TED@UPS
Mallory Freeman: Your company's data could help end world hunger
แมลอรี่ โซลด์เนอร์: ข้อมูลของบริษัทคุณสามารถช่วยหยุดความหิวโหยในโลกนี้ได้
Filmed:
Readability: 4.2
1,090,373 views
บริษัทของคุณอาจเคยบริจาคเงินเพื่อช่วยปัญหามนุษยชน แต่คุณสามารถทำสิ่งที่มีประโยชน์กว่านั้นได้ นั่นคือข้อมูลของคุณ แมลอรี่ โซลด์เนอร์แสดงให้เราเห็นว่าภาคเอกชนจะช่วยสร้างความก้าวหน้าในปัญหาที่ยิ่งใหญ่นี้ได้อย่างไร ตั้งแต่วิกฤติผู้ลี้ภัยไปจนถึงความหิวโหยในโลกนี้ โดยการบริจาคข้อมูลที่ไม่ได้ใช้และนักวิทยาศาสตร์ข้อมูล อะไรบ้างที่บริษัทของคุณจะสามารถสนับสนุนได้?
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
เดือนมิถุนายน ปี 2010
00:15
I landed for the first time
in Rome, Italy.
in Rome, Italy.
1
3760
2880
เป็นครั้งแรกที่ฉันได้ไปกรุงโรม
ประเทศอิตาลี
ประเทศอิตาลี
00:19
I wasn't there to sightsee.
2
7800
1896
ฉันไม่ได้ไปเที่ยว
ฉันไปที่นั่น เพื่อหยุดปัญหา
ความอดอยากและหิวโหยในโลกใบนี้
ความอดอยากและหิวโหยในโลกใบนี้
00:21
I was there to solve world hunger.
3
9720
3120
00:25
(Laughter)
4
13160
2096
(เสียงหัวเราะ)
00:27
That's right.
5
15280
1216
ถูกต้องค่ะ
00:28
I was a 25-year-old PhD student
6
16520
2096
ตอนนั้นฉันเป็นนักเรียนปริญญาเอก
อายุ 25 ปี
อายุ 25 ปี
00:30
armed with a prototype tool
developed back at my university,
developed back at my university,
7
18640
3096
ที่มาพร้อมกับเครื่องมือและวิธีการ
ที่พัฒนามาจากมหาลัยของฉัน
ที่พัฒนามาจากมหาลัยของฉัน
00:33
and I was going to help
the World Food Programme fix hunger.
the World Food Programme fix hunger.
8
21760
3080
และฉันไปเพื่อช่วยโครงการอาหารโลก
ที่แก้ไขปัญหาความอดอยาก
ที่แก้ไขปัญหาความอดอยาก
00:37
So I strode into the headquarters building
9
25840
2736
ฉันจึงสาวเท้ามุ่งหน้าไปตึกสำนักงานใหญ่
00:40
and my eyes scanned the row of UN flags,
10
28600
2816
และสายตาของฉันก็กวาดไปพบกับแถวของธง UN
00:43
and I smiled as I thought to myself,
11
31440
1960
และฉันก็ยิ้มพร้อมกับคิดในใจ
00:46
"The engineer is here."
12
34840
1616
"วิศวกรอยู่นี่แล้ว"
00:48
(Laughter)
13
36480
2216
(เสียงหัวเราะ)
00:50
Give me your data.
14
38720
1776
เอาข้อมูลมาให้ฉัน
00:52
I'm going to optimize everything.
15
40520
2176
ฉันจะเพิ่มประสิทธิภาพทุกอย่างเอง
00:54
(Laughter)
16
42720
1736
(เสียงหัวเราะ)
00:56
Tell me the food that you've purchased,
17
44480
1896
บอกฉันมาว่าเธอซื้ออาหารอะไร
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
บอกฉันมาว่ามันอยู่ที่ไหน
และต้องการมันเมื่อไหร่
และต้องการมันเมื่อไหร่
และฉันจะบอกวิธีที่สั้นที่สุด
เร็วที่สุด ถูกที่สุดเอง
เร็วที่สุด ถูกที่สุดเอง
01:01
and I'm going to tell you
the shortest, fastest, cheapest,
the shortest, fastest, cheapest,
19
49040
2736
จัดเส้นทางที่ดีที่สุดในการ
ไปเอาอาหารพวกนั้น
ไปเอาอาหารพวกนั้น
01:03
best set of routes to take for the food.
20
51800
1936
01:05
We're going to save money,
21
53760
1496
เราจะลดค่าใช้จ่าย
01:07
we're going to avoid
delays and disruptions,
delays and disruptions,
22
55280
2096
เราจะหลีกเลี่ยงความล่าช้า
และความยุ่งยาก
และความยุ่งยาก
01:09
and bottom line,
we're going to save lives.
we're going to save lives.
23
57400
2736
และที่สำคัญที่สุด
เรากำลังจะช่วยชีวิตผู้คน
เรากำลังจะช่วยชีวิตผู้คน
01:12
You're welcome.
24
60160
1216
ด้วยความยินดี
01:13
(Laughter)
25
61400
1696
(เสียงหัวเราะ)
01:15
I thought it was going to take 12 months,
26
63120
1976
ฉันคิดว่ามันคงจะใช้เวลาซัก 12 เดือน
01:17
OK, maybe even 13.
27
65120
1560
โอเค หรือซัก 13
01:19
This is not quite how it panned out.
28
67800
2280
นี่ไม่ใช่วิถีที่มันควรจะเป็นเลย
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
แค่สองสามเดือนหลังการทำโปรเจค
เจ้านายชาวฝรั่งเศสบอกฉันว่า
เจ้านายชาวฝรั่งเศสบอกฉันว่า
01:27
"You know, Mallory,
30
75400
1816
"คุณรู้มั้ย แมลอรี่
01:29
it's a good idea,
31
77240
1656
มันเป็นความคิดที่ดี
01:30
but the data you need
for your algorithms is not there.
for your algorithms is not there.
