June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
Junio de 2010. Aterricé por primera vez en Roma, Italia. No estaba allí de paseo. Estaba allí para resolver el hambre en el mundo.
(Laughter)
(Risas)
That's right. I was a 25-year-old PhD student armed with a prototype tool developed back at my university, and I was going to help the World Food Programme fix hunger. So I strode into the headquarters building and my eyes scanned the row of UN flags, and I smiled as I thought to myself, "The engineer is here."
Así es. Era una estudiante de doctorado de 25 años armada con una herramienta prototipo desarrollada en mi universidad, e iba a ayudar al Programa Mundial de Alimentos a arreglar el hambre. Entonces entré a zancadas al edificio sede y mis ojos escanearon la fila de banderas de la ONU, y sonreí mientras pensaba: "Ya llegó la ingeniera".
(Laughter)
(Risas)
Give me your data. I'm going to optimize everything.
Denme su información. Voy a optimizarlo todo.
(Laughter)
(Risas)
Tell me the food that you've purchased, tell me where it's going and when it needs to be there, and I'm going to tell you the shortest, fastest, cheapest, best set of routes to take for the food. We're going to save money, we're going to avoid delays and disruptions, and bottom line, we're going to save lives. You're welcome.
Díganme qué comida han comprado, hacia dónde va y cuándo necesita estar allí, y yo les diré las mejores rutas, las más cortas, rápidas y baratas para llevar la comida. Vamos a ahorrar dinero, vamos a evitar retrasos e interrupciones, y, en definitiva, vamos a salvar vidas. De nada.
(Laughter)
(Risas)
I thought it was going to take 12 months, OK, maybe even 13. This is not quite how it panned out. Just a couple of months into the project, my French boss, he told me, "You know, Mallory, it's a good idea, but the data you need for your algorithms is not there. It's the right idea but at the wrong time, and the right idea at the wrong time is the wrong idea."
Pensé que eso llevaría unos 12 meses. Bueno, tal vez incluso 13 meses. No salió así precisamente. Apenas un par de meses desde el inicio del proyecto, mi jefe francés me dijo: "Sabes, Mallory, es una buena idea, pero la información que necesitas para tus algoritmos no existe. Es la idea correcta en el momento incorrecto, y la idea correcta en el momento incorrecto es la idea incorrecta".
(Laughter)
(Risas)
Project over. I was crushed.
Se acabó el proyecto. Estaba destrozada.
When I look back now on that first summer in Rome and I see how much has changed over the past six years, it is an absolute transformation. It's a coming of age for bringing data into the humanitarian world. It's exciting. It's inspiring. But we're not there yet. And brace yourself, executives, because I'm going to be putting companies on the hot seat to step up and play the role that I know they can.
En retrospectiva, en relación a ese primer verano en Roma, veo los cambios que se han dado en estos últimos seis años, es una transformación absoluta. Es un mundo nuevo para la transición de datos al mundo humanitario. Es emocionante. Es inspirador. Pero aún no estamos allí. Y agárrense bien, ejecutivos, porque voy a estar poniendo a compañías en el banquillo de los acusados para que cumplan con su papel.
My experiences back in Rome prove using data you can save lives. OK, not that first attempt, but eventually we got there. Let me paint the picture for you. Imagine that you have to plan breakfast, lunch and dinner for 500,000 people, and you only have a certain budget to do it, say 6.5 million dollars per month. Well, what should you do? What's the best way to handle it? Should you buy rice, wheat, chickpea, oil? How much? It sounds simple. It's not. You have 30 possible foods, and you have to pick five of them. That's already over 140,000 different combinations. Then for each food that you pick, you need to decide how much you'll buy, where you're going to get it from, where you're going to store it, how long it's going to take to get there. You need to look at all of the different transportation routes as well. And that's already over 900 million options. If you considered each option for a single second, that would take you over 28 years to get through. 900 million options.
Mis experiencias en Roma prueban que aprovechando los datos se pueden salvar vidas. Bueno, no ese primer intento, pero eventualmente lo logramos. Les describiré la imagen. Imaginen que tienen que planificar desayuno, almuerzo y cena para 500 000 personas, y que solo cuentan con cierto presupuesto para hacerlo, digamos USD 6,5 millones al mes. Bueno, ¿qué deberían hacer? ¿Cuál es la mejor manera de manejarlo? ¿Se debería comprar arroz, trigo, garbanzos, aceite? ¿Cuánto? Suena simple. No lo es. Tienen 30 alimentos diferentes, y tiene que elegir cinco de ellos. Ya serían más de 140 000 combinaciones diferentes. Luego, para cada tipo de comida que se elija, necesitan decidir cuánto comprar, de dónde se obtendrá, dónde se almacenará, cuánto tiempo tomará llevarla hasta allí. Necesitarán analizar todas las rutas de transporte distintas también. Ya esas serían más de 900 millones de opciones. Si consideraran cada opción por un segundo nada más, les llevaría más de 28 años estudiarlas todas. 900 millones de opciones.
