TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Малори Солднер: Ваша информация может положить конец мировому голоду
Filmed:
Readability: 4.2
1,090,373 views
Ваша компания могла бы пожертвовать деньги на гуманитарную помощь, но у вас есть кое-что более подходящее — ваша информация. Малори Солднер показывает нам, как частные компании могут помочь в решении серьёзных вопросов, включая проблему беженцев и голода во всём мире, путём предоставления доступа к закрытым данным и привлечения к работе своих аналитиков. А что может предложить ваша компания?
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
Июнь 2010 года.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
Я впервые прилетела в Рим, в Италию.
00:19
I wasn't there to sightsee.
2
7800
1896
Я прибыла туда не в качестве туриста,
00:21
I was there to solve world hunger.
3
9720
3120
а для того, чтобы решить
проблему мирового голода.
проблему мирового голода.
00:25
(Laughter)
4
13160
2096
(Смех)
00:27
That's right.
5
15280
1216
Именно так.
00:28
I was a 25-year-old PhD student
6
16520
2096
Я была 25-летней аспиранткой,
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
и при помощи методов,
разработанных моим университетом,
разработанных моим университетом,
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
собиралась помочь победить голод
Всемирной продовольственной программе.
Всемирной продовольственной программе.
00:37
So I strode into the headquarters building
9
25840
2736
Я прошествовала в главное здание,
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
окинула взглядом флаги ООН,
00:43
and I smiled as I thought to myself,
11
31440
1960
и, улыбнувшись, подумала:
00:46
"The engineer is here."
12
34840
1616
«Инженер прибыл».
00:48
(Laughter)
13
36480
2216
(Смех)
00:50
Give me your data.
14
38720
1776
Дайте мне ваши данные.
00:52
I'm going to optimize everything.
15
40520
2176
Я сейчас всё тут оптимизирую.
00:54
(Laughter)
16
42720
1736
(Смех)
00:56
Tell me the food that you've purchased,
17
44480
1896
Скажите, какие у вас продукты,
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
куда их отправить,
когда они должны там быть,
когда они должны там быть,
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
и я подскажу вам самые
короткие, быстрые, дешёвые
короткие, быстрые, дешёвые
01:03
best set of routes to take for the food.
20
51800
1936
и лучшие пути их доставки.
01:05
We're going to save money,
21
53760
1496
Мы сэкономим деньги,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
избежим задержек и сбоев,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
и самое главное — мы спасём жизни.
01:12
You're welcome.
24
60160
1216
Не благодарите.
01:13
(Laughter)
25
61400
1696
(Смех)
01:15
I thought it was going to take 12 months,
26
63120
1976
Я думала, что это займёт 12 месяцев.
01:17
OK, maybe even 13.
27
65120
1560
Хорошо, может быть 13.
01:19
This is not quite how it panned out.
28
67800
2280
Вышло немного иначе.
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
Уже спустя пару месяцев от начала проекта
мой французский босс сказал:
мой французский босс сказал:
01:27
"You know, Mallory,
30
75400
1816
«Знаешь, Малори,
01:29
it's a good idea,
31
77240
1656
это отличная идея,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
но у нас нет данных, которые
нужны для твоих алгоритмов.
нужны для твоих алгоритмов.
01:34
It's the right idea but at the wrong time,
33
82280
2536
Это хорошая идея, но в неподходящее время,
01:36
and the right idea at the wrong time
34
84840
2296
а хорошая идея в неподходящее время —
01:39
is the wrong idea."
35
87160
1376
плохая идея».
01:40
(Laughter)
36
88560
1320
(Смех)
01:42
Project over.
37
90960
1280
Проект закрыли.
01:45
I was crushed.
38
93120
1200
Я была раздавлена.
01:49
When I look back now
39
97000
1456
Сейчас, оглядываясь назад,
01:50
on that first summer in Rome
40
98480
1656
вспоминаю то первое лето в Риме
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
и понимаю, как много
изменилось за прошедшие шесть лет,
изменилось за прошедшие шесть лет,
01:54
it is an absolute transformation.
42
102840
2240
полностью преобразовалось.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
Наступает время передачи данных
гуманитарным организациям.