32
78920
3336
แต่ข้อมูลที่คุณต้องการ
สำหรับกระบวนการของคุณมันไม่ได้อยู่ที่นี่
สำหรับกระบวนการของคุณมันไม่ได้อยู่ที่นี่
01:34
It's the right idea but at the wrong time,
33
82280
2536
มันเป็นความคิดที่ถูกต้องแต่ผิดเวลา
01:36
and the right idea at the wrong time
34
84840
2296
และความคิดที่ถูกต้องแต่ผิดเวลา
01:39
is the wrong idea."
35
87160
1376
นั้นคือความคิดที่ผิด
01:40
(Laughter)
36
88560
1320
(เสียงหัวเราะ)
01:42
Project over.
37
90960
1280
โปรเจคล้มเลิก
01:45
I was crushed.
38
93120
1200
ฉันถูกบดขยี้
01:49
When I look back now
39
97000
1456
เมื่อฉันมองย้อนกลับไปตอนนี้
01:50
on that first summer in Rome
40
98480
1656
ไปฤดูร้อนนั้นที่กรุงโรม
01:52
and I see how much has changed
over the past six years,
over the past six years,
41
100160
2656
และฉันเห็นว่ามันเปลี่ยนแปลงไป
มากแค่ไหนภายในเวลา 6 ปีที่ผ่านมา
มากแค่ไหนภายในเวลา 6 ปีที่ผ่านมา
01:54
it is an absolute transformation.
42
102840
2240
มันเป็นการเปลี่ยนแปลงอย่างสิ้นเชิง
01:57
It's a coming of age for bringing data
into the humanitarian world.
into the humanitarian world.
43
105640
3400
มันคือการมาถึงของยุคที่นำข้อมูล
เข้ามาสู่โลกของมนุษย์
เข้ามาสู่โลกของมนุษย์
02:02
It's exciting. It's inspiring.
44
110160
2656
มันน่าตื่นเต้น
มันมีแรงบันดาลใจ
มันมีแรงบันดาลใจ
02:04
But we're not there yet.
45
112840
1200
แต่เรายังไม่ถึงจุดนั้น
02:07
And brace yourself, executives,
46
115320
2296
และเตรียมตัวให้พร้อม เหล่าผู้บริหาร
02:09
because I'm going to be putting companies
47
117640
1976
เพราะฉันกำลังจะถูกวางตัวในบริษัท
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
ในตำแหน่งสำคัญที่จะก้าวขึ้นไป
และรับบทบาทที่ฉันรู้ว่าเขาทำได้
และรับบทบาทที่ฉันรู้ว่าเขาทำได้
02:17
My experiences back in Rome prove
49
125520
2816
ประสบการณ์ของฉันที่กรุงโรมได้พิสูจน์แล้ว
02:20
using data you can save lives.
50
128360
2080
ว่าการใช้ข้อมูลสามารถช่วยชีวิตคนได้
02:23
OK, not that first attempt,
51
131440
2456
โอเค ไม่ใช่สำหรับการลองครั้งแรก
02:25
but eventually we got there.
52
133920
2576
แต่ในที่สุดเราไปถึงจุดนั้น
02:28
Let me paint the picture for you.
53
136520
1736
ให้ฉันได้ลองวาดภาพให้คุณดู
02:30
Imagine that you have to plan
breakfast, lunch and dinner
breakfast, lunch and dinner
54
138280
2736
นึกภาพว่าคุณต้องวางแผน
มื้อเช้า กลางวันและเย็น
มื้อเช้า กลางวันและเย็น
02:33
for 500,000 people,
55
141040
1616
สำหรับ 500,000 คน
02:34
and you only have
a certain budget to do it,
a certain budget to do it,
56
142680
2136
และคุณมีงบประมาณจำกัด
02:36
say 6.5 million dollars per month.
57
144840
2240
สมมุติว่าซัก 6.5 ล้านดอลลาร์ต่อเดือน
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
เอาล่ะ คุณจะทำอย่างไร
คุณจะจัดการมันให้ดีที่สุดได้อย่างไร
คุณจะจัดการมันให้ดีที่สุดได้อย่างไร
02:44
Should you buy rice, wheat, chickpea, oil?
59
152280
2760
คุณควรจะซื้อข้าว แป้งสาลี
ถั่วเขียว หรือน้ำมันดี?
ถั่วเขียว หรือน้ำมันดี?
02:47
How much?
60
155760
1216
เท่าไหร่ดี?
02:49
It sounds simple. It's not.
61
157000
2136
ฟังดูเหมือนง่ายๆ นะ แต่ไม่ใช่เลย
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
คุณมีอาหารให้เลือก 30 อย่าง
และคุณต้องเลือกออกมา 5 อย่าง
และคุณต้องเลือกออกมา 5 อย่าง
02:54
That's already over 140,000
different combinations.
different combinations.
63
162400
3416
แค่นั้นก็มากกว่า 140,000 ทางเลือกแล้ว
02:57
Then for each food that you pick,
64
165840
1696
จากนั้นการเลือกอาหาร
แต่ละอย่างของคุณ
แต่ละอย่างของคุณ
02:59
you need to decide how much you'll buy,
65
167560
1976
คุณต้องมาคิดว่าจะซื้อเท่าไหร่
03:01
where you're going to get it from,
66
169560
1696
จะซื้อที่ไหน
03:03
where you're going to store it,
67
171280
1480
จะเอาไปเก็บที่ไหน
03:05
how long it's going to take to get there.
68
173760
1976
ของจะมาถึงเมื่อไหร่
03:07
You need to look at all of the different
transportation routes as well.
transportation routes as well.
