TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: Os dados da vossa empresa podem acabar com a fome no mundo
Filmed:
Readability: 4.2
1,090,373 views
Talvez a vossa empresa já tenha doado dinheiro para ajudar a resolver problemas humanitários, mas ela poderá ter algo ainda mais útil para oferecer: os vossos dados. Mallory Soldner mostra-nos como empresas privadas podem ajudar para acelerar a resolução de grandes desafios — da crise de refugiados à fome mundial — através da doação de dados e cientistas de dados. Com que poderá a vossa empresa contribuir?
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
Junho de 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
Aterrei pela primeira vez em Roma, Itália.
00:19
I wasn't there to sightsee.
2
7800
1896
Não estava lá para fazer turismo.
00:21
I was there to solve world hunger.
3
9720
3120
Estava lá para acabar com a fome no mundo.
00:25
(Laughter)
4
13160
2096
(Risos)
00:27
That's right.
5
15280
1216
É verdade.
Era uma aluna de doutoramento com 25 anos,
00:28
I was a 25-year-old PhD student
6
16520
2096
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
armada com um protótipo
desenvolvido na minha universidade,
desenvolvido na minha universidade,
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
e ia ajudar o Programa Alimentar Mundial
a acabar com a fome.
a acabar com a fome.
00:37
So I strode into the headquarters building
9
25840
2736
Entrei decidida no edifício da sede
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
e observei a fila de bandeiras
das Nações Unidas,
das Nações Unidas,
00:43
and I smiled as I thought to myself,
11
31440
1960
enquanto sorria para mim mesma e pensava:
00:46
"The engineer is here."
12
34840
1616
"A engenheira chegou."
00:48
(Laughter)
13
36480
2216
(Risos)
00:50
Give me your data.
14
38720
1776
Deem-me os vossos dados.
00:52
I'm going to optimize everything.
15
40520
2176
Eu vou otimizar tudo!
00:54
(Laughter)
16
42720
1736
(Risos)
00:56
Tell me the food that you've purchased,
17
44480
1896
Digam-me que comida compraram,
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
para onde a vão enviar
e quando tem de chegar lá,
e quando tem de chegar lá,
e eu mostrar-vos-ei o caminho
mais curto, rápido e barato,
mais curto, rápido e barato,
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
a rota ideal para fazer chegar a comida.
01:05
We're going to save money,
21
53760
1496
Iremos poupar dinheiro,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
iremos evitar atrasos e perturbações,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
e, acima de tudo,
iremos salvar vidas.
iremos salvar vidas.
Não precisam de agradecer.
01:12
You're welcome.
24
60160
1216
01:13
(Laughter)
25
61400
1696
(Risos)
01:15
I thought it was going to take 12 months,
26
63120
1976
Eu pensava que iria demorar 12 meses,
01:17
OK, maybe even 13.
27
65120
1560
bem, talvez uns 13 meses.
01:19
This is not quite how it panned out.
28
67800
2280
Não foi bem assim que aconteceu.
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
Alguns meses após o início do projeto,
o meu chefe francês disse-me:
o meu chefe francês disse-me:
01:27
"You know, Mallory,
30
75400
1816
"Sabes, Mallory,
01:29
it's a good idea,
31
77240
1656
"é uma ideia boa,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
"mas os dados que precisas
para os teus algoritmos não existem.
para os teus algoritmos não existem.
01:34
It's the right idea but at the wrong time,
33
82280
2536
"É a ideia certa mas na altura errada,
01:36
and the right idea at the wrong time
34
84840
2296
"e a ideia certa na altura errada
01:39
is the wrong idea."
35
87160
1376
"é a ideia errada."
01:40
(Laughter)
36
88560
1320
(Risos)
01:42
Project over.
37
90960
1280
Fim do projeto.
01:45
I was crushed.
38
93120
1200
Fiquei arrasada.
01:49
When I look back now
39
97000
1456
Agora, quando olho para trás,
01:50
on that first summer in Rome
40
98480
1656
para esse primeiro verão em Roma,
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
e vejo o quanto mudou
nos últimos seis anos,
nos últimos seis anos,
01:54
it is an absolute transformation.
42
102840
2240
percebo que foi uma grande mudança.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
A utilização de dados no mundo humanitário
está agora a amadurecer.
está agora a amadurecer.
02:02
It's exciting. It's inspiring.
44
110160
2656
É entusiasmante. É inspirador.
