June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
Juin 2010. J'ai atterri pour la première fois à Rome, en Italie. Je n'étais pas là en tant que touriste. J'étais là pour résoudre la faim dans le monde.
(Laughter)
(Rires)
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."
C'est vrai. J'étais une étudiante en doctorat de 25 ans avec un outil prototype développé à l'université et j'allais aider le Programme Alimentaire Mondial à éradiquer la famine. J'ai donc marché à grands pas jusqu'au quartier général et j'ai scanné la rangée des drapeaux de l'ONU, et, en souriant, j'ai pensé : « L'ingénieur est là. »
(Laughter)
(Rires)
Give me your data. I'm going to optimize everything.
Donnez-moi vos données. Je vais tout optimiser.
(Laughter)
(Rires)
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.
Dites-moi quelle nourriture que vous avez achetée, où elle va, quand elle a besoin d'y être et je vous dirai la plus courte, la plus rapide, la moins chère des routes à prendre. Nous allons économiser, éviter les retards et les perturbations et le but ultime, nous allons sauver des vies. De rien.
(Laughter)
(Rires)
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."
Je pensais que ça prendrait 12 mois, OK, peut-être 13. Ça n'a pas vraiment marché comme prévu. Deux mois après le début du projet, mon patron français m'a dit : « Tu sais, Mallory, c'est une bonne idée, mais les données dont tu as besoin pour tes algorithmes ne sont pas là. C'est la bonne idée, mais au mauvais moment ; et la bonne idée au mauvais moment est la mauvaise idée. »
(Laughter)
(Rires)
Project over. I was crushed.
Fin du projet. J'étais effondrée.
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.
Quand j'y repense, à ce premier été à Rome, et que je vois les changements des six dernières années, c'est une transformation totale. C'est le début des données dans le monde humanitaire. C'est excitant, c'est motivant, mais on n'y est pas encore. Tenez-vous prêts, dirigeants, parce que je vais mettre des sociétés sur la sellette pour qu'elles fassent ce que je sais qu'elles peuvent faire.
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.
Mes expériences à Rome prouvent qu'en utilisant des données, on peut sauver des vies. D'accord, peut-être pas à ce premier essai mais on y est arrivé. Laissez-moi vous brosser le tableau. Imaginez que vous devez prévoir petit-déjeuner, déjeuner, dîner pour 500 000 personnes et vous avez un budget limité, disons 6,5 millions de dollars par mois. Que faites-vous ? Quel est le meilleur moyen de procéder ? Achetez-vous du riz, du blé, des pois chiches, de l'huile ? Quelle quantité ? Ça a l'air simple, ça ne l'est pas. Vous avez 30 aliments possibles et vous devez en choisir 5. C'est déjà plus de 140 000 combinaisons différentes. Puis, pour chaque aliment choisi, vous devez choisir la quantité à acheter, où vous allez l'acheter, où vous allez le stocker, combien de temps ça prendra à arriver. Vous devez aussi étudier toutes les différentes voies de transport. C'est déjà plus de 900 millions d'options. Si vous examinez chaque option pendant une seconde, ça vous prendra plus de 28 ans à parcourir. 900 millions d'options.
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.
Nous avons crée un outil qui a permis aux décideurs de trier ces 900 millions d'options en seulement quelques jours. Ça s'est avéré très efficace. Lors d'une action en Irak, nous avons économisé 17% des coûts, ça voulait dire qu'on était capables de nourrir 80 000 personnes en plus. C'était grâce à l'usage de données et la modélisation des systèmes complexes.
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.
Mais on n'était pas seuls. L'unité avec laquelle j'ai travaillé à Rome était unique. Ils croyaient en la collaboration. Ils font appel aux universitaires et aux sociétés. Si nous voulons changer les choses pour les problèmes comme la faim dans le monde, nous avons besoin de tout le monde. Nous avons besoin des gérants de données des ONG pour nous montrer la voie et pour orchestrer les bons types d'engagements avec universitaires et gouvernements. Et il y a un groupe qui n'est pas mobilisé autant qu'il le devrait. Vous avez deviné ? Les sociétés.
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.
Elles ont un rôle à jouer dans la résolution des problèmes du monde. Je travaille dans le privé depuis deux ans. J'ai vu ce que les sociétés peuvent faire et ce qu'elles ne font pas, je pense il y a trois façons dont on peut combler cette lacune : en donnant des données, des scientifiques décisionnels et de la technologie afin d'acquérir de nouvelles sources de données. C'est la philanthropie des données, c'est le futur de la responsabilité sociale des entreprises. En plus, c'est du bon sens commercial.
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.
Les sociétés aujourd'hui, elles amassent des montagnes de données, donc la première choses à faire, c'est donner ces données. Certaines sociétés le font déjà. Prenez par exemple, une entreprise de télécom. Ils ont partagé leurs données au Sénégal et en Côte d'Ivoire et les chercheurs ont découvert qu'en étudiant les pings envoyés vers les antennes relais, on peut voir les déplacements des gens. Et ça peut nous informer sur des choses comme la diffusion du paludisme, grâce à ça on peut faire des prévisions. Ou prenez, par exemple, une société satellite innovante. Elle a partagé et donné ses données. Avec ces données, on peut voir comment la sécheresse influe sur la production alimentaire. Avec ceci, on peut déclencher des financements d'aide avant une crise.
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.
C'est un bon début. D'importants enseignements sont enfermés dans les données des sociétés. Et oui, il faut faire attention. Il faut respecter la confidentialité, par exemple en anonymisant les données.
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.
