TED@UPS
Mallory Freeman: Your company's data could help end world hunger
Mallory Soldner: I dati della vostra azienda potrebbero eliminare la fame nel mondo
Filmed:
Readability: 4.2
1,090,373 views
La vostra azienda potrebbe aver donato fondi per aiutare a risolvere questioni umanitari, ma potreste avere qualcosa di ancora più utile da offrire: i vostri dati. Mallory Soldner ci mostra come le aziende del settore privato possano farci fare passi avanti su grandi problemi, dalla crisi dei rifugiati alla fame nel mondo, attraverso la donazione di dati intoccati e di esperti nei processi decisionali. In che modo potrebbe contribuire la vostra azienda?
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
Giugno 2010.
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
Atterrai per la prima volta
a Roma, Italia.
a Roma, Italia.
00:19
I wasn't there to sightsee.
2
7800
1896
Non ero lì per una visita turistica.
00:21
I was there to solve world hunger.
3
9720
3120
Ero lì per risolvere il problema
della fame nel mondo
della fame nel mondo
00:25
(Laughter)
4
13160
2096
(Risate)
00:27
That's right.
5
15280
1216
Giusto.
00:28
I was a 25-year-old PhD student
6
16520
2096
Ero una studentessa 25enne
di dottorato
di dottorato
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
armata di un prototipo sviluppato
presso la mia università
presso la mia università
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
e stavo andando a dare una mano
nel World Food Programme.
nel World Food Programme.
00:37
So I strode into the headquarters building
9
25840
2736
Così sono entrata a grandi passi
nel quartier generale
nel quartier generale
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
e i miei occhi esaminarono
la fila di bandiere dell'ONU,
la fila di bandiere dell'ONU,
00:43
and I smiled as I thought to myself,
11
31440
1960
e sorrisi pensando a me stessa,
00:46
"The engineer is here."
12
34840
1616
"L'ingegnere è qui."
00:48
(Laughter)
13
36480
2216
(Risate)
00:50
Give me your data.
14
38720
1776
Datemi i vostri dati.
00:52
I'm going to optimize everything.
15
40520
2176
Sono pronta a ottimizzare tutto.
00:54
(Laughter)
16
42720
1736
(Risate)
00:56
Tell me the food that you've purchased,
17
44480
1896
Ditemi che cibo avete comprato,
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
dove è diretto
e quando è necessario che arrivi,
e quando è necessario che arrivi,
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
e vi dirò il più breve, veloce, economico,
01:03
best set of routes to take for the food.
20
51800
1936
il migliore tragitto
da far prendere al cibo.
da far prendere al cibo.
01:05
We're going to save money,
21
53760
1496
Risparmieremo danaro,
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
eviteremo ritardi e interruzioni,
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
e come risultato finale,
salveremo delle vite.
salveremo delle vite.
01:12
You're welcome.
24
60160
1216
Siete benvenuta.
01:13
(Laughter)
25
61400
1696
(Risate)
01:15
I thought it was going to take 12 months,
26
63120
1976
Pensavo ci sarebbero voluti 12 mesi,
01:17
OK, maybe even 13.
27
65120
1560
Ok, forse 13.
01:19
This is not quite how it panned out.
28
67800
2280
Non è proprio come è andata a finire.
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
Dopo appena un paio di mesi nel progetto,
il mio capo francese mi disse:
il mio capo francese mi disse:
01:27
"You know, Mallory,
30
75400
1816
"Sai, Mallory,
01:29
it's a good idea,
31
77240
1656
è una buona idea,
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
ma i dati che ti servono
per il tuo algoritmo non ci sono.
per il tuo algoritmo non ci sono.
01:34
It's the right idea but at the wrong time,
33
82280
2536
È l'idea giusta, ma al momento sbagliato,
01:36
and the right idea at the wrong time
34
84840
2296
E l'idea giusta al momento sbagliato
01:39
is the wrong idea."
35
87160
1376
è una idea sbagliata."
01:40
(Laughter)
36
88560
1320
(Risate)
01:42
Project over.
37
90960
1280
Progetto chiuso.
01:45
I was crushed.
38
93120
1200
Ero a pezzi.
01:49
When I look back now
39
97000
1456
Ora, quando ripenso
01:50
on that first summer in Rome
40
98480
1656
a quella prima estate a Roma
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
e a quanto tutto sia cambiato
negli ultimi sei anni...
negli ultimi sei anni...
01:54
it is an absolute transformation.
42
102840
2240
è una trasformazione totale.
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
È arrivato il momento di portare i dati
nel mondo umanitario.
nel mondo umanitario.