02:04
But we're not there yet.
45
112840
1200
Mas ainda não chegámos lá.
02:07
And brace yourself, executives,
46
115320
2296
Executivos, preparem-se,
02:09
because I'm going to be putting companies
47
117640
1976
porque eu vou pôr empresas na berlinda,
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
para que avancem e desempenhem o papel
que eu sei que podem desempenhar.
que eu sei que podem desempenhar.
02:17
My experiences back in Rome prove
49
125520
2816
As minhas experiências em Roma
provam que podemos salvar
vidas usando dados.
vidas usando dados.
02:20
using data you can save lives.
50
128360
2080
02:23
OK, not that first attempt,
51
131440
2456
Está bem, não nessa primeira tentativa,
02:25
but eventually we got there.
52
133920
2576
mas acabámos por chegar lá.
02:28
Let me paint the picture for you.
53
136520
1736
Deixem-me explicar-vos melhor.
Imaginem que têm de planear
pequeno-almoço, almoço e jantar
pequeno-almoço, almoço e jantar
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
02:33
for 500,000 people,
55
141040
1616
para 500 mil pessoas,
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
e só têm um dado orçamento para o fazer,
02:36
say 6.5 million dollars per month.
57
144840
2240
por exemplo 6,5 milhões
de dólares por mês.
de dólares por mês.
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
Bem, o que deveriam fazer?
Qual a melhor forma de lidar com isto?
Qual a melhor forma de lidar com isto?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Deviam comprar arroz, cereais,
grão-de-bico, azeite?
grão-de-bico, azeite?
02:47
How much?
60
155760
1216
Quanto?
02:49
It sounds simple. It's not.
61
157000
2136
Parece simples, mas não é.
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
Têm 30 alimentos possíveis,
e só podem escolher cinco.
e só podem escolher cinco.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
Já temos mais de 140 mil
combinações diferentes.
combinações diferentes.
02:57
Then for each food that you pick,
64
165840
1696
Depois, por cada alimento escolhido,
02:59
you need to decide how much you'll buy,
65
167560
1976
terão de decidir
que quantidade irão comprar,
que quantidade irão comprar,
03:01
where you're going to get it from,
66
169560
1696
onde o vão comprar,
03:03
where you're going to store it,
67
171280
1480
onde o vão armazenar
e quanto tempo demorará
a chegar ao destino.
a chegar ao destino.
03:05
how long it's going to take to get there.
68
173760
1976
Também precisam de analisar
as rotas de transporte possíveis.
as rotas de transporte possíveis.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Já são mais de 900 milhões de opções.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
Se considerassem cada opção
por um mero segundo,
por um mero segundo,
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
levariam mais de 28 anos
para todas as opções.
para todas as opções.
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
03:18
900 million options.
73
186880
1520
900 milhões de opções!
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Então criámos uma ferramenta
que permitia aos executivos
que permitia aos executivos
03:23
to weed through all 900 million options
75
191640
2616
analisar os 900 milhões de opções
03:26
in just a matter of days.
76
194280
1360
em apenas alguns dias.
03:28
It turned out to be incredibly successful.
77
196560
2240
Foi incrivelmente bem-sucedida.
03:31
In an operation in Iraq,
78
199400
1256
Numa operação no Iraque,
03:32
we saved 17 percent of the costs,
79
200680
2536
conseguimos poupar 17% da despesa,
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
o que permitiu alimentar
mais 80 mil pessoas.
mais 80 mil pessoas.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
Tudo graças à utilização de dados
e modelação de sistemas complexos.
e modelação de sistemas complexos.
03:44
But we didn't do it alone.
82
212800
1280
Mas não estávamos sozinhos.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
As pessoas com que trabalhei
em Roma eram únicas.
em Roma eram únicas.
03:49
They believed in collaboration.
84
217600
1736
Acreditavam na colaboração.
03:51
They brought in the academic world.
85
219360
1696
Chamaram o mundo académico,
chamaram empresas.
chamaram empresas.
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
E se queremos grandes mudanças
em grandes problemas, como a fome mundial,
em grandes problemas, como a fome mundial,
03:58
we need everybody to the table.
88
226840
2560
então precisamos da ajuda de todos.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Precisamos das pessoas com os dados
nas organizações humanitárias
nas organizações humanitárias
04:05
leading the way,
90
233000
1256
para indicar o caminho
e coordenar o envolvimento e colaboração
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
04:08
with academics, with governments.