гуманитарным организациям.
02:02
It's exciting. It's inspiring.
44
110160
2656
Это восхищает. Это вдохновляет.
02:04
But we're not there yet.
45
112840
1200
Но это ещё не всё.
02:07
And brace yourself, executives,
46
115320
2296
И держитесь, руководители,
02:09
because I'm going to be putting companies
47
117640
1976
потому что я собираюсь заставить
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
компании взять на себя роль,
которую, я уверена, они смогут сыграть.
которую, я уверена, они смогут сыграть.
02:17
My experiences back in Rome prove
49
125520
2816
Мой опыт, полученный в Риме, доказывает,
02:20
using data you can save lives.
50
128360
2080
что, используя данные,
можно спасать жизни.
можно спасать жизни.
02:23
OK, not that first attempt,
51
131440
2456
Да, та попытка провалилась,
02:25
but eventually we got there.
52
133920
2576
но в конце концов мы придём к этому.
02:28
Let me paint the picture for you.
53
136520
1736
Позвольте я это продемонстрирую.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Представьте: вам нужно
организовать завтрак, обед и ужин
организовать завтрак, обед и ужин
02:33
for 500,000 people,
55
141040
1616
для 500 000 человек,
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
но ваш бюджет ограничен,
02:36
say 6.5 million dollars per month.
57
144840
2240
скажем, 6,5 миллионами в месяц.
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
Что вам необходимо сделать?
Как это сделать самым лучшим образом?
Как это сделать самым лучшим образом?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Нужно ли покупать рис,
пшеницу, нут, масло?
пшеницу, нут, масло?
02:47
How much?
60
155760
1216
Сколько?
02:49
It sounds simple. It's not.
61
157000
2136
Звучит просто. Но это не так.
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
У вас есть 30 возможных продуктов,
из которых нужно выбрать пять.
из которых нужно выбрать пять.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
Это уже даёт 140 000 различных сочетаний.
Затем для каждого выбранного продукта
02:57
Then for each food that you pick,
64
165840
1696
02:59
you need to decide how much you'll buy,
65
167560
1976
нужно решить, сколько его купить,
03:01
where you're going to get it from,
66
169560
1696
где купить,
03:03
where you're going to store it,
67
171280
1480
где его хранить,
03:05
how long it's going to take to get there.
68
173760
1976
сколько времени займёт транспортировка.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Вам также нужно изучить
все транспортные маршруты.
все транспортные маршруты.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
А это более 900 миллионов вариантов.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
Если над каждым думать секунду,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
то у вас уйдёт 28 лет на их анализ.
03:18
900 million options.
73
186880
1520
900 миллионов вариантов.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Поэтому мы создали программу,
с помощью которой
с помощью которой
03:23
to weed through all 900 million options
75
191640
2616
можно перебрать
все 900 миллионов вариантов
все 900 миллионов вариантов
03:26
in just a matter of days.
76
194280
1360
всего за несколько дней.
03:28
It turned out to be incredibly successful.
77
196560
2240
Она оказалась невероятно успешной.
03:31
In an operation in Iraq,
78
199400
1256
В иракской кампании
03:32
we saved 17 percent of the costs,
79
200680
2536
мы сэкономили 17% на расходах,
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
что позволило нам накормить
ещё 80 000 людей.
ещё 80 000 людей.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
Всё это благодаря использованию
данных и сложной системы моделирования.
данных и сложной системы моделирования.
03:44
But we didn't do it alone.
82
212800
1280
Но мы работали не одни.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
Отдел, с которым я работала в Риме —
исключительный.
исключительный.
03:49
They believed in collaboration.
84
217600
1736
Эти люди поверили в сотрудничество.
03:51
They brought in the academic world.
85
219360
1696
Они привлекли научных деятелей.
03:53
They brought in companies.
86
221080
1280
Они привлекли компании.
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
И если мы хотим реальных перемен
в таких проблемах, как мировой голод,
в таких проблемах, как мировой голод,
03:58
we need everybody to the table.
88
226840
2560
то за столом переговоров
потребуется каждый.