So we created a tool that allowed decisionmakers to weed through all 900 million options in just a matter of days. It turned out to be incredibly successful. In an operation in Iraq, we saved 17 percent of the costs, and this meant that you had the ability to feed an additional 80,000 people. It's all thanks to the use of data and modeling complex systems.
Por lo tanto, creamos una herramienta que permite a los que toman las decisiones procesar las 900 millones de opciones en cuestión de días. Resultó ser increíblemente exitosa. En una operación en Irak, nos ahorramos 17 % de los costos, lo cual significa que hubo la capacidad de alimentar a otras 80 000 personas. Todo es gracias al uso de complejos sistemas de datos y modelado.
But we didn't do it alone. The unit that I worked with in Rome, they were unique. They believed in collaboration. They brought in the academic world. They brought in companies. And if we really want to make big changes in big problems like world hunger, we need everybody to the table. We need the data people from humanitarian organizations leading the way, and orchestrating just the right types of engagements with academics, with governments. And there's one group that's not being leveraged in the way that it should be. Did you guess it? Companies.
Pero no lo hicimos solos. El equipo con el que trabajé en Roma, ellos eran únicos. Creyeron en la colaboración. Incluyeron al mundo académico. Incluyeron a compañías. Y si de verdad queremos hacer un gran cambio en grandes problemas como el hambre mundial, necesitaremos que todos sean parte. Necesitamos que la gente que maneja los datos en organizaciones humanitarias sean los líderes del proceso, y que organicen los compromisos correctos y precisos con académicos, con gobiernos. Y aquí resalta un grupo que no ha sido aprovechado de la manera que debería. ¿Lo han adivinado? Las compañías.
Companies have a major role to play in fixing the big problems in our world. I've been in the private sector for two years now. I've seen what companies can do, and I've seen what companies aren't doing, and I think there's three main ways that we can fill that gap: by donating data, by donating decision scientists and by donating technology to gather new sources of data. This is data philanthropy, and it's the future of corporate social responsibility. Bonus, it also makes good business sense.
Las compañías tienen un gran papel para arreglar los grandes problemas del mundo. Yo he estado en el sector privado durante dos años hasta ahora. He visto lo que las compañías pueden hacer, y lo que las compañías no están haciendo. y creo que hay tres formas principales para poder cubrir ese vacío: Donando información, donando científicos de decisión y donando tecnología para recolectar nuevas fuentes de información. Esto se llama filantropía de datos, y es el futuro de la responsabilidad social corporativa. Además, tiene sentido desde una perspectiva de negocios.
Companies today, they collect mountains of data, so the first thing they can do is start donating that data. Some companies are already doing it. Take, for example, a major telecom company. They opened up their data in Senegal and the Ivory Coast and researchers discovered that if you look at the patterns in the pings to the cell phone towers, you can see where people are traveling. And that can tell you things like where malaria might spread, and you can make predictions with it. Or take for example an innovative satellite company. They opened up their data and donated it, and with that data you could track how droughts are impacting food production. With that you can actually trigger aid funding before a crisis can happen.
Las compañías de hoy en día recolectan montañas de datos, por lo que comenzar a donar esos datos es lo primero que pueden hacer. Algunas compañías ya lo están haciendo. Piensen, por ejemplo, en una compañía de telecomunicaciones. Ellos liberaron sus datos en Senegal y Costa de Marfil y los investigadores descubrieron que si se analiza los patrones en los pings a las torres de servicio móvil, se podrá ver hacia dónde está viajando la gente. Y eso le puede decir cosas como hacia dónde se puede propagar la malaria, y realizar predicciones en base a eso. O, por ejemplo, una innovadora compañía de satélites. Ellos liberaron sus datos y los donaron, y con esa información se puede registrar cómo las sequías impactan a la producción de comida. Con eso se pueden activar fondos de ayuda antes de que ocurra una crisis.
This is a great start. There's important insights just locked away in company data. And yes, you need to be very careful. You need to respect privacy concerns, for example by anonymizing the data.
Este es un gran comienzo. Hay conocimientos importantes atrapados entre los datos de las compañías. Y sí, se necesita tener cuidado. Se debe respetar el tema de privacidad, por ejemplo, al anonimizar los datos.
