TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: De gegevens van je bedrijf kunnen honger de wereld uithelpen.
Filmed:
Readability: 4.2
1,090,373 views
Misschien heeft je bedrijf ooit al eens geld gedoneerd om humanitaire problemen te helpen oplossen. Maar je kon eigenlijk iets nuttigers aanbieden: je informatie. Mallory Soldner toont ons hoe bedrijven uit de privésector kunnen bijdragen tot echte vooruitgang bij grote problemen -- van de vluchtelingencrisis tot de honger in de wereld -- door niet-aangeboorde informatie en besluitanalisten te doneren. Wat kan jouw bedrijf bijdragen?
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
In juni 2010
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
was ik voor het eerst in Rome, in Italië.
00:19
I wasn't there to sightsee.
2
7800
1896
Ik wou de stad niet bezichtigen;
00:21
I was there to solve world hunger.
3
9720
3120
ik wou honger de wereld uit helpen.
(Gelach)
00:25
(Laughter)
4
13160
2096
Echt waar.
00:27
That's right.
5
15280
1216
Ik was een 25-jarige doctoraatsstudent,
00:28
I was a 25-year-old PhD student
6
16520
2096
gewapend met een werktuigprototype,
ontwikkeld aan mijn universiteit.
ontwikkeld aan mijn universiteit.
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
Daarmee zou ik het 'World Food Programme'
helpen honger uit te roeien.
helpen honger uit te roeien.
00:37
So I strode into the headquarters building
9
25840
2736
Dus schreed ik het hoofdkwartier binnen
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
en liet mijn ogen glijden
langs de VN-vlaggen.
langs de VN-vlaggen.
00:43
and I smiled as I thought to myself,
11
31440
1960
Ik glimlachte en dacht bij mezelf:
00:46
"The engineer is here."
12
34840
1616
"De ingenieur is aangekomen."
00:48
(Laughter)
13
36480
2216
(Gelach)
00:50
Give me your data.
14
38720
1776
"Geef me jullie cijfers.
00:52
I'm going to optimize everything.
15
40520
2176
Ik zal alles optimaliseren."
00:54
(Laughter)
16
42720
1736
(Gelach)
"Waar is het voedsel
dat jullie gekocht hebben?
dat jullie gekocht hebben?
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
Waar moet het heen
en wanneer moet het aankomen?
en wanneer moet het aankomen?
En dan geef ik jullie de kortste,
snelste, goedkoopste en beste routes.
snelste, goedkoopste en beste routes.
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
01:03
best set of routes to take for the food.
20
51800
1936
01:05
We're going to save money,
21
53760
1496
We zullen geld besparen,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
we zullen vertragingen
en verstoringen mijden.
en verstoringen mijden.
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
En zo gaan we levens redden.
01:12
You're welcome.
24
60160
1216
Graag gedaan."
01:13
(Laughter)
25
61400
1696
(Gelach)
Ik dacht dat het twaalf maanden zou duren.
01:15
I thought it was going to take 12 months,
26
63120
1976
Oké, misschien zelfs dertien.
01:17
OK, maybe even 13.
27
65120
1560
01:19
This is not quite how it panned out.
28
67800
2280
Maar zo is het niet helemaal gegaan.
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
Na enkele maanden
vertelde mijn Franse baas me:
vertelde mijn Franse baas me:
01:27
"You know, Mallory,
30
75400
1816
"Weet je, Mallory,
01:29
it's a good idea,
31
77240
1656
het idee is goed,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
maar ik mis de gegevens
voor je algoritmen.
voor je algoritmen.
01:34
It's the right idea but at the wrong time,
33
82280
2536
Het idee is goed,
maar de timing is verkeerd.
maar de timing is verkeerd.
01:36
and the right idea at the wrong time
34
84840
2296
En het juiste idee op het verkeerde moment
01:39
is the wrong idea."
35
87160
1376
is een verkeerd idee."