потребуется каждый.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Нам нужны владеющие данными люди
из гуманитарных организаций,
из гуманитарных организаций,
04:05
leading the way,
90
233000
1256
указывающие путь
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
и организовывающие
наилучшие пути взаимодействия
наилучшие пути взаимодействия
04:08
with academics, with governments.
92
236880
1696
с учёными и властями.
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
Остается одна группа, до сих пор
не вовлечённая в работу на должном уровне.
не вовлечённая в работу на должном уровне.
04:14
Did you guess it? Companies.
94
242320
2096
Догадались кто? Компании.
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
Компании играют главную роль в решении
глобальных проблем в мире.
глобальных проблем в мире.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Я работаю в бизнесе уже два года.
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
Я понимаю, на что способны компании,
и чем они систематически не занимаются.
и чем они систематически не занимаются.
Я думаю, ситуацию можно изменить,
если компании поделятся тремя вещами:
если компании поделятся тремя вещами:
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
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
данными, ИТ-консультантами
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
и техническими средствами сбора и учёта
новых источников информации.
новых источников информации.
Это информационная благотворительность,
04:37
This is data philanthropy,
101
265920
1576
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
в ней — будущее корпоративной
социальной ответственности.
социальной ответственности.
04:43
Bonus, it also makes good business sense.
103
271160
2600
К тому же это разумно
с точки зрения бизнеса.
с точки зрения бизнеса.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Сегодня компании накапливают
массу информации,
массу информации,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
поэтому для начала они могут
передать эту информацию.
передать эту информацию.
04:52
Some companies are already doing it.
106
280946
2190
Некоторые компании уже это делают.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
К примеру, одна крупная
телефонная компания
телефонная компания
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
раскрыла свои данные
в Сенегале и Кот-д'Ивуаре,
в Сенегале и Кот-д'Ивуаре,
05:00
and researchers discovered
109
288400
1976
анализ которых показал,
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
что, проследив динамику звуковых
импульсов между вышками сотовой связи,
импульсов между вышками сотовой связи,
05:05
you can see where people are traveling.
111
293758
1938
можно увидеть перемещения людей.
05:07
And that can tell you things like
112
295720
2176
А это позволяет судить о вещах вроде
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
вероятного ареала распространения малярии
и делать прогнозы.
и делать прогнозы.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Или, например, одна из передовых
спутниковых компаний
спутниковых компаний
05:15
They opened up their data and donated it,
115
303960
2016
раскрыла и поделилась своими данными,
05:18
and with that data you could track
116
306000
1656
и с их помощью можно отследить,
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
как засуха влияет на производство пищи.
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
Используя это, можно запросить помощь
до наступления кризиса.
до наступления кризиса.
05:27
This is a great start.
119
315560
1280
Это прекрасное начало.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
В базе данных компаний
скрыта важная информация.
скрыта важная информация.
05:34
And yes, you need to be very careful.
121
322480
1816
Обращаться с ней надо очень осторожно.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
Уважать право на конфиденциальность,
например, скрывая личные данные.
например, скрывая личные данные.
05:39
But even if the floodgates opened up,
123
327920
2776
Но даже если откроются шлюзы
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
и все компании предоставят свою информацию
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
научным работникам, неправительственным
и гуманитарным организациям,
и гуманитарным организациям,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
это не позволит в полной мере
поставить эти данные на службу
поставить эти данные на службу
05:51
for humanitarian goals.
127
339560
1520
гуманитарным целям.
05:54
Why?
128
342320
1456
Почему?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Чтобы расшифровать данные,
необходимы аналитики.
необходимы аналитики.
05:59
Decision scientists are people like me.
130
347760
2576
Такие как я.
06:02
They take the data, they clean it up,
131
350360
1816
Они берут информацию, сортируют её,
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
преобразуют и используют
в нужных алгоритмах.
в нужных алгоритмах.
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
Это лучший способ направить
потребности бизнеса в дело.
потребности бизнеса в дело.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
В сфере гуманитарной помощи
очень мало таких специалистов.
очень мало таких специалистов.
06:13
Most of them work for companies.
135
361520
1640
Большинство из них работает в компаниях.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
Поэтому компаниям необходимо
сделать ещё один шаг.
сделать ещё один шаг.