92
236880
1696
com universidades e com governos.
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
Há um grupo que não participa tanto
quanto deveria participar.
quanto deveria participar.
Adivinharam qual é? As empresas.
04:14
Did you guess it? Companies.
94
242320
2096
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
As empresas têm um papel fundamental
na solução de grandes problemas mundiais.
na solução de grandes problemas mundiais.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Estou no setor privado há dois anos.
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
Tenho visto o que as empresas podem fazer,
e o que não estão a fazer,
e o que não estão a fazer,
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
e acho que há três modos fundamentais
de preencher esta lacuna:
de preencher esta lacuna:
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
doando dados, doando cientistas
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
e doando a tecnologia necessária
para recolher novas fontes de dados.
para recolher novas fontes de dados.
04:37
This is data philanthropy,
101
265920
1576
Chama-se filantropia de dados,
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
e é o futuro da responsabilidade
social das empresas.
social das empresas.
04:43
Bonus, it also makes good business sense.
103
271160
2600
E ainda por cima é bom para o negócio.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
As empresas de hoje em dia
colecionam montanhas de dados.
colecionam montanhas de dados.
A primeira coisa que podem fazer
é doar esses dados.
é doar esses dados.
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
04:52
Some companies are already doing it.
106
280946
2190
Algumas empresas já o fazem.
Por exemplo, uma grande
empresa de telecomunicações.
empresa de telecomunicações.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Deram acesso aos seus dados
em Senegal e na Costa do Marfim,
em Senegal e na Costa do Marfim,
05:00
and researchers discovered
109
288400
1976
e os investigadores descobriram
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
que, se olharmos para os padrões
dos sinais das torres telefónicas,
dos sinais das torres telefónicas,
05:05
you can see where people are traveling.
111
293758
1938
conseguimos seguir
a deslocação das pessoas.
a deslocação das pessoas.
05:07
And that can tell you things like
112
295720
2176
E com isso podemos ver, por exemplo,
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
para onde a malária poderá espalhar-se,
e fazer previsões com isso.
e fazer previsões com isso.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Ou, por exemplo, o caso
de uma empresa inovadora de satélites.
de uma empresa inovadora de satélites.
05:15
They opened up their data and donated it,
115
303960
2016
Disponibilizaram e doaram os seus dados,
05:18
and with that data you could track
116
306000
1656
com os quais podíamos acompanhar
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
o impacto das secas na produção alimentar.
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
Desta forma podemos ativar
fundos de ajuda antes de a crise ocorrer.
fundos de ajuda antes de a crise ocorrer.
05:27
This is a great start.
119
315560
1280
É um ótimo começo.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
Existem informações importantes
nos dados das empresas.
nos dados das empresas.
05:34
And yes, you need to be very careful.
121
322480
1816
Claro, é preciso sermos cuidadosos.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
É preciso respeitar a privacidade,
por exemplo mantendo
o anonimato dos dados.
o anonimato dos dados.
05:39
But even if the floodgates opened up,
123
327920
2776
Mas mesmo que abrissem as comportas,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
e todas as empresas deixassem
passar os seus dados
passar os seus dados
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
para académicos, ONGs,
organizações humanitárias,
organizações humanitárias,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
tal não seria suficiente para aproveitar
todo o potencial humanitário destes dados.
todo o potencial humanitário destes dados.
05:51
for humanitarian goals.
127
339560
1520
05:54
Why?
128
342320
1456
Porquê?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Para retirar conclusões,
precisamos dos cientistas de dados.
precisamos dos cientistas de dados.
05:59
Decision scientists are people like me.
130
347760
2576
São pessoas como eu.
06:02
They take the data, they clean it up,
131
350360
1816
Pegam nos dados, filtram-nos
e transformam-nos para serem
introduzidos num algoritmo otimizado
introduzidos num algoritmo otimizado
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
para resolver uma dada
necessidade de negócio.
necessidade de negócio.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
No mundo da ajuda humanitária,
há muito poucos cientistas de dados.
há muito poucos cientistas de dados.
06:13
Most of them work for companies.
135
361520
1640
A maioria trabalha para empresas.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
Eis a segunda coisa
que as empresas têm de fazer.
que as empresas têm de fazer.
Para além de doarem os seus dados,
06:19
In addition to donating their data,
137
367000
1696
precisam de doar os cientistas de dados.
