות נתונים חדשים.
מקורות נתונים חדשים.
04:37
This is data philanthropy,
101
265920
1576
זו נדבנות של נתונים.
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
וזה העתיד של אחריות חברתית תאגידית.
04:43
Bonus, it also makes good business sense.
103
271160
2600
כבונוס, זה גם הגיוני מבחינה עסקית.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
חברות היום אוספות הררי נתונים,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
אז הדבר הראשון שהן יכולות לעשות
זה לתרום את הנתונים האלו.
זה לתרום את הנתונים האלו.
04:52
Some companies are already doing it.
106
280946
2190
חברות אחדות כבר עושות את זה.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
קחו למשל חברת תקשורת גדולה.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
הם פתחו את מאגר הנתונים שלהם
בסנגל ובחוף השנהב
בסנגל ובחוף השנהב
05:00
and researchers discovered
109
288400
1976
והחוקרים גילו
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
שאם אתם מסתכלים על התבניות של הפינגים
לעמודי הטלפונים הניידים,
לעמודי הטלפונים הניידים,
05:05
you can see where people are traveling.
111
293758
1938
אתם יכולים לראות לאן אנשים נוסעים.
05:07
And that can tell you things like
112
295720
2176
וזה יכול לומר לכם דברים כמו
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
איפה המלריה עלולה להתפשט
ואתם יכולים לבנות עם זה תחזיות.
ואתם יכולים לבנות עם זה תחזיות.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
או קחו למשל חברת לוויינים חדשנית.
05:15
They opened up their data and donated it,
115
303960
2016
הם פתחו ותרמו את הנתונים שלהם
05:18
and with that data you could track
116
306000
1656
ובאמצעותם אתם יכולים לעקוב
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
איך בצורות משפיעות על ייצור מזון.
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
כך אפשר להתניע מימון לסיוע
לפני שהמשבר פורץ.
לפני שהמשבר פורץ.
05:27
This is a great start.
119
315560
1280
זאת התחלה נהדרת.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
יש תובנות חשובות שנעולות בנתונים של חברות.
05:34
And yes, you need to be very careful.
121
322480
1816
וכן, אתם צריכים להיות מאד זהירים.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
אתם צריכים לכבד ענייני פרטיות,
למשל על ידי הפיכת הנתונים לאנונימיים.
למשל על ידי הפיכת הנתונים לאנונימיים.
05:39
But even if the floodgates opened up,
123
327920
2776
אבל אפילו אם שערי שמיים היו נפתחים,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
וכל החברות היו תורמות את הנתונים שלהם
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
לאנשי אקדמיה, לחברות לא ממשלתיות,
לאירגוני סיוע הומניטריים,
לאירגוני סיוע הומניטריים,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
לא היה מספיק לרתום את כל שפע הנתונים
05:51
for humanitarian goals.
127
339560
1520
למטרות הומניטריות.
05:54
Why?
128
342320
1456
למה?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
כדי להוציא תובנות מנתונים,
צריך מדענים שמתמחים בקבלת החלטות.
צריך מדענים שמתמחים בקבלת החלטות.
05:59
Decision scientists are people like me.
130
347760
2576
מדענים אלו הם אנשים כמוני.
06:02
They take the data, they clean it up,
131
350360
1816
הם לוקחים את הנתונים, מנקים,
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
משנים ומזינים אותם לתוך אלגוריתם שימושי
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
שהוא הבחירה הטובה ביותר לטיפול
בצורך העיסקי שעל הפרק.
בצורך העיסקי שעל הפרק.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
בעולם הסיוע ההומניטרי,
יש מעט מאד מדעני החלטות.
יש מעט מאד מדעני החלטות.
06:13
Most of them work for companies.
135
361520
1640
רובם עובדים עבור חברות.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
לכן זה הדבר השני שחברות צריכות לעשות.
06:19
In addition to donating their data,
137
367000
1696
בנוסף לתרומת הנתונים שלהם,
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
הם צריכים לתרום את מדעני ההחלטות שלהם.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
עכשיו, חברות יגידו
"אל תיקחו את המדענים האלה מאיתנו.
"אל תיקחו את המדענים האלה מאיתנו.
06:29
We need every spare second of their time."
140
377280
2040
"אנחנו צריכים כל שניה מזמנם".
06:32
But there's a way.
141
380360
1200
אבל יש דרך.