06:19
In addition to donating their data,
137
367000
1696
В дополнение к пожертвованию данных
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
им нужно предоставить своих аналитиков.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
Сейчас все компании скажут:
«Ааа! Не забирайте наших специалистов.
«Ааа! Не забирайте наших специалистов.
06:29
We need every spare second of their time."
140
377280
2040
Для нас важна каждая секунда их труда».
06:32
But there's a way.
141
380360
1200
Но выход есть.
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
Если бы компания выделила
часть рабочего времени аналитика,
часть рабочего времени аналитика,
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
то было бы разумнее распределить
это время на длительный период,
это время на длительный период,
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
скажем, на пять лет.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Это отнимет у них только два часа в месяц,
06:47
which a company would hardly miss,
146
395680
2056
что не нанесёт ущерба компании,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
а главное, приведёт
к долгосрочному сотрудничеству,
к долгосрочному сотрудничеству,
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
которое позволит выстроить отношения,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
основательно ознакомиться
с предоставленными данными
с предоставленными данными
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
и осознать потребности и задачи,
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
с которыми сталкивается
гуманитарная организация.
гуманитарная организация.
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
Во Всемирной продовольственной программе
в Риме на это ушло 5 лет.
в Риме на это ушло 5 лет.
07:09
five years.
153
417560
1456
Пять лет.
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
Хорошо, первые три года мы
не могли определиться.
не могли определиться.
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
Затем два года после этого
отлаживали и внедряли программу,
отлаживали и внедряли программу,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
как во время кампаний в Ираке
и других странах.
и других странах.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Я не думаю, что предлагаю
нереальные сроки,
нереальные сроки,
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
учитывая, что данные
нужны для оперативных изменений.
нужны для оперативных изменений.
07:26
It's an investment. It requires patience.
159
434400
2400
Это инвестиция, требующая терпения.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Но результаты будут просто великолепными.
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
В нашем случае это возможность
накормить на десятки тысяч больше людей.
накормить на десятки тысяч больше людей.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Итак, нам предоставили данные,
предоставили аналитиков.
предоставили аналитиков.
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
Но компании могут помочь ещё кое-чем:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
предоставлением методов для учёта
новых источников данных.
новых источников данных.
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
Вы же понимаете, что у нас
нет информации о многих вещах.
нет информации о многих вещах.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Сейчас сирийские беженцы заполняют Грецию,
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
и отделы ООН по делам беженцев
завалены работой.
завалены работой.
Перемещения людей они
отмечают на бумаге — это их система учёта.
отмечают на бумаге — это их система учёта.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
08:04
and what that means is
169
472080
1256
Это значит,
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
что момент прибытия в лагерь матери
с пятью детьми
с пятью детьми
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
останется незамеченным администрацией.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
В ближайшие несколько недель это изменится
08:13
thanks to private sector collaboration.
173
481280
1880
благодаря сотрудничеству
с частным сектором.
с частным сектором.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
Им установят систему, основанную
на методе отслеживания посылок,
на методе отслеживания посылок,
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
предоставленным логистической компанией,
где я работаю.
где я работаю.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
Эта система позволит отследить данные,
08:24
so you know exactly the moment
177
492480
1456
вы будете знать точное время
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
появления матери с детьми в лагере.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
И к тому же вы узнаете, есть ли для неё
08:31
this month and the next.
180
499120
1256
питание на первое время.
08:32
Information visibility drives efficiency.
181
500400
3016
Доступность информации
повышает эффективность.
повышает эффективность.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Это хлеб с маслом для компаний,
использующих технические средства
использующих технические средства
08:38
it's like bread and butter.
183
506720
1456
для сбора важных данных.
08:40
They've been doing it for years,
184
508200
1576
Они занимаются этим годами,
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
что приводит к значительному
повышению производительности.
повышению производительности.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Представьте: производитель
вашего любимого напитка
вашего любимого напитка
08:48
trying to plan their inventory
187
516280
1576
пытается провести инвентаризацию,
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
не зная количества бутылок на полках.
08:52
It's absurd.
189
520400
1216
Это абсурд.
08:53
Data drives better decisions.
190
521640
1560
С данными доступны лучшие решения.