But even if the floodgates opened up, and even if all companies donated their data to academics, to NGOs, to humanitarian organizations, it wouldn't be enough to harness that full impact of data for humanitarian goals. Why? To unlock insights in data, you need decision scientists. Decision scientists are people like me. They take the data, they clean it up, transform it and put it into a useful algorithm that's the best choice to address the business need at hand. In the world of humanitarian aid, there are very few decision scientists. Most of them work for companies. So that's the second thing that companies need to do. In addition to donating their data, they need to donate their decision scientists.
Pero incluso si se abren todas las puertas, e incluso si todas las compañías donaran sus datos a académicos, a ONGs, a organizaciones humanitarias, no sería suficiente para aprovechar el impacto total de los datos para fines humanitarios. ¿Por qué? Para desbloquear estos conocimientos en los datos, necesitará científicos de decisión. Los científicos de decisión son personas como yo. Ellos toman los datos, los depuran, los transforman y los colocan dentro de un algoritmo útil para tomar la mejor decisión y enfrentar la necesidad del negocio del momento. En el mundo de la ayuda humanitaria existen muy pocos científicos de decisión. La mayoría de ellos trabajan para compañías. Por lo tanto, eso es lo segundo que pueden hacer las compañías. Además de donar sus datos, necesitarán donar a sus científicos de decisión.
Now, companies will say, "Ah! Don't take our decision scientists from us. We need every spare second of their time." But there's a way. If a company was going to donate a block of a decision scientist's time, it would actually make more sense to spread out that block of time over a long period, say for example five years. This might only amount to a couple of hours per month, which a company would hardly miss, but what it enables is really important: long-term partnerships. Long-term partnerships allow you to build relationships, to get to know the data, to really understand it and to start to understand the needs and challenges that the humanitarian organization is facing. In Rome, at the World Food Programme, this took us five years to do, five years. That first three years, OK, that was just what we couldn't solve for. Then there was two years after that of refining and implementing the tool, like in the operations in Iraq and other countries. I don't think that's an unrealistic timeline when it comes to using data to make operational changes. It's an investment. It requires patience. But the types of results that can be produced are undeniable. In our case, it was the ability to feed tens of thousands more people.
Ahora, las compañías dirán "¡Ah! No nos quiten a nuestros científicos de decisión. Necesitamos cada segundo de su tiempo". Pero hay una manera. Si una compañía fuera a donar un bloque del tiempo de un científico de decisión, en realidad, tendría más sentido extender ese bloque de tiempo por un período largo de tiempo, digamos, por ejemplo, cinco años. Esto significaría quizás un par de horas al mes, que no sería gran pérdida para una compañía, pero que permitiría algo muy importante: alianzas a largo plazo. Las alianzas a largo plazo permiten forjar relaciones, ir conociendo los datos, de verdad entenderlos y comenzar a entender las necesidades y retos que la organización humanitaria está enfrentando. En Roma, en el Programa Mundial de Alimentos, esto nos tomó cinco años, cinco años. Esos primeros tres años, bien, no había forma de evitarlos. Luego hubo dos años después de eso para refinar e implementar la herramienta, como en las operaciones en Irak y otros países. No considero que ese sea un plazo poco realista en lo que respecta a usar datos para hacer cambios operacionales. Es una inversión. Requiere paciencia. Pero los tipos de resultados que pueden ser producidos son incuestionables. En nuestro caso, se trató de alimentar a decenas de miles de personas.
So we have donating data, we have donating decision scientists, and there's actually a third way that companies can help: donating technology to capture new sources of data. You see, there's a lot of things we just don't have data on. Right now, Syrian refugees are flooding into Greece, and the UN refugee agency, they have their hands full. The current system for tracking people is paper and pencil, and what that means is that when a mother and her five children walk into the camp, headquarters is essentially blind to this moment. That's all going to change in the next few weeks, thanks to private sector collaboration. There's going to be a new system based on donated package tracking technology from the logistics company that I work for. With this new system, there will be a data trail, so you know exactly the moment when that mother and her children walk into the camp. And even more, you know if she's going to have supplies this month and the next. Information visibility drives efficiency. For companies, using technology to gather important data, it's like bread and butter. They've been doing it for years, and it's led to major operational efficiency improvements. Just try to imagine your favorite beverage company trying to plan their inventory and not knowing how many bottles were on the shelves. It's absurd. Data drives better decisions.