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
אם חברה תתרום כמות מסויימת של זמן-מדענים,
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
יהיה למעשה הגיון רב יותר בפריסת הזמן הזה
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
לאורך תקופה ארוכה, למשל חמש שנים.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
זה בסך הכל יסתכם בכמה שעות בכל חודש,
06:47
which a company would hardly miss,
146
395680
2056
שחברה תרגיש בקושי בחסרונן,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
אבל זה יאפשר משהו באמת חשוב:
שותפות ארוכת-טווח.
שותפות ארוכת-טווח.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
שותפות ארוכת-טווח מאפשרת לכם לבנות יחסים,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
להכיר את הנתונים, באמת להבין אותם
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
ולהתחיל להבין את הצרכים והאתגרים
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
שאירגון הסיוע ההומניטרי מתמודד מולם.
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
ברומא, בתוכנית המזון העולמית,
לקח לנו חמש שנים לעשות את זה,
לקח לנו חמש שנים לעשות את זה,
07:09
five years.
153
417560
1456
חמש שנים.
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
שלוש השנים הראשונות שהיו
רק עבור מה שלא הצלחנו לפתור.
רק עבור מה שלא הצלחנו לפתור.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
אחר כך היו שנתיים של ליטוש וישום של הכלי,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
כמו במבצעים בעיראק ובמדינות אחרות.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
אני לא חושבת שזה לוח זמנים בלתי מציאותי
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
כשזה נוגע לשימוש בנתונים
כדי לעשות שינויים תפעוליים.
כדי לעשות שינויים תפעוליים.
07:26
It's an investment. It requires patience.
159
434400
2400
זאת השקעה. זה דורש סבלנות.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
אבל לא ניתן להתכחש לתוצאות שאפשר לקבל.
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
במקרה שלנו, זאת היתה היכולת
להאכיל עשרות אלפי אנשים נוספים.
להאכיל עשרות אלפי אנשים נוספים.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
אז יש לנו תרומת נתונים,
תרומת מדעני החלטות
תרומת מדעני החלטות
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
ויש למעשה דרך שלישית
שבה חברות יכולות לסייע:
שבה חברות יכולות לסייע:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
תרומת טכנולוגיה לאיסוף
מקורות נתונים חדשים.
מקורות נתונים חדשים.
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
תראו, יש לנו הרבה דברים
שאין לנו נתונים לגביהם.
שאין לנו נתונים לגביהם.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
נכון לעכשיו, פליטים סוריים מציפים את יוון,
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
וסוכנות הפליטים של האו"ם עמוסה מעל הראש.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
המערכת הנוכחית לניטור אנשים
היא נייר ועיפרון
היא נייר ועיפרון
08:04
and what that means is
169
472080
1256
ומה שזה אומר הוא
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
שכשאמא וחמשת הילדים שלה צועדים לתוך המחנה,
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
המטה למעשה עיוור לגבי הרגע הזה.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
כל זה הולך להשתנות בשבועות הקרובים,
08:13
thanks to private sector collaboration.
173
481280
1880
תודות לשיתוף פעולה עם המגזר הפרטי.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
תהיה מערכת חדשה שמבוססת על
טכנולוגיית ניטור חבילות שנתרמה
טכנולוגיית ניטור חבילות שנתרמה
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
על ידי חברת הלוגיסטיקה שאני עובדת עבורה.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
בעזרת המערכת החדשה הזאת יהיה נתיב מידע,
08:24
so you know exactly the moment
177
492480
1456
כך שתדעו במדויק מה הרגע
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
בו האם וילדיה צועדים לתוך המחנה.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
ויותר מכך, תדעו אם היא תקבל אספקה
08:31
this month and the next.
180
499120
1256
בחודש הזה, ובזה שאחריו.
08:32
Information visibility drives efficiency.
181
500400
3016
ניראות של מידע מניעה יעילות.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
עבור חברות, שימוש בטכנולוגיה
לאיסוף נתונים חשובים
לאיסוף נתונים חשובים
08:38
it's like bread and butter.
183
506720
1456
הוא לחם חוקם.
08:40
They've been doing it for years,
184
508200
1576
הם עשו את זה במשך שנים
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
וזה הביא לשיפורים תיפעוליים גדולים.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
דמיינו את חברת המשקאות המועדפת עליכם
08:48
trying to plan their inventory
187
516280
1576
מנסה לתכנן את המלאי שלה
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
מבלי לדעת כמה בקבוקים יש על המדפים.
08:52
It's absurd.
189
520400
1216
זה מגוחך.
08:53
Data drives better decisions.
190
521640
1560
נתונים מובילים להחלטות טובות יותר.