01:40
(Laughter)
36
88560
1320
(Gelach)
01:42
Project over.
37
90960
1280
Project afgelopen.
01:45
I was crushed.
38
93120
1200
Ik was er kapot van.
01:49
When I look back now
39
97000
1456
Als ik er nu op terugkijk,
01:50
on that first summer in Rome
40
98480
1656
op die eerste zomer in Rome,
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
en ik zie hoeveel veranderd is
in de afgelopen zes jaar,
in de afgelopen zes jaar,
01:54
it is an absolute transformation.
42
102840
2240
dan is het een complete
omwenteling geweest.
omwenteling geweest.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
Men weet eindelijk data te gebruiken
in de wereld van de hulpverlening.
in de wereld van de hulpverlening.
02:02
It's exciting. It's inspiring.
44
110160
2656
Het is spannend.
Het is inspirerend.
Het is inspirerend.
02:04
But we're not there yet.
45
112840
1200
Maar we zijn er nog niet.
02:07
And brace yourself, executives,
46
115320
2296
En hou jullie vast, kaderleden,
02:09
because I'm going to be putting companies
47
117640
1976
want ik ga bedrijven op de rooster leggen
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
om ze de rol te doen spelen
die ze volgens mij kunnen spelen.
die ze volgens mij kunnen spelen.
02:17
My experiences back in Rome prove
49
125520
2816
Mijn ervaringen in Rome hebben bewezen
dat het gebruik van gegevens
mensenlevens kan redden.
mensenlevens kan redden.
02:20
using data you can save lives.
50
128360
2080
02:23
OK, not that first attempt,
51
131440
2456
Misschien dan niet met die eerste poging,
02:25
but eventually we got there.
52
133920
2576
maar we zijn er uiteindelijk toch geraakt.
02:28
Let me paint the picture for you.
53
136520
1736
Laat het me even schetsen.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Stel je voor dat je dagelijks 3 maaltijden
moet organiseren voor 500 000 mensen.
moet organiseren voor 500 000 mensen.
02:33
for 500,000 people,
55
141040
1616
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
En dat met een beperkt budget.
02:36
say 6.5 million dollars per month.
57
144840
2240
Laten we zeggen
6,5 miljoen dollar per maand.
6,5 miljoen dollar per maand.
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
Wat zou dan de beste manier zijn
om dat aan te pakken?
om dat aan te pakken?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Moet je rijst kopen?
Of tarwe, kikkererwten, olie?
Of tarwe, kikkererwten, olie?
02:47
How much?
60
155760
1216
En hoeveel?
02:49
It sounds simple. It's not.
61
157000
2136
Het klinkt simpel, maar dat is het niet.
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
Je moet vijf voedingswaren kiezen
uit een gamma van 30 producten.
uit een gamma van 30 producten.
Dat zijn al 140 000 mogelijke combinaties.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
02:57
Then for each food that you pick,
64
165840
1696
En voor ieder product dat je kiest,
02:59
you need to decide how much you'll buy,
65
167560
1976
moet je beslissen hoeveel je ervan koopt,
03:01
where you're going to get it from,
66
169560
1696
waar je het gaat kopen,
03:03
where you're going to store it,
67
171280
1480
waar je het gaat opslaan,
03:05
how long it's going to take to get there.
68
173760
1976
hoelang het zal duren
om het te leveren,
om het te leveren,
rekening houdend
met alle mogelijke transportroutes.
met alle mogelijke transportroutes.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Dan heb je al meer dan
900 miljoen mogelijkheden.
900 miljoen mogelijkheden.
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
Als je één seconde nadenkt
over iedere optie,
over iedere optie,
dan heb je 28 jaar nodig
om ze allemaal te overlopen.
om ze allemaal te overlopen.
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
900 miljoen opties.
03:18
900 million options.