08:57
Now, if you're representing a company,
191
525800
2536
Если вы представитель компании
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
и скорее прагматик, чем идеалист,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
то должны спросить себя: «Хорошо,
всё это замечательно, Малори,
всё это замечательно, Малори,
09:06
but why should I want to be involved?"
194
534600
1840
но чем это может заинтересовать меня?»
09:09
Well for one thing, beyond the good PR,
195
537000
2816
Для начала, помимо хорошей рекламы,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
гуманитарная помощь входит
в 24-миллиардный сектор,
в 24-миллиардный сектор,
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
и более пяти миллиардов людей,
живущих в развивающихся странах,
живущих в развивающихся странах,
09:17
that live in the developing world.
198
545720
1816
могут стать вашими клиентами.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
Кроме того, компании,
пожертвовавшие данные,
пожертвовавшие данные,
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
могут извлечь из них
новую информацию для себя.
новую информацию для себя.
09:25
Take, for example, a credit card company
201
553680
2256
Например, компания
по выпуску кредитных карт,
по выпуску кредитных карт,
09:27
that's opened up a center
202
555960
1336
которая открыла центр
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
для учёных, неправительственных
организаций и правительства,
организаций и правительства,
09:32
all working together.
204
560720
1240
где они работают вместе.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Отслеживают использование
кредитных карт, на основе чего
кредитных карт, на основе чего
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
получают представление
об активности населения Индии:
об активности населения Индии:
09:40
live, work, earn and spend.
207
568800
1720
жизни, работе, заработках и тратах.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
С помощью этой информации
гуманитарные организации
гуманитарные организации
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
смогут принять меры
для избавления людей от нищеты.
для избавления людей от нищеты.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
А компаниям это позволяет делать
новые выводы о своих нынешних
новые выводы о своих нынешних
09:52
and potential customers in India.
211
580000
2040
и потенциальных клиентах в Индии.
09:54
It's a win all around.
212
582760
1800
От этого выигрывают все.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
Для меня самое поразительное
в информационной благотворительности,
в информационной благотворительности,
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
(пожертвовании данных,
труда аналитиков, методов учёта),
труда аналитиков, методов учёта),
её значимость для таких как я,
молодых профессионалов,
молодых профессионалов,
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
10:08
who are choosing to work at companies.
216
596520
1840
тех, кто выбрал работу в компаниях.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Исследования показывают,
что следующее поколение
что следующее поколение
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
волнует вопрос
результативности своей работы.
результативности своей работы.
10:16
We want to make a difference,
219
604920
2456
Мы хотим изменить ситуацию,
10:19
and so through data philanthropy,
220
607400
2416
и посредством информационной
благотворительности
благотворительности
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
компании способны привлечь
и удержать своих аналитиков.
и удержать своих аналитиков.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
Это реальный шанс для профессионалов,
на которых есть спрос.
на которых есть спрос.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
Информационная благотворительность
выгодна для бизнеса,
выгодна для бизнеса,
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
она может помочь полностью
изменить работу гуманитарных организаций.
изменить работу гуманитарных организаций.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Если объединить планирование и логистику
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
во всех основных направлениях
деятельности гуманитарных организаций,
деятельности гуманитарных организаций,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
мы смогли бы обеспечить едой, одеждой
и жильём на сотни тысяч больше людей.
и жильём на сотни тысяч больше людей.
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
И компаниям необходимо
включиться и сыграть свою роль
включиться и сыграть свою роль
10:53
in bringing about this revolution.
229
641720
1880
в приближении этой революции.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
Скорее всего, вы слышали фразу
«пища для размышлений».
«пища для размышлений».
10:59
Well, this is literally thought for food.
231
647680
2240
А тут в буквальном смысле —
размышления для пищи.
размышления для пищи.
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
Наконец, у нас есть хорошая идея
в подходящее время.
в подходящее время.
11:07
(Laughter)
233
655720
1216
(Смех)
11:08
Très magnifique.
234
656960
1576
(По-французски) Прекрасно!
11:10
Thank you.
235
658560
1216
Спасибо.
11:11
(Applause)
236
659800
2851
(Аплодисменты)
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