02:02
It's exciting. It's inspiring.
44
110160
2656
È eccitante. È stimolante.
02:04
But we're not there yet.
45
112840
1200
Ma non ci siamo ancora.
02:07
And brace yourself, executives,
46
115320
2296
E tenetevi forte, direttori,
02:09
because I'm going to be putting companies
47
117640
1976
poichè sto per mettere le aziende
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
nella posizione di fare quello
di cui veramente capaci.
di cui veramente capaci.
02:17
My experiences back in Rome prove
49
125520
2816
La mia esperienza a Roma dimostra
02:20
using data you can save lives.
50
128360
2080
che utilizzare i dati può salvare vite.
02:23
OK, not that first attempt,
51
131440
2456
Ok, non al primo tentativo,
02:25
but eventually we got there.
52
133920
2576
ma alla fine ci riescono.
02:28
Let me paint the picture for you.
53
136520
1736
Lasciate che vi dia un'idea.
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
Pensate di dover pianificare
colazione, pranzo e cena
colazione, pranzo e cena
02:33
for 500,000 people,
55
141040
1616
per 500.000 persone,
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
e avete un certo budget per farlo,
02:36
say 6.5 million dollars per month.
57
144840
2240
diciamo 6,5 milioni di dollari al mese.
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
Cosa dovreste fare?
Quale è il modo migliore per gestirlo?
Quale è il modo migliore per gestirlo?
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
Comprereste riso, frumento, ceci, olio?
02:47
How much?
60
155760
1216
Quanto?
02:49
It sounds simple. It's not.
61
157000
2136
Sembra facile. Non lo è.
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
Ci sono 30 possibili alimenti,
dovete sceglierne 5 tra questi.
dovete sceglierne 5 tra questi.
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
Ci sono più di 140.000
differenti combinazioni.
differenti combinazioni.
02:57
Then for each food that you pick,
64
165840
1696
Poi per ogni alimento scelto,
02:59
you need to decide how much you'll buy,
65
167560
1976
dovete decidere quanto ne comprerete,
03:01
where you're going to get it from,
66
169560
1696
da dove lo farete arrivare,
03:03
where you're going to store it,
67
171280
1480
dove lo immagazzinerete,
03:05
how long it's going to take to get there.
68
173760
1976
quanto tempo ci vorrà per portarlo là.
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
Vi serve anche considerare
tutte le diverse possibilità di trasporto.
tutte le diverse possibilità di trasporto.
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
Sono già più di 900 milioni di opzioni.
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
Se considerate ogni opzione
per un solo secondo,
per un solo secondo,
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
servirebbero più di 28 anni
per valutarle tutte.
per valutarle tutte.
03:18
900 million options.
73
186880
1520
900 milioni di opzioni.
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
Così abbiamo creato
uno strumento che consente
uno strumento che consente
03:23
to weed through all 900 million options
75
191640
2616
di valutare tutte le
900 milioni di possibilità
900 milioni di possibilità
03:26
in just a matter of days.
76
194280
1360
in solo pochi giorni.
03:28
It turned out to be incredibly successful.
77
196560
2240
Si è rivelato avere un gran successo.
03:31
In an operation in Iraq,
78
199400
1256
In un intervento in Iraq,
03:32
we saved 17 percent of the costs,
79
200680
2536
abbiamo risparmiato il 17% dei costi,
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
e questo ha significato la possibilità
di sfamare ulteriori 80.000 persone.
di sfamare ulteriori 80.000 persone.
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
Tutto grazie all'uso dei dati
e dei modelli per sistemi complessi.
e dei modelli per sistemi complessi.
03:44
But we didn't do it alone.
82
212800
1280
Ma non l'abbiamo fatto da soli.
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
L'unità con la quale lavoravo a Roma
era eccezionale.
era eccezionale.
03:49
They believed in collaboration.
84
217600
1736
Credeva nella collaborazione.
03:51
They brought in the academic world.
85
219360
1696
Ha coinvolto il mondo accademico,
03:53
They brought in companies.
86
221080
1280
le aziende.
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
Se davvero si vuol fare qualcosa per
i grandi problemi, come la fame nel mondo,
i grandi problemi, come la fame nel mondo,
03:58
we need everybody to the table.
88
226840
2560
occorre mettersi tutti intorno al tavolo.
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
Servono i dati
dalle organizzazioni umanitarie
dalle organizzazioni umanitarie
04:05
leading the way,
90
233000
1256
per aprire la strada
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
e coordinare l'intervento
più adeguato
più adeguato
04:08
with academics, with governments.