69
175760
3336
คุณต้องคิดถึงเส้นทางการขนส่งต่างๆ ด้วย
03:11
And that's already
over 900 million options.
over 900 million options.
70
179120
2080
และนั่นก็เท่ากับว่ามีมากกว่า
900 ล้านทางเลือกแล้ว
900 ล้านทางเลือกแล้ว
03:14
If you considered each option
for a single second,
for a single second,
71
182120
2376
ถ้าคุณใช้เวลาใคร่ครวญ
แต่ละทางเลือกซัก 1 วินาที
แต่ละทางเลือกซัก 1 วินาที
03:16
that would take you
over 28 years to get through.
over 28 years to get through.
72
184520
2336
คุณจะต้องใช้เวลาทั้งหมด 28 ปี
03:18
900 million options.
73
186880
1520
900 ล้านทางเลือก
03:21
So we created a tool
that allowed decisionmakers
that allowed decisionmakers
74
189160
2456
เราเลยสร้างเครื่องมือ
ที่ทำให้ผู้ตัดสินใจ
ที่ทำให้ผู้ตัดสินใจ
03:23
to weed through all 900 million options
75
191640
2616
สามารถจัดการกับ 900 ล้านทางเลือก
03:26
in just a matter of days.
76
194280
1360
ได้ภายในเวลาไม่กี่วัน
03:28
It turned out to be incredibly successful.
77
196560
2240
มันประสบความสำเร็จอย่างเหลือเชื่อ
03:31
In an operation in Iraq,
78
199400
1256
ในการปฏิบัติการที่อิรัก
03:32
we saved 17 percent of the costs,
79
200680
2536
เราประหยัดต้นทุนไปได้ 17%
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
และนี่หมายความว่าคุณสามารถ
เลี้ยงคนเพิ่มได้อีกถึง 80,000 คน
เลี้ยงคนเพิ่มได้อีกถึง 80,000 คน
03:39
It's all thanks to the use of data
and modeling complex systems.
and modeling complex systems.
81
207400
4400
ทั้งหมดนี้ต้องขอบคุณการใช้ข้อมูล
และการวางระบบที่ยุ่งยาก
และการวางระบบที่ยุ่งยาก
03:44
But we didn't do it alone.
82
212800
1280
แต่เราไม่ได้ทำคนเดียว
03:46
The unit that I worked with in Rome,
they were unique.
they were unique.
83
214840
2736
หน่วยงานที่เราทำงานด้วยที่กรุงโรม
พวกเขานั้นแตกต่าง
พวกเขานั้นแตกต่าง
03:49
They believed in collaboration.
84
217600
1736
เขาเชื่อในการร่วมมือกัน
03:51
They brought in the academic world.
85
219360
1696
พวกเขาพาโลกของการศึกษามา
03:53
They brought in companies.
86
221080
1280
พวกเขาพาบริษัทต่างๆ มา
ถ้าเราต้องการสร้างความเปลี่ยนแปลงที่ยิ่งใหญ่
กับปัญหาความอดอยากในโลกนี้จริงๆ
กับปัญหาความอดอยากในโลกนี้จริงๆ
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
03:58
we need everybody to the table.
88
226840
2560
เราต้องร่วมมือกันทุกคน
04:02
We need the data people
from humanitarian organizations
from humanitarian organizations
89
230040
2936
เราต้องการผู้ที่มีข้อมูล
จากองค์กรที่มีมนุษยธรรม
จากองค์กรที่มีมนุษยธรรม
04:05
leading the way,
90
233000
1256
เพื่อนำทางไป
04:06
and orchestrating
just the right types of engagements
just the right types of engagements
91
234280
2576
และกำกับดูแลการมีส่วนร่วมอย่างถูกต้อง
04:08
with academics, with governments.
92
236880
1696
กับสถาบันการศึกษา
กับหน่วยงานราชการ
กับหน่วยงานราชการ
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
และมีกลุ่มหนึ่งที่ไม่ได้
ถูกใช้ประโยชน์ในทางที่ควร
ถูกใช้ประโยชน์ในทางที่ควร
04:14
Did you guess it? Companies.
94
242320
2096
คุณเดาได้มั้ยคะ? บริษัทต่างๆ นั่นเอง
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
บริษัทต่างๆ มีบทบาทสำคัญ
ในการแก้ปัญหาใหญ่ๆ ในโลกของเรา
ในการแก้ปัญหาใหญ่ๆ ในโลกของเรา
04:20
I've been in the private sector
for two years now.
for two years now.
96
248880
2416
ฉันอยู่ในภาคเอกขนมา 2 ปีแล้ว
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
ฉันได้เห็นว่าบริษัทต่างๆ สามารถทำอะไรได้บ้าง
และฉันได้เห็นสิ่งที่บริษัทต่างๆ ไม่ได้ทำ
และฉันได้เห็นสิ่งที่บริษัทต่างๆ ไม่ได้ทำ
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
และฉันคิดว่ามันมีสามทางหลัก
ที่จะช่วยปิดช่องโหว่นี้ได้
ที่จะช่วยปิดช่องโหว่นี้ได้
04:30
by donating data,
by donating decision scientists
by donating decision scientists
99
258320
3096
โดยการบริจาคข้อมูล,
โดยการบริจาคนักวิทยาศาสตร์ข้อมูล
โดยการบริจาคนักวิทยาศาสตร์ข้อมูล
04:33
and by donating technology
to gather new sources of data.
to gather new sources of data.
100
261440
3480
และโดยการบริจาคเทคโนโลยี
ที่จะช่วยรวบรวมที่มาใหม่ๆ ของข้อมูล
ที่จะช่วยรวบรวมที่มาใหม่ๆ ของข้อมูล
04:37
This is data philanthropy,
101
265920
1576
นี่คือการทำบุญด้วยข้อมูล
04:39
and it's the future of corporate
social responsibility.
social responsibility.