73
186880
1520
Dus ontwikkelden we een werktuig
dat beleidsvormers in staat stelt
dat beleidsvormers in staat stelt
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
03:23
to weed through all 900 million options
75
191640
2616
om alle 900 miljoen opties te overlopen
in slechts enkele dagen.
in slechts enkele dagen.
03:26
in just a matter of days.
76
194280
1360
03:28
It turned out to be incredibly successful.
77
196560
2240
Het werd een geweldig succes.
03:31
In an operation in Iraq,
78
199400
1256
Tijdens een operatie in Irak
konden we 17% van de kosten besparen.
konden we 17% van de kosten besparen.
03:32
we saved 17 percent of the costs,
79
200680
2536
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
Dat betekende dat er zo'n 80 000 mensen
meer konden gevoed worden.
meer konden gevoed worden.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
Allemaal dankzij het gebruik
van gegevens en complexe modellen.
van gegevens en complexe modellen.
03:44
But we didn't do it alone.
82
212800
1280
Maar we werkten niet alleen.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
Ik mocht met een unieke afdeling
samenwerken in Rome.
samenwerken in Rome.
03:49
They believed in collaboration.
84
217600
1736
Ze geloofden in samenwerking.
03:51
They brought in the academic world.
85
219360
1696
Ze schakelden de hulp in van
de academische wereld en van bedrijven.
de academische wereld en van bedrijven.
03:53
They brought in companies.
86
221080
1280
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
Als je een grote vooruitgang wil boeken
in grote problemen zoals hongersnood,
in grote problemen zoals hongersnood,
03:58
we need everybody to the table.
88
226840
2560
dan moet iedereen mee aan tafel zitten.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
De gegevensverzamelaars
van de ngo's moeten voorop gaan.
van de ngo's moeten voorop gaan.
04:05
leading the way,
90
233000
1256
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
En ze moeten de banden onderhouden
met de academici en de overheden.
met de academici en de overheden.
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
Maar één groep heeft hun gewicht
nog niet in de schaal geworpen.
nog niet in de schaal geworpen.
Kun je raden wie?
De bedrijven.
De bedrijven.
04:14
Did you guess it? Companies.
94
242320
2096
Bedrijven kunnen een grote rol spelen
in het oplossen van grote wereldproblemen.
in het oplossen van grote wereldproblemen.
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
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Ik werk al twee jaar in de privésector.
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
Ik heb gezien wat bedrijven kunnen doen,
maar ook wat ze niet doen.
maar ook wat ze niet doen.
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
En ik denk dat er drie manieren zijn
om deze kloof te overbruggen.
om deze kloof te overbruggen.
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
Door gegevens te doneren,
door besluitanalisten te doneren
door besluitanalisten te doneren
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
en door technologie te doneren
die nieuwe gegevens verzamelen.
die nieuwe gegevens verzamelen.
04:37
This is data philanthropy,
101
265920
1576
Dat heet gegevensfilantropie.
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
Het is de toekomst van
sociaal verantwoord ondernemen.
sociaal verantwoord ondernemen.
04:43
Bonus, it also makes good business sense.
103
271160
2600
En het is ook commercieel interessant.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Bedrijven verzamelen tegenwoordig
een heleboel gegevens.
een heleboel gegevens.
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
Dus kunnen ze ook eens
deze gegevens doneren.
deze gegevens doneren.
04:52
Some companies are already doing it.
106
280946
2190
Sommige bedrijven doen dit al.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
Neem nu een groot telecombedrijf.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Ze stelden hun gegevens open
in Senegal en de Ivoorkust
in Senegal en de Ivoorkust
05:00
and researchers discovered
109
288400
1976
en wetenschappers ontdekten
dat de gsm-signalen weergeven
hoe mensen zich verplaatsen.
hoe mensen zich verplaatsen.
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
05:05
you can see where people are traveling.
111
293758
1938
05:07
And that can tell you things like
112
295720
2176
En hieruit kan je voorspellen
hoe malaria zich kan verspreiden.
hoe malaria zich kan verspreiden.