08:57
Now, if you're representing a company,
191
525800
2536
עכשיו, אם אתם מייצגים חברה
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
ואתם מעשיים ולא רק אידאליסטים,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
אתם עשויים לומר לעצמכם,
"אוקי, כל זה טוב ויפה, מלורי,
"אוקי, כל זה טוב ויפה, מלורי,
09:06
but why should I want to be involved?"
194
534600
1840
"אבל למה שנרצה להיות מעורבים?"
09:09
Well for one thing, beyond the good PR,
195
537000
2816
דבר ראשון, מעבר ליחסי ציבור טובים,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
סיוע הומניטרי זה שוק של 24 מיליארד דולרים
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
ויש בו מעל 5 מיליארד אנשים,
שהם אולי הלקוחות הבאים שלכם,
שהם אולי הלקוחות הבאים שלכם,
09:17
that live in the developing world.
198
545720
1816
שחיים בעולם המתפתח.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
בנוסף, חברות שמעורבות בתרומת נתונים,
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
מוצאות תובנות חדשות שנעולות בנתונים שלהם.
09:25
Take, for example, a credit card company
201
553680
2256
קחו למשל, חברת אשראי
09:27
that's opened up a center
202
555960
1336
שפתחה מרכז
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
שמתפקד כמרכז פעילות לאנשי אקדמיה,
לחברות לא ממשלתיות וממשלות,
לחברות לא ממשלתיות וממשלות,
09:32
all working together.
204
560720
1240
שעובדים יחד.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
הם מסתכלים על מידע בעסקאות אשראי
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
ומשתמשים בו כדי למצוא תובנות
איך בתי אב בהודו
איך בתי אב בהודו
09:40
live, work, earn and spend.
207
568800
1720
חיים, עובדים, משתכרים ומוציאים.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
עבור עולם הסיוע ההומניטרי זה מספק נתונים
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
לאופן שבו אפשר להוציא אנשים ממעגל העוני.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
אבל עבור חברות, זה מספק תובנות
על הלקוחות שלהם
על הלקוחות שלהם
09:52
and potential customers in India.
211
580000
2040
ולקוחות פוטנציאלים בהודו.
09:54
It's a win all around.
212
582760
1800
זה משתלם מכל הכיוונים.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
עכשיו, עבורי, מה שמרגש אותי
בתרומת נתונים –
בתרומת נתונים –
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
תרומת נתונים, מדעני החלטות וטכנולוגיה –
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
זו המשמעות של זה עבור
אנשי מקצוע צעירים כמוני
אנשי מקצוע צעירים כמוני
10:08
who are choosing to work at companies.
216
596520
1840
שבוחרים לעבוד בחברות.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
מחקרים מראים שלדור הבא בכוח העבודה
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
אכפת שהעבודה שלהם תשאיר חותם גדול יותר.
10:16
We want to make a difference,
219
604920
2456
אנחנו רוצים לחולל שינוי,
10:19
and so through data philanthropy,
220
607400
2416
ולכן דרך תרומת נתונים,
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
חברות יכולות לשפר את מעורבות ושימור
מדעני קבלת ההחלטות שלהם.
מדעני קבלת ההחלטות שלהם.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
וזה עניין רציני במקצוע שיש לו דרישה גבוהה.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
תרומת נתונים היא שיקול עיסקי נכון
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
והיא גם יכולה לעזור לחולל מהפכה
בעולם הסיוע ההומניטרי.
בעולם הסיוע ההומניטרי.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
אם היינו מתאמים את התיכנון והלוגיסטיקה
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
בכל ההיבטים העיקריים של מבצעי הסיוע,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
היינו יכולים להאכיל, להלביש ולתת מחסה
למאות אלפי אנשים נוספים,
למאות אלפי אנשים נוספים,
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
וחברות צריכות לקום ולמלא
את התפקיד שאני יודעת שהן יכולות
את התפקיד שאני יודעת שהן יכולות
10:53
in bringing about this revolution.
229
641720
1880
במימוש המהפכה הזאת.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
בטח שמעתם את הביטוי "מזון למחשבה".
10:59
Well, this is literally thought for food.
231
647680
2240
ובכן, זה בעצם מחשבה למזון.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
סוף סוף, זה הרעיון הנכון בזמן הנכון.
11:07
(Laughter)
233
655720
1216
(צחוק)
11:08
Très magnifique.
234
656960
1576
טרה מגניפיק.
11:10
Thank you.
235
658560
1216
תודה לכם.
11:11
(Applause)
236
659800
2851
(מחיאות כפיים)
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