102
267520
2840
และมันคืออนาคตของการมีส่วนร่วม
ต่อการรับผิดชอบต่อสังคม
ต่อการรับผิดชอบต่อสังคม
04:43
Bonus, it also makes good business sense.
103
271160
2600
นอกจากนี้ มันยังสนับสนุน
ต่อการทำธุรกิจด้วย
ต่อการทำธุรกิจด้วย
04:46
Companies today,
they collect mountains of data,
they collect mountains of data,
104
274920
3216
บริษัททุกวันนี้เก็บข้อมูลมากมายมหาศาล
04:50
so the first thing they can do
is start donating that data.
is start donating that data.
105
278160
2762
ดังนั้นสิ่งแรกที่พวกเขาทำได้
คือเริ่มต้นบริจาคข้อมูลเหล่านั้น
คือเริ่มต้นบริจาคข้อมูลเหล่านั้น
04:52
Some companies are already doing it.
106
280946
2190
บางบริษัทก็เริ่มต้นทำไปแล้ว
04:55
Take, for example,
a major telecom company.
a major telecom company.
107
283160
2416
ยกตัวอย่างเช่น
บริษัทสื่อสารยักษ์ใหญ่แห่งหนึ่ง
บริษัทสื่อสารยักษ์ใหญ่แห่งหนึ่ง
04:57
They opened up their data
in Senegal and the Ivory Coast
in Senegal and the Ivory Coast
108
285600
2776
พวกเขาเปิดเผยข้อมูลของเขา
ในเซเนกัลและไอวอรี่โคสต์
ในเซเนกัลและไอวอรี่โคสต์
05:00
and researchers discovered
109
288400
1976
และนักวิจัยได้ค้นพบว่า
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
ถ้าคุณดูรูปแบบของสัญญาณที่ส่งมาถึง
เสารับสัญญาณมือถือ
เสารับสัญญาณมือถือ
05:05
you can see where people are traveling.
111
293758
1938
คุณจะเห็นว่าผู้คนเดินทางไปไหนบ้าง
05:07
And that can tell you things like
112
295720
2176
และนั่นสามารถบอก
สิ่งต่างๆ กับคุณได้ อย่างเช่น
สิ่งต่างๆ กับคุณได้ อย่างเช่น
05:09
where malaria might spread,
and you can make predictions with it.
and you can make predictions with it.
113
297920
3096
เชื้อมาลาเรียจะแพร่ไปที่ไหนบ้าง
และคุณสามารถคาดการณ์มันได้
และคุณสามารถคาดการณ์มันได้
05:13
Or take for example
an innovative satellite company.
an innovative satellite company.
114
301040
2896
หรือตัวอย่างเช่น
บริษัทดาวเทียมนวัตกรรมสูงแห่งหนึ่ง
บริษัทดาวเทียมนวัตกรรมสูงแห่งหนึ่ง
05:15
They opened up their data and donated it,
115
303960
2016
พวกเขาเปิดเผยข้อมูลและบริจาคมัน
05:18
and with that data you could track
116
306000
1656
และด้วยข้อมูลที่คุณสามารถติดตามได้
05:19
how droughts are impacting
food production.
food production.
117
307680
2040
ว่าความแห้งแห้งกำลังส่งผล
อย่างไรต่อการผลิตอาหาร
อย่างไรต่อการผลิตอาหาร
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
ด้วยสิ่งนี้ จริงๆ แล้วคุณสามารถระดม
ทุนหาเงินช่วยเหลือได้ก่อนวิกฤติจะเกิด
ทุนหาเงินช่วยเหลือได้ก่อนวิกฤติจะเกิด
05:27
This is a great start.
119
315560
1280
นี่เป็นการเริ่มต้นที่ดี
05:29
There's important insights
just locked away in company data.
just locked away in company data.
120
317840
2880
มีข้อมูลเชิงลึกสำคัญที่
ถูกซ่อนอยู่ในข้อมูลของบริษัท
ถูกซ่อนอยู่ในข้อมูลของบริษัท
05:34
And yes, you need to be very careful.
121
322480
1816
และใช่แล้ว คุณต้องระมัดระวังอย่างมาก
05:36
You need to respect privacy concerns,
for example by anonymizing the data.
for example by anonymizing the data.
122
324320
3576
คุณต้องเคารพความกังวลด้านความปลอดภัย
อย่างเช่น การไม่เปิดเผยข้อมูล
อย่างเช่น การไม่เปิดเผยข้อมูล
05:39
But even if the floodgates opened up,
123
327920
2776
แต่แม้ว่าถ้าประตูกั้นทั้งหมดถูกเปิด
05:42
and even if all companies
donated their data
donated their data
124
330720
2536
และแม้ว่าถ้าทุกบริษัท
บริจาคข้อมูล
บริจาคข้อมูล
05:45
to academics, to NGOs,
to humanitarian organizations,
to humanitarian organizations,
125
333280
3256
ให้สถาบันการศึกษา ให้กลุ่มองค์กรอิสระ
ให้องค์กรด้านมนุษยธรรม
ให้องค์กรด้านมนุษยธรรม
05:48
it wouldn't be enough
to harness that full impact of data
to harness that full impact of data
126
336560
2976
มันก็ยังไม่พอที่จะควบคุม
ผลกระทบของข้อมูล
ผลกระทบของข้อมูล
05:51
for humanitarian goals.
127
339560
1520
สำหรับเป้าหมายทางมนุษยธรรม
05:54
Why?
128
342320
1456
ทำไมน่ะหรอ
05:55
To unlock insights in data,
you need decision scientists.
you need decision scientists.