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
Daar kun je voorspellingen mee maken.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Of neem nu een innovatieve
satellietproducent.
satellietproducent.
05:15
They opened up their data and donated it,
115
303960
2016
Ze deelden hun gegevens met ons,
05:18
and with that data you could track
116
306000
1656
en hiermee konden we onderzoeken hoe
droogte de voedselproductie beïnvloedde.
droogte de voedselproductie beïnvloedde.
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
Zo kan je ontwikkelingshulp inschakelen
vóór er crisissen plaatsvinden.
vóór er crisissen plaatsvinden.
05:27
This is a great start.
119
315560
1280
Dat is een goed begin.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
Er schuilen belangrijke inzichten
in de gegevens van bedrijven.
in de gegevens van bedrijven.
05:34
And yes, you need to be very careful.
121
322480
1816
Maar je moet zeer voorzichtig zijn.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
Je moet de privacy respecteren,
door bijvoorbeeld de gegevens te coderen.
door bijvoorbeeld de gegevens te coderen.
05:39
But even if the floodgates opened up,
123
327920
2776
Maar zelfs al openden we al deze sluizen
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
en doneerden alle bedrijven
al hun gegevens
al hun gegevens
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
aan academici, ngo's
en humanitaire organisaties,
en humanitaire organisaties,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
dan zou dat nog niet volstaan
om ze te kunnen benutten
om ze te kunnen benutten
05:51
for humanitarian goals.
127
339560
1520
voor humanitaire doeleinden.
05:54
Why?
128
342320
1456
Waarom niet?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Om inzicht te krijgen in deze gegevens
heb je besluitanalisten nodig.
heb je besluitanalisten nodig.
05:59
Decision scientists are people like me.
130
347760
2576
Dat zijn mensen zoals ik.
Zij nemen gegevens, poetsen ze op,
06:02
They take the data, they clean it up,
131
350360
1816
en zetten ze om
in een bruikbaar algoritme
in een bruikbaar algoritme
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
dat het best geschikt is
om een bepaald probleem op te lossen.
om een bepaald probleem op te lossen.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
Er zijn er zo niet veel
in de wereld van de hulpverlening.
in de wereld van de hulpverlening.
06:13
Most of them work for companies.
135
361520
1640
De meesten werken in de bedrijfswereld.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
Dat is het tweede
wat bedrijven moeten doen.
wat bedrijven moeten doen.
Ze moeten hun gegevens delen,
maar ook hun besluitanalisten.
maar ook hun besluitanalisten.
06:19
In addition to donating their data,
137
367000
1696
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
Bedrijven zullen er niet happig op zijn
dat we hun besluitanalisten afpakken,
dat we hun besluitanalisten afpakken,
06:29
We need every spare second of their time."
140
377280
2040
ze hebben iedere seconde
van hun tijd nodig.
van hun tijd nodig.
06:32
But there's a way.
141
380360
1200
Maar er bestaat een oplossing.
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
Als een bedrijf wat van de tijd
van hun besluitanalisten zou doneren,
van hun besluitanalisten zou doneren,
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
dan zou het logischer zijn
dat men die tijd zou spreiden
dat men die tijd zou spreiden
over 'n langere periode,
bijvoorbeeld vijf jaar.
bijvoorbeeld vijf jaar.
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Dat kost misschien maar
enkele uren per maand.
enkele uren per maand.
06:47
which a company would hardly miss,
146
395680
2056
Het bedrijf zou dit amper missen.
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
Maar het creëert wel
langdurige samenwerkingen.
langdurige samenwerkingen.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
Door langdurige samenwerking
kan je relaties uitbouwen,
kan je relaties uitbouwen,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
gegevens door en door
analyseren en begrijpen,
analyseren en begrijpen,
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
en de behoeften en problemen begrijpen
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
waarmee een ngo wordt geconfronteerd.