92
236880
1696
assieme alle università, ai governi.
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
E c'è un gruppo che non è
sfruttato a dovere.
sfruttato a dovere.
04:14
Did you guess it? Companies.
94
242320
2096
Sapete quale? Le aziende.
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
Le aziende hanno un ruolo fondamentale
nel risolvere i problemi del mondo.
nel risolvere i problemi del mondo.
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
Lavoro nel settore privato
da due anni.
da due anni.
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
Ho visto cosa le aziende possono fare,
e cosa invece non fanno,
e cosa invece non fanno,
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 penso ci siano almeno 3 modi
per colmare questa divergenza:
per colmare questa divergenza:
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
donando dati,
donando esperti dei processi decisionali
donando esperti dei processi decisionali
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
e donando la tecnologia
per raccogliere nuove fonti di dati.
per raccogliere nuove fonti di dati.
04:37
This is data philanthropy,
101
265920
1576
Questa è filantropia di dati,
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
ed è il futuro della responsabilità
sociale delle imprese.
sociale delle imprese.
04:43
Bonus, it also makes good business sense.
103
271160
2600
In più dimostra anche
buon senso negli affari.
buon senso negli affari.
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
Le aziende, oggi,
raccolgono montagne di dati,
raccolgono montagne di dati,
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
perciò la prima cosa da fare
è iniziare a donarli.
è iniziare a donarli.
04:52
Some companies are already doing it.
106
280946
2190
Alcune aziende lo fanno già.
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
Pensate ad un'importante
compagnia telefonica.
compagnia telefonica.
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
Ha aperto l'accesso ai dati
in Senegal e Costa d'Avorio
in Senegal e Costa d'Avorio
05:00
and researchers discovered
109
288400
1976
e i ricercatori hanno scoperto
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
che se si misura l'andamento
dei PING verso i ripetitori per cellulari,
dei PING verso i ripetitori per cellulari,
05:05
you can see where people are traveling.
111
293758
1938
si può vedere dove viaggiano le persone.
05:07
And that can tell you things like
112
295720
2176
E questo può dirci, ad esempio,
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
dove potrebbe diffondersi la malaria,
e trarne così previsioni.
e trarne così previsioni.
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
Oppure un'innovativa azienda satellitare:
05:15
They opened up their data and donated it,
115
303960
2016
ha aperto l'accesso e donato i suoi dati,
05:18
and with that data you could track
116
306000
1656
e con tali dati si può osservare
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
l'impatto della siccità
sulla produzione di cibo.
sulla produzione di cibo.
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
Così si può agire
prima che scoppi una crisi.
prima che scoppi una crisi.
05:27
This is a great start.
119
315560
1280
Questo è un buon inizio.
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
Ci sono informazioni importanti
nei database aziendali.
nei database aziendali.
05:34
And yes, you need to be very careful.
121
322480
1816
E sì, bisogna essere molto cauti.
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
Va mantenuta la privacy,
per esempio attraverso l'anonimato.
per esempio attraverso l'anonimato.
05:39
But even if the floodgates opened up,
123
327920
2776
Tuttavia, anche se le barriere si aprissero,
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
e tutte le aziende
donassero i loro dati
donassero i loro dati
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
a università, ONG e
organizzazioni umanitarie,
organizzazioni umanitarie,
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
non sarebbe sufficiente
il controllare tutti questi dati
il controllare tutti questi dati
05:51
for humanitarian goals.
127
339560
1520
per finalità umanitarie.
05:54
Why?
128
342320
1456
Perchè?
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
Per comprendere i dati
servono esperti decisionali.
servono esperti decisionali.
05:59
Decision scientists are people like me.
130
347760
2576
Gli esperti decisionali
sono persone come me.
sono persone come me.
06:02
They take the data, they clean it up,
131
350360
1816
Prendono i dati, li puliscono,
li trasformano
li trasformano
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
per inserirli
in un utile algoritmo
in un utile algoritmo
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
che sia la scelta migliore
per l'argomento in questione.
per l'argomento in questione.
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
Nel mondo umanitario,
gli esperti decisionali sono pochi.
gli esperti decisionali sono pochi.
06:13
Most of them work for companies.
135
361520
1640
La maggior parte lavora per aziende.
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
La seconda cosa da fare
per le aziende,
per le aziende,
06:19
In addition to donating their data,
137
367000
1696
oltre a donare dati,
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
dovrebbero donare
i loro esperti decisionali.
i loro esperti decisionali.
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
Le aziende diranno:
"Ah! Non prendeteci i nostri esperti!