129
343800
3240
ในการเข้าถึงข้อมูลเชิงลึกจากข้อมูลทั่วๆไป
คุณต้องจำเป็นต้องมีนักวิทยาศาสตร์ข้อมูล
คุณต้องจำเป็นต้องมีนักวิทยาศาสตร์ข้อมูล
05:59
Decision scientists are people like me.
130
347760
2576
นักวิทยาศาสตร์ข้อมูลคือคนอย่างฉัน
06:02
They take the data, they clean it up,
131
350360
1816
พวกเขาเอาข้อมูลไป จัดระเบียบมัน
06:04
transform it and put it
into a useful algorithm
into a useful algorithm
132
352200
2256
ดัดแปลงมันและทำให้มันเป็น
ชุดคำนวณที่ใช้งานได้
ชุดคำนวณที่ใช้งานได้
06:06
that's the best choice
to address the business need at hand.
to address the business need at hand.
133
354480
2840
นั่นเป็นทางเลือกที่ดีที่สุด
ที่จะจัดการความต้องการของธุรกิจ
ที่จะจัดการความต้องการของธุรกิจ
06:09
In the world of humanitarian aid,
there are very few decision scientists.
there are very few decision scientists.
134
357800
3696
ในโลกของความช่วยเหลือทางมนุษยธรรม
เรามีนักวิทยาศาสตร์ข้อมูลอยู่น้อยมากๆ
เรามีนักวิทยาศาสตร์ข้อมูลอยู่น้อยมากๆ
06:13
Most of them work for companies.
135
361520
1640
ส่วนใหญ่พวกเขาทำงานในบริษัทเอกชน
06:16
So that's the second thing
that companies need to do.
that companies need to do.
136
364480
2496
ดังนั้นสิ่งที่สองที่บริษัทต่างๆ ต้องทำ
06:19
In addition to donating their data,
137
367000
1696
นอกเหนือจากการบริจาคข้อมูล
06:20
they need to donate
their decision scientists.
their decision scientists.
138
368720
2160
พวกเขาต้องบริจากนักวิทยาศาสตร์ข้อมูลด้วย
06:23
Now, companies will say, "Ah! Don't take
our decision scientists from us.
our decision scientists from us.
139
371520
5736
ถึงตอนนี้ บริษัทต่างๆ อาจจะบอกว่า
"อ่า! อย่าเอานักวิทยาศาสตร์ข้อมูลไปจากเรา
"อ่า! อย่าเอานักวิทยาศาสตร์ข้อมูลไปจากเรา
06:29
We need every spare second of their time."
140
377280
2040
เราต้องใช้พวกเขาตลอดเวลา"
06:32
But there's a way.
141
380360
1200
แต่มันมีวิธีค่ะ
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
ถ้าบริษัทเอกชนจะบริจาคเวลา
ของนักวิทยาศาสตร์ข้อมูลซักช่วงหนึ่ง
ของนักวิทยาศาสตร์ข้อมูลซักช่วงหนึ่ง
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
มันจะเข้าท่ามากกว่า
ที่จะกระจายเวลาเป็นช่วงๆ
ที่จะกระจายเวลาเป็นช่วงๆ
06:41
over a long period,
say for example five years.
say for example five years.
144
389800
2200
ออกเป็นระยะเวลากว้างๆ
อย่างเช่น ซัก 5 ปี
อย่างเช่น ซัก 5 ปี
06:44
This might only amount
to a couple of hours per month,
to a couple of hours per month,
145
392600
3056
นี่อาจจะเป็นเวลาแค่
ไม่กี่ชั่วโมงต่อเดือน
ไม่กี่ชั่วโมงต่อเดือน
06:47
which a company would hardly miss,
146
395680
2056
ซึ่งบริษัทเองก็แทบจะไม่เสียอะไร
06:49
but what it enables is really important:
long-term partnerships.
long-term partnerships.
147
397760
3480
แต่สิ่งที่มันจะทำได้นั้นสำคัญมาก
ความร่วมมือในระยะยาว
ความร่วมมือในระยะยาว
06:54
Long-term partnerships
allow you to build relationships,
allow you to build relationships,
148
402920
2816
ความร่วมมือในระยะยาวทำให้คุณ
สามารถสร้างความสัมพันธ์
สามารถสร้างความสัมพันธ์
06:57
to get to know the data,
to really understand it
to really understand it
149
405760
2656
ทำให้คุณรู้จักข้อมูล
ทำให้คุณเข้าใจมันจริงๆ
ทำให้คุณเข้าใจมันจริงๆ
07:00
and to start to understand
the needs and challenges
the needs and challenges
150
408440
2416
และทำให้คุณเริ่มเข้าใจ
ความจำเป็นและความท้าทาย
ความจำเป็นและความท้าทาย
07:02
that the humanitarian
organization is facing.
organization is facing.
151
410880
2160
ที่องค์กรเพื่อมนุษยชนกำลังเผชิญอยู่
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
ที่โรม ที่โครงการอาหารโลก
สิ่งนี้กินเวลาเรา 5 ปี
สิ่งนี้กินเวลาเรา 5 ปี
07:09
five years.
153
417560
1456
5 ปี
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
ใน 3 ปีแรก โอเค
นั่นอาจจะเป็นสิ่งที่เราแก้ไม่ได้
นั่นอาจจะเป็นสิ่งที่เราแก้ไม่ได้
07:14
Then there was two years after that
of refining and implementing the tool,
of refining and implementing the tool,
155
422400
3496
ส่วน 2 ปีถัดไปหลังจากนั้น
จะเป็นการปรับแก้และดำเนินการกับเครื่องมือ
จะเป็นการปรับแก้และดำเนินการกับเครื่องมือ
07:17
like in the operations in Iraq
and other countries.
and other countries.