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
A isto as empresas responderão: "Oh não!
Não levem os nossos cientistas de dados.
Não levem os nossos cientistas de dados.
06:29
We need every spare second of their time."
140
377280
2040
"Precisamos de cada segundo
do seu tempo."
do seu tempo."
06:32
But there's a way.
141
380360
1200
Mas há uma solução.
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
Se uma empresa quisesse doar
parte do tempo de um cientista de dados,
parte do tempo de um cientista de dados,
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
faria muito mais sentido distribuir
essa quota do seu tempo
essa quota do seu tempo
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
por um longo período,
por exemplo cinco anos.
por exemplo cinco anos.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Isto traduzir-se-á numas
poucas horas por mês,
poucas horas por mês,
06:47
which a company would hardly miss,
146
395680
2056
que não fariam falta à empresa,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
mas que permitem algo muito importante:
parcerias a longo-prazo.
parcerias a longo-prazo.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
As parcerias de longo-prazo
permitem estabelecer relações,
permitem estabelecer relações,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
conhecer melhor os dados,
compreendê-los realmente,
compreendê-los realmente,
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
e começar a perceber
as necessidades e desafios
as necessidades e desafios
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
que uma organização humanitária enfrenta.
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
No Programa Alimentar Mundial em Roma
precisámos de cinco anos para tal.
precisámos de cinco anos para tal.
07:09
five years.
153
417560
1456
Cinco anos!
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
Os primeiros três anos, bem,
foi o que não conseguimos resolver.
foi o que não conseguimos resolver.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Os dois anos seguintes foram para
aperfeiçoar e implementar a ferramenta,
aperfeiçoar e implementar a ferramenta,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
tal como nas operações no Iraque
e noutros países.
e noutros países.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Não me parece um período
de tempo irrealista,
de tempo irrealista,
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
no que toca a usar dados
para fazer mudanças operacionais.
para fazer mudanças operacionais.
07:26
It's an investment. It requires patience.
159
434400
2400
É um investimento. Requer paciência.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Mas os tipos de resultados
que se conseguem são inegáveis.
que se conseguem são inegáveis.
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
Para nós, foi poder alimentar
mais dezenas de milhares de pessoas.
mais dezenas de milhares de pessoas.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Portanto, temos dados para doar
e cientistas de dados para doar,
e cientistas de dados para doar,
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
e há ainda mais uma forma
de as empresas ajudarem:
de as empresas ajudarem:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
doando tecnologia para adquirir
novas fontes de dados.
novas fontes de dados.
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
Sabem, faltam-nos dados
para muitas coisas.
para muitas coisas.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Neste momento, refugiados da Síria
estão a afluir em massa para a Grécia
estão a afluir em massa para a Grécia
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
e a agência da ONU para refugiados
está cheia de trabalho.
está cheia de trabalho.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
O sistema atual para localizar pessoas
é feito com papel e lápis,
é feito com papel e lápis,
08:04
and what that means is
169
472080
1256
portanto quando mãe e cinco filhos
entram num campo de refugiados
entram num campo de refugiados
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
os serviços centrais
não tomam conhecimento.
não tomam conhecimento.
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
Tudo isto mudará nas próximas semanas,
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
graças à colaboração do setor privado.
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
Haverá um novo sistema baseado
em tecnologia de localização de embalagens
em tecnologia de localização de embalagens
doada pela empresa de logística
na qual trabalho.
na qual trabalho.
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
Com este novo sistema,
haverá um rasto de dados,
haverá um rasto de dados,
e saberemos quando a mãe e seus filhos
entraram no campo de refugiados.
entraram no campo de refugiados.
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
E, além disto, saberemos
se ela terá mantimentos
se ela terá mantimentos
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
neste mês e no próximo.
08:31
this month and the next.
180
499120
1256
O acesso à informação gera eficiência.
08:32
Information visibility drives efficiency.
181
500400
3016
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Para as empresas, usar tecnologia
para recolher dados importantes
para recolher dados importantes
08:38
it's like bread and butter.
183
506720
1456
é o pão nosso de cada dia.
08:40
They've been doing it for years,
184
508200
1576
Eles fazem isso há anos,
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
e tem-lhes permitido enormes melhorias
na eficiência das operações.
na eficiência das operações.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Tentem imaginar a vossa empresa
favorita de bebidas
favorita de bebidas
08:48
trying to plan their inventory
187
516280
1576
a planear o seu inventário
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
sem saber quantas garrafas
estão nas prateleiras.
estão nas prateleiras.
