June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
ژوئن ۲۰۱۰. برای اولین بار در شهر رم، در ایتالیا فرود آمدم. برای گردش شهر آنجا نبودم. رفته بودم تا مشکل گرسنگی جهان را حل کنم.
(Laughter)
(خنده حاضرین)
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."
درسته. من ۲۵ ساله و دانشجوی مقطع دکتری مسلح به یک ابزار آزمایشی بودم که در دانشگاهم طراحی شده بود، میخواستم به «برنامه جهانی غذا» در حل گرسنگی کمک کنم. پس به ساختمان مرکزی آن سازمان قدم گذاشتم و چشمانم ردیف پرچمهای سازمان ملل را بررسی کرد، و لبخند زدم و توی دلم گفتم، «مهندس اینجاست.»
(Laughter)
(خنده حاضرین)
Give me your data. I'm going to optimize everything.
دادههای خود را به من بدهید. میخواهم همه چیز را بهینهسازی کنم.
(Laughter)
(خنده حاضرین)
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.
از غذایی که خریدهای برایم بگو. بگو به کجا میرود و چه موقع باید آنجا باشد، و من برایت کوتاهترین، سریعترین، ارزانترین و بهترین مجموعه از مسیرهایی را میگویم که به غذا خواهی رسید. پول پسانداز میکنیم، از تأخیرها و اختلالات پیشگیری خواهیم کرد، و سر آخر اینکه زندگیها را نجات میدهیم. نیازی به تشکر نیست.
(Laughter)
(خنده حاضرین)
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."
فکر کردم ۱۲ ماه طول خواهد کشید، باشه، شاید هم ۱۳ ماه. اما اصلاً طبق برنامهام پیش نرفت. چند ماهی بعد از شروع پروژه، رییس فرانسویام بهم گفت، «میدونی مالری، فکر خوبیه، اما دادههای لازم برای الگوریتم تو وجود نداره. ایدهای خوبه ولی در زمانی غلط، و ایده خوب در زمان غلط ایدهای غلطه.»
(Laughter)
(خنده حاضرین)
Project over. I was crushed.
ختم پروژه. نابود شدم.
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.
الان که به عقب نگاه میکنم به اولین تابستانم در رم میبینم چقدر همه چیز در شش سال گذشته عوض شده، یک دگرگونی مطلق است. زمان اصلی برای واردکردن دادهها به جهان بشردوستانه است. هیجانانگیز و الهامبخش است. اما راه درازی مانده. و رؤسای شرکتها، آماده باشید، چون قصد دارم شرکتهایتان را به چالش بکشم تا وارد عمل شوند و نقششان را که میدانم از پسش برمیآیند ایفا کنند.
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.
تجربه ام در رم ثابت کرد که با استفاده از دادهها میتوانید جان مردم را نجات دهید خب البته نه در تلاش اول، اما در نهایت به آنجا میٰرسیم. بگذارید تصویر را برایتان ترسیم کنم. تصور کنید باید برای صبحانه، ناهار و شامِ پانصد هزار نفر برنامه ریزی کنید، و برای این کار بودجه محدودی دارید، مثلا ۶/۵ میلیون دلار در ماه. خب، چکار باید کنید؟ بهترین روش برای انجام آن چیست؟ آیا خرید برنج، روغن، گندم و نخود لازم است؟ چقدر؟ ساده به نظر میآید. اما نیست. ۳۰ نوع غذای ممکن دارید، و باید ۵ تا را انتخاب کنید. بیش از ۱۴۰/۰۰۰ ترکیب مختلف میشود. بعد برای هر غذایی که انتخاب میکنید، لازم است تصمیم بگیرید چقدر خرید کرده، از کجا آن را بخرید، کجا آن را نگه دارید، چقدر زمان رسیدن به آنجا طول میکشد. باید همه مسیرهای حمل و نقل مختلف را بررسی کنید. و این میشود بیش از ۹۰۰ میلیون گزینه. اگر هر گزینه را فقط یک ثانیه بررسی کنید، ۲۸ سال زمان لازم است تا آنها را مرور کنید، ۹۰۰ میلیون گزینه.
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.
پس ابزاری خلق کردیم که به تصمیمگیرندهها اجازه میداد تا ۹۰۰ میلیون گزینه را ظرف تنها چند روز بررسی کنند. روشی که بینهایت موفقیتآمیز ظاهر شد. در یک عملیات در عراق ۱۷ درصد در هزینهها صرفجویی کردیم، و این به آن معناست که میتوانید تغذیه ۸۰/۰۰۰ تن دیگر را بدهید. همهی اینها به لطف استفاده از دادهها و سیستمهای پیچیدهی مدلسازی است.
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.