156
425920
2800
อย่างปฏิบัติการในอิรัค
และประเทศอื่นๆ
และประเทศอื่นๆ
07:21
I don't think that's
an unrealistic timeline
an unrealistic timeline
157
429520
2096
ฉันไม่คิดว่านั่น
เป็นระยะเวลาที่ไม่สมจริง
เป็นระยะเวลาที่ไม่สมจริง
07:23
when it comes to using data
to make operational changes.
to make operational changes.
158
431640
2736
ถ้ามันเป็นเรื่องของการใช้ข้อมูล
ในการสร้างการเปลี่ยนแปลงทางปฏิบัติ
ในการสร้างการเปลี่ยนแปลงทางปฏิบัติ
07:26
It's an investment. It requires patience.
159
434400
2400
มันคือการลงทุน มันต้องใช้ความอดทน
07:29
But the types of results
that can be produced are undeniable.
that can be produced are undeniable.
160
437760
3496
แต่ประเภทของผลลัพธ์
ที่มันสามารถผลิตออกมานั้นปฏิเสธไม่ได้เลย
ที่มันสามารถผลิตออกมานั้นปฏิเสธไม่ได้เลย
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
ในกรณีของเรา มันคือความสามารถ
ที่จะเลี้ยงชีวิตคนได้เพิ่มขึ้นเป็นหมื่นๆ คน
ที่จะเลี้ยงชีวิตคนได้เพิ่มขึ้นเป็นหมื่นๆ คน
07:39
So we have donating data,
we have donating decision scientists,
we have donating decision scientists,
162
447440
4336
เมื่อเรามีข้อมูลที่บริจาคมา
เรามีนักวิทยาศาสตร์ข้อมูลที่ได้รับบริจาคมา
เรามีนักวิทยาศาสตร์ข้อมูลที่ได้รับบริจาคมา
07:43
and there's actually a third way
that companies can help:
that companies can help:
163
451800
2696
และจริงๆ แล้วเรามีหนทางที่สาม
ที่บริษัทเอกชนจะช่วยได้
ที่บริษัทเอกชนจะช่วยได้
07:46
donating technology
to capture new sources of data.
to capture new sources of data.
164
454520
2976
บริจาคเทคโนโลยี
ที่จะนำมาซึ่งแหล่งข้อมูลใหม่ๆ
ที่จะนำมาซึ่งแหล่งข้อมูลใหม่ๆ
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
คุณเห็นไหมคะ มีอะไรมากมาย
เราแค่ไม่มีข้อมูล
เราแค่ไม่มีข้อมูล
07:52
Right now, Syrian refugees
are flooding into Greece,
are flooding into Greece,
166
460960
2720
ตอนนี้ ผู้อพยพชาวซีเรีย
กำลังไหลเข้าสู่ประเทศกรีซ
กำลังไหลเข้าสู่ประเทศกรีซ
07:57
and the UN refugee agency,
they have their hands full.
they have their hands full.
167
465120
2560
และหน่วยงานผู้ลี้ภัยของ UN
พวกเขามีงานล้นมือ
พวกเขามีงานล้นมือ
08:01
The current system for tracking people
is paper and pencil,
is paper and pencil,
168
469000
3056
ระบบติดตามคนปัจจุบัน
คือกระดาษและดินสอ
คือกระดาษและดินสอ
08:04
and what that means is
169
472080
1256
และนั่นมันหมายถึง
08:05
that when a mother and her five children
walk into the camp,
walk into the camp,
170
473360
2856
เมื่อแม่และลูกๆ ทั้งห้าคนของเธอ
เดินเข้ามาที่ค่าย
เดินเข้ามาที่ค่าย
08:08
headquarters is essentially
blind to this moment.
blind to this moment.
171
476240
2656
สำนักงานนี้จะตาบอดไปเลยในช่วงเวลานั้น
08:10
That's all going to change
in the next few weeks,
in the next few weeks,
172
478920
2336
นั่นเป็นสิ่งที่จะเปลี่ยนไปใน
ไม่กี่สัปดาห์ข้างหน้า
ไม่กี่สัปดาห์ข้างหน้า
08:13
thanks to private sector collaboration.
173
481280
1880
ขอขอบคุณความร่วมมือจากภาคเอกชน
08:15
There's going to be a new system based
on donated package tracking technology
on donated package tracking technology
174
483840
3656
เรากำลังจะมีระบบใหม่จาก
เทคโนโลยีติดตามที่ได้รับบริจาค
เทคโนโลยีติดตามที่ได้รับบริจาค
08:19
from the logistics company
that I work for.
that I work for.
175
487520
2040
มาจากบริษัทด้านโลจิสติค
ที่ฉันทำงานด้วย
ที่ฉันทำงานด้วย
08:22
With this new system,
there will be a data trail,
there will be a data trail,
176
490120
2336
ด้วยระบบนี้
เราจะมีข้อมูลเป็นสาย
เราจะมีข้อมูลเป็นสาย
08:24
so you know exactly the moment
177
492480
1456
ดังนั้นเราจะรู้ช่วงเวลาที่แน่นอนว่า
08:25
when that mother and her children
walk into the camp.
walk into the camp.
178
493960
2496
เมื่อไหร่ที่แม่คนนั้นและลูกๆ ของเธอ
เดินเข้ามาในค่าย
เดินเข้ามาในค่าย
และมากไปกว่านั้น คุณจะรู้
ว่าเธอจะมีเครื่องอุปโภคบริโภค
ว่าเธอจะมีเครื่องอุปโภคบริโภค
08:28
And even more, you know
if she's going to have supplies
if she's going to have supplies
179
496480
2616
เพียงพอสำหรับเดือนนี้
และเดือนหน้าหรือไม่
และเดือนหน้าหรือไม่
08:31
this month and the next.
180
499120
1256
08:32
Information visibility drives efficiency.