"Ah! Non prendeteci i nostri esperti!
06:29
We need every spare second of their time."
140
377280
2040
Abbiamo bisogno di ogni briciola
del loro tempo."
del loro tempo."
06:32
But there's a way.
141
380360
1200
Ma c'è un modo.
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 un'azienda donasse il tempo
di un esperto,
di un esperto,
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
avrebbe più senso distribuire tale tempo
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
in un lungo periodo,
per esempio 5 anni.
per esempio 5 anni.
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
Corrispondono circa a 2 ore al mese,
06:47
which a company would hardly miss,
146
395680
2056
l'azienda quasi non se ne accorgerebbe,
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
ma che attiverebbero una collaborazione
a lungo termine.
a lungo termine.
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
La collaborazione a lungo termine
consente di sviluppare relazioni,
consente di sviluppare relazioni,
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
di conoscere i dati,
di comprenderli realmente
di comprenderli realmente
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
e di cominciare a capire
le necessità e le sfide
le necessità e le sfide
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
che le organizzazioni umanitarie
affrontano.
affrontano.
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
A Roma, al WFP, ci sono voluti 5 anni,
07:09
five years.
153
417560
1456
5 anni.
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
I primi 3 anni, a pensare che
fosse tutto irrisolvibile,
fosse tutto irrisolvibile,
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
mentre i 2 anni successivi
ad affinare e provare lo strumento,
ad affinare e provare lo strumento,
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
come negli interventi in Iraq
e in altri paesi.
e in altri paesi.
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
Non credo sia un lasso di tempo
irrealistico
irrealistico
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
quando si tratta di usare dati
per fare cambiamenti operativi.
per fare cambiamenti operativi.
07:26
It's an investment. It requires patience.
159
434400
2400
E' un investimento. Richiede pazienza.
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
Ma i risultati che si ottengono
sono innegabili.
sono innegabili.
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
Nel nostro caso, è stato lo sfamare
decine di migliaia di persone in più.
decine di migliaia di persone in più.
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
Quindi abbiamo donazione di dati,
donazione di esperti decisionali,
donazione di esperti decisionali,
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
ma c'è un altro modo in cui
le aziende possono aiutare:
le aziende possono aiutare:
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
donando la tecnologia
per acquisire nuove fonti di dati.
per acquisire nuove fonti di dati.
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
Vedete, ci sono molte cose
del quale non possediamo dati.
del quale non possediamo dati.
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
Proprio ora, i rifugiati siriani
si stanno riversando in Grecia,
si stanno riversando in Grecia,
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
e l'agenzia ONU per i rifugiati
ha raggiunto il limite.
ha raggiunto il limite.
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
L'attuale sistema di identificazione
è fatto con carta e penna
è fatto con carta e penna
08:04
and what that means is
169
472080
1256
e questo significa che
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
quando una madre e i suoi cinque figli
vagano nel campo
vagano nel campo
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
il quartier generale non ne è
a conoscenza.
a conoscenza.
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
Questo dovrebbe cambiare
nelle prossime settimane,
nelle prossime settimane,
08:13
thanks to private sector collaboration.
173
481280
1880
grazie alla collaborazione con le imprese.
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
Ci sarà un nuovo sistema basato
su una tecnologia d'identificazione
su una tecnologia d'identificazione
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
donata dall'azienda per la quale lavoro.
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
Con questo nuovo sistema
ci sarà traccia dei dati,
ci sarà traccia dei dati,
08:24
so you know exactly the moment
177
492480
1456
in modo da sapere esattamente
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
quando quella madre e i suoi figli
vagano nel campo.
vagano nel campo.
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
E ancor più se riceverà
provviste o altri beni
provviste o altri beni
08:31
this month and the next.
180
499120
1256
questo mese e quello dopo.
08:32
Information visibility drives efficiency.
181
500400
3016
La visibilità delle informazioni
guida l'efficienza.
guida l'efficienza.
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
Per le aziende, utilizzare la tecnologia
per acquisire dati
per acquisire dati
08:38
it's like bread and butter.
183
506720
1456
è la cosa più facile.
08:40
They've been doing it for years,
184
508200
1576
Lo fanno da anni,
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
e ciò porta a una maggiore efficienza
operativa.
operativa.
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
Provate a immaginare
la vostra azienda di bevande preferita
la vostra azienda di bevande preferita
08:48
trying to plan their inventory
187
516280
1576
che cerca di pianificare l'inventario
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
senza sapere quante bottiglie
c'erano sugli scaffali.
c'erano sugli scaffali.
08:52
It's absurd.