اما این کار را تنهایی انجام ندادیم. گروهی که باهاشون در رم کار میکردم بینظیر بودند. به همکاری اعتقاد داشتند. دنیای دانشگاهی را مشارکت دادند. شرکتها را آوردند. و اگر میخواهیم تغییرات بزرگ در مشکلات عظیمی چون گرسنگی در جهان ایجاد کنیم همه باید سر میز حاضر شوند. ما به متخصصان دادههای سازمانهای بشری نیاز داریم برای فرماندهی و مدیریت انواع و اقسام صحیح مشارکت با دانشگاهیان و مراکز دولتی. و یک گروه هست که آنطور که باید مایل به مشارکت نیست. حدس زدید؟ شرکتها.
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.
شرکتها نقش اساسی در حل مشکلات بزرگ در جهان ما دارند. من دو سال است که در بخش خصوصی کار میکنم. دیدم که شرکتها چه کارهایی انجام میدهند، و چه کارهایی نه. و فکر میکنم سه روش اصلی برای پر کردن این شکاف داریم: با در اختیار گذاشتن دادهها، متخصصان تصمیمگیری (دادهکاوها) و در اختیار گذاشتن فناوری برای جمعآوری منابع تازه دادهها. این صدقهدادنِ دادههاست، و آیندهی مشارکت در مسئولیتپذیری اجتماعی. خوبیاش این است که به لحاظ تجاری هم سود خوبی دارد.
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.
امروزه شرکتها کوهی از دادهها جمع می کنند، پس اولین قدم اعطای این دادههاست. برخی شرکتها الان این کار را میکنند. برای مثال، یک شرکت بزرگ مخابراتی. دادههای خود را در سنگال و ساحل عاج آزاد کردند و محققان دریافتند که اگر به الگوی آنتندهی دکلهای مخابراتی نگاه کنیم خواهیم دید که مردم کجا سفر میکنند. و همینطور قادر خواهید بود بگویید مثلاً مالاریا کجا ممکن است همهگیر شود و برایش پیش بینیهایی کنید. یا برای مثال یک شرکت ماهوارهای نوآور را در نظر بگیرید. آنها دادههای خود را آزاد کرده و در اختیار گذاشتند و با این دادهها میتوان ردیابی کرد اثرات خشکسالیها بر تولید غذا چگونه است. اینطوری میشود کمکهای مالی را پیش از رخ دادن یک بحران به انجام رساند.
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.
این شروع خوبی است. اطلاعات مفید مهمی در دادههای شرکتها نهفته است و بله البته باید خیلی محتاط باشید. باید به دغدغههای خصوصی احترام بگذارید، مثلاً با ناشناسکردن دادهها.
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.
ولی حتی اگر دریچههای این سد باز شوند، و حتی اگر همه شرکتها دادههای خود را اهدا کنند به دانشگاهیان، سازمانهای غیر دولتی، و سازمانهای بشردوستانه، برای درک اثرات کامل این دادهها بر اهداف بشر دوستانه کافی نخواهد بود. چرا؟ برای آشکار کردن این اطلاعات در دادهها به متخصصان (دادهکاوی) نیاز دارید. دانشمندن تصمیمگیرنده مردمی مثل من هستند. داده را میگیرند، تمیزش میکنند، آن را تغییر میدهند و درون یک الگورتیم مفید قرار میدهند که بهترین گزینه است در جهت مدیریت کردن کار. در دنیای کمکهای بشردوستانه، خیلی متخصص تصمیمگیری کم است. اکثراً در خدمت شرکتها هستند. پس این دومین چیزی است که این شرکتها لازم است انجام دهند. علاوه بر بخشش دادههایشان، لازم است دانشمندانِ تصمیمگیریشان را هم اهدا کنند.
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.
الان شرکتها خواهند گفت، «آه، متخصصان تصمیمگیری را از ما نگیرید. ما هر لحظه به آنها نیاز داریم.» اما راه حلی وجود دارد. اگر یک شرکت بخشی از زمان یک دانشمند تصمیمگیری را اهدا میکرد، عاقلانهتر بود که این زمان را بر روی گسترهای طولانی از زمان پخش میکرد، مثلاً پنج سال. این شاید حدود چند ساعت در ماه میشد، که یک شرکت به سختی آن را حس میکرد، ولی توانایی که داشت مهم بود: همکاری طولانی مدت. همکاری طولانی مدت به شما اجازه میدهد رابطه ایجاد کنید، تا دادهها را بشناسید و واقعاً آنها را درک کنید و شروع به فهمیدن نیازها و چالشهایی کنید که سازمانهای بشردوستانه با آنها مواجه هستند. در رم، در «برنامه جهانی غذا»، این کار برای ما پنج سال طول کشید، پنج سال. سه سال اول، در حال پیدا کردن راهحل بودیم. سپس در دو سال بعدی در حال پالایش و پیادهسازی ابزار مثل مأموریت عراق و دیگر کشورها بودیم. فکر نمیکنم این زمانبندی غیرواقعی باشد وقتی نوبت به استفاده از دادهها برای ایجاد تغییرات عملیاتی میکنیم. این یک سرمایهگزاری است. نیاز به صبر دارد. اما انواع نتایجی که بتواند تولید شود غیرقابل انکار هستند. در مورد ما، قابلیت تغذیه دهها هزار انسان بیشتر فراهم شد.