181
500400
3016
การเปิดเผยข้อมูลทำให้
เกิดประสิทธิภาพ
เกิดประสิทธิภาพ
08:35
For companies, using technology
to gather important data,
to gather important data,
182
503440
3256
สำหรับบริษัทเอกชน การใช้เทคโนโลยี
มาเก็บรวบรวมข้อมูลสำคัญ
มาเก็บรวบรวมข้อมูลสำคัญ
08:38
it's like bread and butter.
183
506720
1456
มันเป็นแหล่งรายได้หลัก
08:40
They've been doing it for years,
184
508200
1576
พวกเขาทำกันมาหลายปีแล้ว
08:41
and it's led to major
operational efficiency improvements.
operational efficiency improvements.
185
509800
3256
และมันนำมาซึ่ง
การปรับปรุงประสิทธิภาพของกระบวนการ
การปรับปรุงประสิทธิภาพของกระบวนการ
08:45
Just try to imagine
your favorite beverage company
your favorite beverage company
186
513080
2360
ลองจินตนาการดูว่า
บริษัทเครื่องดื่มในดวงใจของคุณ
บริษัทเครื่องดื่มในดวงใจของคุณ
08:48
trying to plan their inventory
187
516280
1576
กำลังวางแผนสินค้าในคลังของเขา
08:49
and not knowing how many bottles
were on the shelves.
were on the shelves.
188
517880
2496
และการไม่รู้ว่าบนชั้นวาง
มีเครื่องดื่มอยู่กี่ขวด
มีเครื่องดื่มอยู่กี่ขวด
08:52
It's absurd.
189
520400
1216
นั่นมันพิลึกมาก
08:53
Data drives better decisions.
190
521640
1560
ข้อมูลทำให้เกิด
การตัดสินใจที่ดีขึ้น
การตัดสินใจที่ดีขึ้น
08:57
Now, if you're representing a company,
191
525800
2536
ณ ตอนนี้ ถ้าคุณเป็นตัวแทนของบริษัทเอกชน
09:00
and you're pragmatic
and not just idealistic,
and not just idealistic,
192
528360
3136
และคุณปฏิบัติงานจริง
ไม่ใช่แค่คิดอยู่ในอุดมคติ
ไม่ใช่แค่คิดอยู่ในอุดมคติ
09:03
you might be saying to yourself,
"OK, this is all great, Mallory,
"OK, this is all great, Mallory,
193
531520
3056
คุณอาจกำลังพูดกับตัวเองอยู่ว่า
"โอเค นี่มันดีหมดเลย มัลลอรี่
"โอเค นี่มันดีหมดเลย มัลลอรี่
09:06
but why should I want to be involved?"
194
534600
1840
แต่ทำไมฉันต้องอยาก
เข้าไปเกี่ยวข้องด้วยล่ะ"
เข้าไปเกี่ยวข้องด้วยล่ะ"
09:09
Well for one thing, beyond the good PR,
195
537000
2816
อย่างหนึ่งเลยก็คือ มันเหนือกว่า
การประชาสัมพันธ์ที่ดี
การประชาสัมพันธ์ที่ดี
09:11
humanitarian aid
is a 24-billion-dollar sector,
is a 24-billion-dollar sector,
196
539840
2776
การช่วยเหลือมนุษยชนนั้นคิดเป็น
ขนาดตลาด 24,000 ล้านดอลล่าร์
ขนาดตลาด 24,000 ล้านดอลล่าร์
09:14
and there's over five billion people,
maybe your next customers,
maybe your next customers,
197
542640
3056
และจะมีคนมากกว่า 5,000 ล้านคน
อาจจะเป็นลูกค้าในอนาคตของคุณ
อาจจะเป็นลูกค้าในอนาคตของคุณ
09:17
that live in the developing world.
198
545720
1816
ที่จะอาศัยอยู่ในโลกที่กำลังพัฒนา
09:19
Further, companies that are engaging
in data philanthropy,
in data philanthropy,
199
547560
3096
นอกจากนี้ บริษัทที่มีส่วนร่วม
ในการบริจาคข้อมูล
ในการบริจาคข้อมูล
09:22
they're finding new insights
locked away in their data.
locked away in their data.
200
550680
2976
พวกเขาจะพบข้อมูลเชิงลึก
ที่ซ่อนอยู่ในข้อมูลของพวกเขา
ที่ซ่อนอยู่ในข้อมูลของพวกเขา
09:25
Take, for example, a credit card company
201
553680
2256
อย่างเช่น บริษัทเครดิตการ์ดแห่งหนึ่ง
09:27
that's opened up a center
202
555960
1336
ที่เปิดศูนย์
09:29
that functions as a hub for academics,
for NGOs and governments,
for NGOs and governments,
203
557320
3376
ที่ทำงานเหมือนกับศูนย์รวมนักวิชาการ
สำหรับหน่วยงานอิสระและภาครัฐ
สำหรับหน่วยงานอิสระและภาครัฐ
09:32
all working together.
204
560720
1240
ทุกคนทำงานร่วมกัน
09:35
They're looking at information
in credit card swipes
in credit card swipes
205
563040
2736
พวกเขาศึกษาข้อมูล
การรูดเครดิตการ์ด
การรูดเครดิตการ์ด
09:37
and using that to find insights
about how households in India
about how households in India
206
565800
2976
และใช้ข้อมูลนั้นในการหาข้อมูลเชิงลึก
เกี่ยวกับการที่ชาวบ้านในอินเดีย
เกี่ยวกับการที่ชาวบ้านในอินเดีย
09:40
live, work, earn and spend.
207
568800
1720
อาศัย,ทำงาน,หาเงินและใช้เงิน
09:43
For the humanitarian world,
this provides information
this provides information
208
571680
2576
สำหรับโลกของมนุษยธรรม
สิ่งนี้นำมาซึ่งข้อมูล
สิ่งนี้นำมาซึ่งข้อมูล
09:46
about how you might
bring people out of poverty.
bring people out of poverty.