189
520400
1216
E' assurdo.
08:53
Data drives better decisions.
190
521640
1560
I dati guidano decisioni migliori.
08:57
Now, if you're representing a company,
191
525800
2536
Ora, se rappresentate un'azienda,
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
e siete pragmatici, non solo idealista,
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
potreste dirvi:
"Ok, magnifico, Mallory,
"Ok, magnifico, Mallory,
09:06
but why should I want to be involved?"
194
534600
1840
ma perché dovrei voler fare qualcosa?"
09:09
Well for one thing, beyond the good PR,
195
537000
2816
Ad esempio, oltre alle pubbliche relazioni,
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
gli aiuti umanitari
sono un settore da $24 miliardi,
sono un settore da $24 miliardi,
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
con oltre 5 miliardi di persone,
forse vostri futuri clienti,
forse vostri futuri clienti,
09:17
that live in the developing world.
198
545720
1816
che vivono in un paese
in via di sviluppo.
in via di sviluppo.
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
Inoltre, le aziende impegnate nella
filantropia di dati
filantropia di dati
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
trovano nuove informazioni
racchiuse nei propri dati.
racchiuse nei propri dati.
09:25
Take, for example, a credit card company
201
553680
2256
Per esempio, un'azienda
di carte di credito
di carte di credito
09:27
that's opened up a center
202
555960
1336
che ha aperto un centro
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
che funge da punto di raccolta per
accademici, ONG e governi
accademici, ONG e governi
09:32
all working together.
204
560720
1240
che lavorano tutti insieme.
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
Cercano informazioni sui
furti di carte di credito
furti di carte di credito
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
e ottengono informazioni
su come le famiglie in India
su come le famiglie in India
09:40
live, work, earn and spend.
207
568800
1720
vivono, lavorano, guadagnano e spendono.
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
Per l'aiuto umanitario,
fornisce informazioni
fornisce informazioni
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
su come si potrebbe
far uscire la gente dalla povertà.
far uscire la gente dalla povertà.
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
Per le aziende, fornisce informazioni
sui loro clienti
sui loro clienti
09:52
and potential customers in India.
211
580000
2040
e potenziali clienti in India.
09:54
It's a win all around.
212
582760
1800
Ognuno ci guadagna qualcosa.
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
Per me, quello che trovo emozionante
della filantropia di dati,
della filantropia di dati,
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
cioè donare dati, esperti decisionali
e tecnologia,
e tecnologia,
10:06
it's what it means
for young professionals like me
for young professionals like me
215
594120
2376
è il suo significato per i giovani
professionisti come me
professionisti come me
10:08
who are choosing to work at companies.
216
596520
1840
che hanno deciso di lavorare in azienda.
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
Gli studi mostrano che la prossima
generazione di lavoratori
generazione di lavoratori
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
voglia far sì che il lavoro
abbia un maggior impatto.
abbia un maggior impatto.
10:16
We want to make a difference,
219
604920
2456
Noi vogliamo fare la differenza,
10:19
and so through data philanthropy,
220
607400
2416
e così attraverso la filantropia dei dati,
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
le aziende possono coinvolgere
realmente i propri esperti.
realmente i propri esperti.
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
Ed è un grande affare
per una professione molto richiesta.
per una professione molto richiesta.
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
La filantropia di dati
dimostra buon senso per gli affari,
dimostra buon senso per gli affari,
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
e può anche aiutare
a rivoluzionare il mondo umanitario.
a rivoluzionare il mondo umanitario.
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
Se coordinassimo
la pianificazione e la logistica
la pianificazione e la logistica
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
dei maggiori aspetti
di un intervento umanitario,
di un intervento umanitario,
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
potremmo nutrire, vestire e proteggere
centinaia di migliaia di persone,
centinaia di migliaia di persone,
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
e le aziende dovrebbero farsi avanti
e fare quelle che sanno fare bene
e fare quelle che sanno fare bene
10:53
in bringing about this revolution.
229
641720
1880
nel portare avanti questa rivoluzione.
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
Forse avete sentito il modo di dire:
"cibo per la mente".
"cibo per la mente".
10:59
Well, this is literally thought for food.
231
647680
2240
Bene, questo è letteralmente
"mente per il cibo".
"mente per il cibo".
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
È finalmente l'idea giusta
al momento giusto.
al momento giusto.
11:07
(Laughter)
233
655720
1216
(Risate)
11:08
Très magnifique.
234
656960
1576
Très magnifique.
11:10
Thank you.
235
658560
1216
Grazie.
11:11
(Applause)
236
659800
2851
(Applausi)
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