08:52
It's absurd.
189
520400
1216
É absurdo.
08:53
Data drives better decisions.
190
521640
1560
Os dados permitem melhores decisões.
08:57
Now, if you're representing a company,
191
525800
2536
Agora, se representam uma empresa
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
e são pragmáticos e não apenas idealistas,
poderão estar a pensar:
"Sim Mallory, isso é tudo muito bonito,
"Sim Mallory, isso é tudo muito bonito,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
"mas porque haveria
de me querer envolver?"
de me querer envolver?"
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
Bem, em primeiro lugar,
além de gerar boa publicidade
além de gerar boa publicidade
a ajuda humanitária é um setor
de 24 mil milhões de dólares,
de 24 mil milhões de dólares,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
e mais de 5 mil milhões de pessoas,
vossos potenciais clientes,
vossos potenciais clientes,
vivem em países subdesenvolvidos.
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
Além disso, as empresas
que participam na filantropia de dados
que participam na filantropia de dados
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
descobrem informações novas
escondidas nos seus dados.
escondidas nos seus dados.
09:25
Take, for example, a credit card company
201
553680
2256
Vejam o exemplo de uma empresa
de cartões de crédito
de cartões de crédito
09:27
that's opened up a center
202
555960
1336
que abriu um centro
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
que serve como eixo de ligação
entre académicos, ONGs e governos,
entre académicos, ONGs e governos,
09:32
all working together.
204
560720
1240
cooperando entre si.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Eles analisam as informações
dos leitores de cartões
dos leitores de cartões
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
e utilizam-nas para perceber
como é que famílias na Índia
como é que famílias na Índia
09:40
live, work, earn and spend.
207
568800
1720
vivem, trabalham, ganham e gastam.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
Para o mundo humanitário,
isso fornece informação
isso fornece informação
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
sobre como poderemos
tirar as pessoas da pobreza.
tirar as pessoas da pobreza.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
Mas, para as empresas, permite
saber mais sobre os clientes
saber mais sobre os clientes
09:52
and potential customers in India.
211
580000
2040
e potenciais clientes na Índia.
09:54
It's a win all around.
212
582760
1800
Todos ficam a ganhar.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
Agora, para mim, o que me entusiasma
na filantropia de dados
na filantropia de dados
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
— doação de dados, doação de cientistas
e doação de tecnologia —
e doação de tecnologia —
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
é o seu valor para jovens como eu,
que escolhem trabalhar em empresas.
10:08
who are choosing to work at companies.
216
596520
1840
Estudos demonstraram que
a próxima geração de trabalhadores
a próxima geração de trabalhadores
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
quer que o seu trabalho
tenha um impacto maior.
tenha um impacto maior.
10:16
We want to make a difference,
219
604920
2456
Queremos fazer a diferença.
10:19
and so through data philanthropy,
220
607400
2416
Através da filantropia de dados,
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
as empresas podem ajudar a envolver
e reter os seus cientistas de dados.
e reter os seus cientistas de dados.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
E isso é muito importante
para uma profissão tão procurada.
para uma profissão tão procurada.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
A filantropia de dados
é boa para os negócios
é boa para os negócios
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
e também pode ajudar a revolucionar
o mundo humanitário.
o mundo humanitário.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Se coordenássemos
o planeamento e logística
o planeamento e logística
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
em todas as vertentes
de uma operação humanitária,
de uma operação humanitária,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
conseguiríamos alimentos, roupa e abrigo
para mais centenas de milhares de pessoas.
para mais centenas de milhares de pessoas.
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
Mas para isto as empresas
têm de se chegar à frente
têm de se chegar à frente
e desempenhar o seu papel
na criação desta revolução.
na criação desta revolução.
10:53
in bringing about this revolution.
229
641720
1880
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
Já devem ter ouvido falar em
"alimentar a mente".
"alimentar a mente".
10:59
Well, this is literally thought for food.
231
647680
2240
Bem, aqui trata-se
de usar a mente para alimentar.
de usar a mente para alimentar.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
É, finalmente, a ideia certa
na altura certa.
na altura certa.
11:07
(Laughter)
233
655720
1216
(Risos)
11:08
Très magnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Obrigada.
11:11
(Applause)
236
659800
2851
(Aplausos)
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