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
Het World Food Programme
in Rome had hier vijf jaar voor nodig.
in Rome had hier vijf jaar voor nodig.
07:09
five years.
153
417560
1456
Vijf jaar.
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
De eerste drie jaren konden we
gewoon geen vooruitgang boeken.
gewoon geen vooruitgang boeken.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Maar de twee jaren daarop hebben we
ons werktuig verfijnd en toegepast,
ons werktuig verfijnd en toegepast,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
zoals in operaties in Irak
en op andere plaatsen.
en op andere plaatsen.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Dat is volgens mij
geen onhaalbare planning,
geen onhaalbare planning,
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
als je hiermee
wezenlijke veranderingen kunt doorvoeren.
wezenlijke veranderingen kunt doorvoeren.
07:26
It's an investment. It requires patience.
159
434400
2400
Het is een investering.
Je moet er geduldig voor zijn.
Je moet er geduldig voor zijn.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Maar je kunt er zeer goede
resultaten mee boeken.
resultaten mee boeken.
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
In ons geval konden we
duizenden mensen meer helpen.
duizenden mensen meer helpen.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
We hebben al gegevens
en besluitanalisten gedeeld.
en besluitanalisten gedeeld.
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
Maar bedrijven kunnen
op nog een derde manier helpen.
op nog een derde manier helpen.
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
Technologie doneren
en nieuwe gegevensbronnen ontdekken.
en nieuwe gegevensbronnen ontdekken.
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
Over veel factoren hebben we
nu nog geen informatie.
nu nog geen informatie.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Griekenland wordt overspoeld
door Syrische vluchtelingen.
door Syrische vluchtelingen.
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
En de vluchtelingenorganisatie van de VN
hebben nu al hun handen vol.
hebben nu al hun handen vol.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
Gegevens worden nu nog bijgehouden
met papier en potlood.
met papier en potlood.
08:04
and what that means is
169
472080
1256
Wanneer een moeder in een kamp
aankomt met haar vijf kinderen,
aankomt met haar vijf kinderen,
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
heeft het hoofdkwartier hier
totaal geen weet van.
totaal geen weet van.
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
Dankzij de samenwerking met de privésector
zal dit veranderen in de volgende weken.
zal dit veranderen in de volgende weken.
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
Er zal een systeem gelanceerd worden
op basis van nieuwe traceertechnologie
op basis van nieuwe traceertechnologie
van het transportbedrijf waarvoor ik werk.
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
Dat nieuwe systeem
kan dan de gegevens traceren,
kan dan de gegevens traceren,
zodat je altijd weet wanneer die moeder
en haar kinderen het kamp bereiken.
en haar kinderen het kamp bereiken.
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
En je weet altijd of er genoeg voorraad is
voor de komende maanden.
voor de komende maanden.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
08:31
this month and the next.
180
499120
1256
08:32
Information visibility drives efficiency.
181
500400
3016
Transparante informatie
leidt tot efficiëntie.
leidt tot efficiëntie.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Het gebruik van technologie
om informatie te verzamelen
om informatie te verzamelen
08:38
it's like bread and butter.
183
506720
1456
is kinderspel voor bedrijven.
08:40
They've been doing it for years,
184
508200
1576
Ze doen dit al jaren.
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
Het leidt tot grote verbeteringen
in de efficiëntie van een bedrijf.
in de efficiëntie van een bedrijf.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Stel dat je favoriete frisdrankmerk
08:48
trying to plan their inventory
187
516280
1576
zijn inventaris wil opstellen,
maar ze weten niet hoeveel flessen
er op de plank staan.
er op de plank staan.
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
Dat is absurd.
08:53
Data drives better decisions.
190
521640
1560
Informatie zorgt voor betere beslissingen.