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.
بنابراین ما اعطای دادهها و اعطای دانشمندان تصمیمگیری را داریم، و در واقع راه سومی هم هست که شرکتها بتوانند کمک کنند: اهدای فناوری برای جمعآوری منابع جدید دادهها. میدانید کلی چیز هست که برایشان دادهای نداریم. همین الان، پناهجویان سوری به یونان هجوم آوردهاند، و آژانس پناهجویان سازمان ملل، حسابی سرشان شلوغ است. نظام فعلی برای ردیابی آدمها کاغد و قلم است، و این یعنی وقتی مادری بههمراه پنج فرزندش قدم به اردوگاه میگذارد ادارهی اصلی در این لحظه نسبت به آن نابینا است. ظرف چند هفته آینده تمام این موضوع تغییر میکند، به لطف همکار بخش خصوصی. قرار است نظام جدیدی بر مبنای فناوری اهدایی ردیابی محمولهها پیریزی کنیم که شرکت حملی که برایش کار میکنم اهدا کرده. با این سیستم جدید، دنبالهی اطلاعاتی خواهد بود، که به محضی که مادر و کودکانش پا به اردوگاه می گذارند مطلع خواهید شد. و حتی خواهید دانست که آیا این ماه و ماه بعدی ذخیرهای دریافت میکند. آشکارسازی اطلاعات کارایی را بالا میبرد. برای شرکتها، استفاده از فناوری برای یافتن دادههای مهم مثل نان شب است. سالها است این کار را میکنند، و باعث افزایش بهبود چشمگیری در کارهایشان شده است. فقط تصور کنید کمپانی نوشیدنیسازی محبوب شما روی فهرست موجودیاش کار میکند و نمیداند که روی هر قفسه چند بطری هست. احمقانه است. دادهها، مولدِ تصمیمات بهترند.
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.
اکنون اگر نمایندگی شرکتی را داشته باشید، و واقعیتگرا باشید و نه یک ایدهآل گرا، باید به خودتان بگویید که « خب، مالری همه اینها عالیه، اما من چرا باید درگیر بشم؟» خوب از یک طرف، فراتر از حُسننیت کمک بشردوستانه بخشی با ارزش ۲۴ میلیارد دلاری است، و پنج میلیارد نفر وجود دارند، شاید مشتریهای بعدی شما، که در دنیای در حال توسعه زندگی میکنند. بعلاوه، شرکتهایی که وارد دادهبخشی بشردوستانه میشوند، در حال یافتن اطلاعات مفیدتری در دادههای خود هستند. برای مثال یک شرکت کارت اعتباری را ببینید، که یک مرکز باز کرده که به عنوان یک قطب برای دانشگاهیان، دولت و سازمانهای بشردوستانه کار میکند. آنها به اطلاعات استفاده از کارتهای بانکی نگاه میکنند و با آن به فهمی میرسند از اینکه خانوادههای هندی چگونه زندگی، کار، درآمدزایی و خرج میکنند. برای دنیای بشردوستانه این اطلاعاتی فراهم میکند که چگونه میشود مردم را از فقر خارج کنیم ولی برای شرکتها، اطلاعاتی درباره مشتریان بالفعل و مشتریان بالقوهشان در هند میدهد. یک برد همه طرفه است. برای من، جذابیت اهداکردن دادهها -- اهدای دادهها، اهدای متخصصان تصمیمگیری و اهدای فناوری -- برای متخصصان جوانی مثل من معیار انتخابی است برای کارکردن در شرکتها. مطالعات نشان میدهد که نسل آینده نیروی کار به تأثیرگزاری هرچه بیشتر کاری که میکند اهمیت میدهد. ما میخواهیم کاری مفید کنیم، و با استفاده از دادههای بشردوستانه، شرکتها میتوانند به مشارکت و نگهداری متخصصین تصمیمگیری خود کمک کنند. و این مسألهی مهمی است برای متخصصانی که متقاضی زیادی دارند.
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.
صدقهدادنِ دادهها از نظر تجاری سودمند است، و حتی میتواند به تحول در دنیای بشردوستی نیز کمک کند. اگر ما برنامهریزی و تدارکاتمان را از لحاظ کارهای بشردوستانه تدوین کنیم، میتوانیم برای صدها هزار نفر دیگر غذا، سرپناه و لباس تأمین کنیم، و شرکتها باید قدم جلو بگذارند و نقششان که میدانم میتوانند را در پیشبرد این انقلاب ایفا کنند.
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.
شما شاید ضربالمثل «غذای فکر» رو شنیده باشین. خب. این به واقع فکر برای غذاست. و بالاخره اینکه ایدهای خوب در زمانی مناسب است.
(Laughter)
(خنده حاضرین)
Très magnifique.
بسیار عالی.
Thank you.
متشکرم.
(Applause)
(تشویق)