Entonces, hemos donado datos, hemos donado científicos de decisión, y hay una tercera forma en la que pueden ayudar las compañías: donando tecnología para captar nuevas fuentes de datos. Verán, hay muchas cosas sobre las que no tenemos datos. Ahora mismo, hay refugiados sirios desbordándose sobre Grecia, y en la agencia de refugiados de la ONU no tienen un respiro. El sistema actual para rastrear a la gente es con papel y lápiz, lo cual significa que cuando una madre y sus cinco hijos entran en un campamento, la central queda básicamente ciega en este momento. Todo eso va a cambiar en las próximas semanas, gracias a la colaboración del sector privado. Va a haber un nuevo sistema basado en un paquete con tecnología de rastreo, donado a la compañía de logística para la que trabajo. Con este nuevo sistema habrá un rastro de datos, por lo que se podrá conocer el momento exacto en el que esa madre y sus hijos entran al campamento. E incluso, se podrá saber y ella tendrá provisiones para este mes y el siguiente. La visibilidad de la información impulsa a la eficiencia. Para las compañías, el uso de la tecnología para recolectar datos importantes, es el pan nuestro de cada día. Ellos lo han estado haciendo por años, y eso ha llevado a importantes mejoras de la eficiencia operacional. Solo trate de imaginar a su compañía de refrescos favorita tratando de planificar su inventario sin saber cuántas botellas hay en los estantes. Es absurdo. Los datos llevan a mejores decisiones.
Now, if you're representing a company, and you're pragmatic and not just idealistic, you might be saying to yourself, "OK, this is all great, Mallory, but why should I want to be involved?" Well for one thing, beyond the good PR, humanitarian aid is a 24-billion-dollar sector, and there's over five billion people, maybe your next customers, that live in the developing world. Further, companies that are engaging in data philanthropy, they're finding new insights locked away in their data. Take, for example, a credit card company that's opened up a center that functions as a hub for academics, for NGOs and governments, all working together. They're looking at information in credit card swipes and using that to find insights about how households in India live, work, earn and spend. For the humanitarian world, this provides information about how you might bring people out of poverty. But for companies, it's providing insights about your customers and potential customers in India. It's a win all around. Now, for me, what I find exciting about data philanthropy -- donating data, donating decision scientists and donating technology -- it's what it means for young professionals like me who are choosing to work at companies. Studies show that the next generation of the workforce care about having their work make a bigger impact. We want to make a difference, and so through data philanthropy, companies can actually help engage and retain their decision scientists. And that's a big deal for a profession that's in high demand.
Ahora, si uno está representando a una compañía, y es pragmático y no solo idealista, quizás esté pensando: "Ok, todo esto está muy bien, Mallory, pero, ¿por qué querría estar involucrado?" Bueno, para empezar, más allá de la buena publicidad, la ayuda humanitaria es un sector de USD 24 000 millones, y hay más de 5000 millones de personas, quizás sus próximos clientes, que viven en el mundo en vías de desarrollo. Luego, las compañías que se involucran en la filantropía de datos están descubriendo nuevos conocimientos atrapados en su información. Consideren, por ejemplo, a una compañía de tarjetas de crédito que ha abierto un centro que funciona como una sede para académicos, ONGs y gobiernos, todos trabajando juntos. Ellos buscan información en las lecturas de tarjetas de crédito y usan esos datos para conocer más sobre cómo los hogares en la India viven, trabajan, ganan y gastan. Para el mundo humanitario, esto brinda información sobre cómo se puede sacar a la gente de la pobreza. Pero para las compañías, esto brinda conocimientos sobre los clientes y clientes potenciales en la India. Todos ganan aquí. En mi caso, lo que me parece emocionante de la filantropía de datos -- donar datos, donar científicos de decisión y donar tecnología -- es lo que importa para jóvenes profesionales como yo que decidimos trabajar en compañías. Lo estudios muestran que para la próxima generación de la fuerza laboral es importante que su trabajo genere un impacto mayor. Queremos hacer la diferencia, y con la filantropía de datos, las compañías pueden ayudar a involucrar y a retener a sus científicos de decisión. Y eso es un asunto importante para una profesión que está en alta demanda.
Data philanthropy makes good business sense, and it also can help revolutionize the humanitarian world. If we coordinated the planning and logistics across all of the major facets of a humanitarian operation, we could feed, clothe and shelter hundreds of thousands more people, and companies need to step up and play the role that I know they can in bringing about this revolution.
La filantropía de datos tiene sentido comercialmente, y también puede impulsar una revolución en el mundo humanitario. Si coordinamos nuestra planificación y logística a lo largo de las facetas más importantes de la operación humanitaria, podríamos alimentar, vestir y acoger a otros cientos de miles de personas, y las compañías necesitan dar el paso y tomar el papel que sé que pueden tomar para hacer realidad esa revolución.
You've probably heard of the saying "food for thought." Well, this is literally thought for food. It finally is the right idea at the right time.
Quizás hayan escuchado la expresión "alimento para el cerebro". Bueno, esto es, literalmente, usar el cerebro para alimentar. Finalmente se trata de la idea correcta en el momento correcto.
(Laughter)
(Risas)
Très magnifique.
Très magnifique.
Thank you.
Muchas gracias.
(Applause)
(Aplausos)