08:57
Now, if you're representing a company,
191
525800
2536
Als je een bedrijf moet leiden, en je bent
pragmatisch en niet enkel idealistisch,
pragmatisch en niet enkel idealistisch,
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
dan denk je misschien wel
dat dit allemaal fantastisch klinkt,
dat dit allemaal fantastisch klinkt,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
maar waarom zou je willen meedoen?
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
Naast het feit dat het goed is voor je pr,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
gaat er zo'n 24 miljard dollar om
in de humanitaire hulpsector.
in de humanitaire hulpsector.
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
En je hebt wel zo'n vijf miljard
potentiële klanten
potentiële klanten
in de ontwikkelingslanden.
09:17
that live in the developing world.
198
545720
1816
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
Daarnaast ontdekken bedrijven
die hun gegevens delen
die hun gegevens delen
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
nieuwe inzichten verstopt in hun gegevens.
09:25
Take, for example, a credit card company
201
553680
2256
Neem nu bijvoorbeeld
een kredietkaartbedrijf
een kredietkaartbedrijf
09:27
that's opened up a center
202
555960
1336
dat academici, ngo's en overheden
samenbrengt, die dan samenwerken.
samenbrengt, die dan samenwerken.
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
09:32
all working together.
204
560720
1240
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Ze onderzoeken informatie
uit kredietkaartgegevens
uit kredietkaartgegevens
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
en daarmee proberen ze uit te zoeken
hoe Indische gezinnen leven en werken.
hoe Indische gezinnen leven en werken.
09:40
live, work, earn and spend.
207
568800
1720
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
Op deze manier kan de humanitaire
hulpverlening mensen uit de armoede halen
hulpverlening mensen uit de armoede halen
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
en kunnen bedrijven info
verzamelen over hun klanten
verzamelen over hun klanten
09:52
and potential customers in India.
211
580000
2040
en hun potentiële klanten in India.
09:54
It's a win all around.
212
582760
1800
Het is een win-winsituatie.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
Ik vind gegevensfilantropie echt geweldig:
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
het delen van gegevens,
besluitanalisten en technologie.
besluitanalisten en technologie.
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
Dat betekent veel voor jonge professionals
als ik, die voor bedrijven willen werken.
als ik, die voor bedrijven willen werken.
10:08
who are choosing to work at companies.
216
596520
1840
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Het is bewezen dat
de volgende generatie werknemers
de volgende generatie werknemers
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
wil dat hun werk een grotere impact heeft.
10:16
We want to make a difference,
219
604920
2456
We willen een verschil maken.
10:19
and so through data philanthropy,
220
607400
2416
Dankzij gegevensuitwisseling
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
kunnen bedrijven besluitanalisten
steunen en behouden.
steunen en behouden.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
En dat is zeer belangrijk
voor een beroep dat zo gegeerd is.
voor een beroep dat zo gegeerd is.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
Gegevensfilantropie is ook
commercieel zeer interessant.
commercieel zeer interessant.
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
En het kan de hulpverlening
ook revolutionair verbeteren.
ook revolutionair verbeteren.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Als we de planning en het transport
van de hulpverlening beter coördineren,
van de hulpverlening beter coördineren,
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
kunnen we honderdduizenden mensen meer
voorzien van kleding, voedsel en onderdak.
voorzien van kleding, voedsel en onderdak.
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
Bedrijven moeten de rol spelen
die ze volgens mij kunnen spelen
die ze volgens mij kunnen spelen
10:53
in bringing about this revolution.
229
641720
1880
in het tot stand brengen
van deze revolutie.
van deze revolutie.
Jullie kennen wel het gezegde
'voedsel voor de gedachtengang'.
'voedsel voor de gedachtengang'.
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
Dit is letterlijk
'gedachtengang voor voedsel'.
'gedachtengang voor voedsel'.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
Het is eindelijk het juiste idee
op het juiste moment.
op het juiste moment.
11:07
(Laughter)
233
655720
1216
(Gelach)
11:08
Très magnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Dankjewel.
11:11
(Applause)
236
659800
2851
(Applaus)
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