209
574280
2656
เกี่ยวกับการที่คุณจะ
ดึงผู้คนออกจากความยากจนได้อย่างไร
ดึงผู้คนออกจากความยากจนได้อย่างไร
09:48
But for companies, it's providing
insights about your customers
insights about your customers
210
576960
3016
แต่สำหรับบริษัท มันกำลังบอก
ข้อมูลเชิงลึกของลูกค้าคุณ
ข้อมูลเชิงลึกของลูกค้าคุณ
09:52
and potential customers in India.
211
580000
2040
และความเป็นไปได้
ของลูกค้าในอินเดีย
ของลูกค้าในอินเดีย
09:54
It's a win all around.
212
582760
1800
ทุกคนมีแต่ได้
09:57
Now, for me, what I find
exciting about data philanthropy --
exciting about data philanthropy --
213
585960
3776
ณ ตอนนี้ สำหรับฉัน สิ่งที่ฉัน
รู้สึกตื่นเต้นเกี่ยวกับการช่วยด้วยข้อมูล
รู้สึกตื่นเต้นเกี่ยวกับการช่วยด้วยข้อมูล
10:01
donating data, donating decision
scientists and donating technology --
scientists and donating technology --
214
589760
4336
ทั้งบริจาคข้อมูล บริจาคนักวิทยาศาสตร์ข้อมูล
และบริจาคเทคโนโลยี
และบริจาคเทคโนโลยี
มันคือสิ่งที่มีความหมาย
สำหรับคนทำงานรุ่นใหม่อย่างฉัน
สำหรับคนทำงานรุ่นใหม่อย่างฉัน
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
คนที่กำลังจะเลือกเข้า
ทำงานที่บริษัทเอกชน
ทำงานที่บริษัทเอกชน
10:10
Studies show that
the next generation of the workforce
the next generation of the workforce
217
598800
2656
ผลการศึกษาแสดงให้เห็นว่า
แรงงานของคนรุ่นถัดไป
แรงงานของคนรุ่นถัดไป
10:13
care about having their work
make a bigger impact.
make a bigger impact.
218
601480
2560
สนใจเกี่ยวกับการทำงาน
ที่สร้างผลกระทบที่ยิ่งใหญ่
ที่สร้างผลกระทบที่ยิ่งใหญ่
10:16
We want to make a difference,
219
604920
2456
เราต้องการสร้างความแตกต่าง
10:19
and so through data philanthropy,
220
607400
2416
และด้วยการบริจาคข้อมูล
10:21
companies can actually help engage
and retain their decision scientists.
and retain their decision scientists.
221
609840
3936
บริษัทสามารถช่วยสร้างความผูกพันธ์
และรักษานักวิทยาศาสตร์ข้อมูลไว้ได้
และรักษานักวิทยาศาสตร์ข้อมูลไว้ได้
10:25
And that's a big deal for a profession
that's in high demand.
that's in high demand.
222
613800
2880
และนั่นเป็นเรื่องที่สำคัญสำหรับวิชาชีพ
ที่กำลังมีความต้องการในตลาดสูง
ที่กำลังมีความต้องการในตลาดสูง
10:29
Data philanthropy
makes good business sense,
makes good business sense,
223
617840
3120
การบริจาคข้อมูลเป็นเรื่องดีสำหรับธุรกิจ
10:34
and it also can help
revolutionize the humanitarian world.
revolutionize the humanitarian world.
224
622200
3280
และมันยังสามารถช่วย
ปฏิวัติโลกของมนุษยธรรม
ปฏิวัติโลกของมนุษยธรรม
10:39
If we coordinated
the planning and logistics
the planning and logistics
225
627600
2096
ถ้าเราประสานงาน
การวางแผนและการขนส่ง
การวางแผนและการขนส่ง
10:41
across all of the major facets
of a humanitarian operation,
of a humanitarian operation,
226
629720
3376
ให้ครอบคลุมแง่มุมหลักๆ
ของการปฏิบัติการในด้านมนุษยธรรม
ของการปฏิบัติการในด้านมนุษยธรรม
10:45
we could feed, clothe and shelter
hundreds of thousands more people,
hundreds of thousands more people,
227
633120
3600
เราสามารถให้อาหาร ให้เครื่องนุ่งห่ม
และที่อยู่อาศัย ให้กับคนกว่าแสนคนได้
และที่อยู่อาศัย ให้กับคนกว่าแสนคนได้
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
และบริษัทเอกชนต้องก้าวออกมา
รับบทบาทสำคัญที่ฉันรู้ว่าเขาทำได้
รับบทบาทสำคัญที่ฉันรู้ว่าเขาทำได้
10:53
in bringing about this revolution.
229
641720
1880
ในการทำให้เกิดการปฏิวัติครั้งนี้
10:56
You've probably heard of the saying
"food for thought."
"food for thought."
230
644720
2936
คุณอาจจะเคยได้ยินคำพูดที่ว่า
"อาหารเพื่อความคิด"
"อาหารเพื่อความคิด"
10:59
Well, this is literally thought for food.
231
647680
2240
แต่สิ่งนี้มันคือความคิดสำหรับอาหารจริงๆ
11:03
It finally is the right idea
at the right time.
at the right time.
232
651560
4136
และในที่สุดมันก็เป็นความคิดที่ถูก
ในเวลาที่ถูกซักที
ในเวลาที่ถูกซักที
11:07
(Laughter)
233
655720
1216
(เสียงหัวเราะ)
11:08
Très magnifique.
234
656960
1576
สวยงามมาก (ภาษาฝรั่งเศส)
11:10
Thank you.
235
658560
1216
ขอบคุณค่ะ
11:11
(Applause)
236
659800
2851
(เสียงปรบมือ)
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