Mais même si les barrières s'ouvrent, même si toutes les sociétés donnaient leurs données aux universitaires, aux ONG, aux organisations humanitaires, ça ne suffira pas à maîtriser toute l'influence des données pour des fins humanitaires. Pourquoi ? Pour libérer des idées des données, il faut des scientifiques décisionnels. Les scientifiques décisionnels sont des gens comme moi. Ils prennent des données, les nettoient, les transforment et les mettent dans un algorithme utile qui est le meilleur choix pour répondre au besoin commercial. Dans le monde de l'aide humanitaire, il y a peu de scientifiques décisionnels. La plupart travaillent pour des sociétés. Donc c'est la 2ème chose qu'une société a à faire. En plus de donner leurs données, ils doivent donner leurs scientifiques décisionnels.
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.
Ils diront : « Ah ! Ne nous prenez pas nos scientifiques décisionnels. Nous avons besoin de tout leur temps. » Mais il y a un moyen. Si une société donnait un bloc du temps d'un scientifique décisionnel, ça serait plus intéressant, d'étaler ce bloc de temps sur une période longue, cinq ans par exemple. Ça représenterait seulement quelques heures par mois, ça manquerait à peine à la société, mais ce que ça permet est très important : des collaborations durables. Des collaborations durables construisent des relations, permettent de connaître les données, de les comprendre et de commencer à comprendre les besoins et défis que l'organisation humanitaire doit surmonter. A Rome, au Programme Alimentaire Mondial, cela nous a pris cinq ans, cinq ans. Les 3 premières années concernaient ce qu'on ne pouvait pas résoudre. Les deux années suivantes, nous avons affiné et mis en œuvre l'outil, comme pour les actions en Irak et dans d'autres pays. Ça ne me semble pas un délai irréaliste quand il s'agit d'utiliser des données pour faire des changements opérationnels. C'est un investissement. Ça exige de la patience. Mais les types de résultats qui peuvent être produits sont indéniables. Dans notre cas, c'était la capacité de nourrir des milliers de gens en plus.
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.
Donc on donne des données, des scientifiques décisionnels et les entreprises peuvent aider d'une 3ème façon : donner de la technologie pour capter de nouvelles sources de données. Il y a beaucoup de choses sur lesquelles on n'a pas de données. En ce moment, des réfugiés syriens inondent la Grèce, l'agence de l'ONU pour les réfugiés a du pain sur la planche. Le système actuel pour suivre les gens est un papier et crayon, cela veut dire que quand une mère et ses cinq enfants entrent dans un camp, le siège est essentiellement aveugle à ce moment. Tout ceci va changer dans les semaines à venir, grâce à la collaboration du secteur privé. Il va y avoir un nouveau système basé sur des dispositifs de suivi par la société logistique pour laquelle je travaille. Avec ce nouveau système, les données sont tracées, donc on connaît le moment exact où cette mère et ses enfants entrent dans le camp. On peut aussi savoir si elle va avoir des provisions ce mois et le suivant. La visibilité de l'information entraîne l'efficacité. Pour les sociétés, utiliser la technologie pour recueillir des données, c'est la routine. Elles font ceci depuis des années et ça a entraîné des améliorations de l'efficacité opérationnelle. Imaginez votre entreprise de boissons préférée essayant de planifier leur inventaire et ne sachant pas combien de bouteilles sont sur les étagères. C'est absurde. Des données entraînent de meilleures décisions.
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.
Si vous représentez une société, si vous êtes pragmatique et pas seulement idéaliste, vous vous dites peut-être : « Tout ça est très bien, Mallory, mais pourquoi devrais-je m'engager ? » En plus d'être bon pour l'image, l'aide humanitaire est un secteur de 24 millions de dollars, et plus de 5 millions de gens, des clients potentiels, qui habitent dans les pays en développement. De plus, les entreprises s'engageant dans la philanthropie des données, trouvent de nouvelles idées enfermées dans leurs données. Prenez une société de cartes de crédit qui ouvre un centre qui sert de hub pour les universitaires, les ONG et les gouvernements qui travaillent tous ensemble. Ils étudient des informations lors de chaque usage de carte et utilisent ceci pour trouver des données sur comment les familles en Inde vivent, travaillent, gagnent et dépensent. Pour le monde humanitaire, cela fournit des informations sur comment on peut sortir les gens de la pauvreté. Mais pour les sociétés, cela fournit des informations sur vos clients et clients potentiels en Inde. Tout le monde y gagne. Ce que je trouve excitant concernant la philanthropie des données, -- le don de données, de scientifiques décisionnels et de technologie -- c'est ce que ça signifie pour des jeunes professionnels qui veulent de travailler dans des sociétés. Des études montrent que les nouveaux travailleurs veulent que leur travail ait un plus grand effet. Nous voulons changer les choses, et grâce à la philanthropie des données, les sociétés peuvent aider à engager, retenir leurs scientifiques décisionnels. Et c'est un facteur important pour une profession très sollicitée.
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 philanthropie des données fait sens commercialement et ça peut aussi aider à révolutionner le monde humanitaire. Si on coordonnait l'organisation et la logistique à travers tout les facettes majeures d'une opération humanitaire, on pourrait nourrir, habiller, héberger des centaines de milliers de personnes. Les sociétés doivent se bouger et jouer le rôle dont elles sont capables dans cette révolution.
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.
Vous avez sans doute entendu l'expression « nourriture pour la pensée ». Ici c'est vraiment une pensée pour la nourriture. C'est enfin la bonne idée au bon moment.
(Laughter)
(Rires)
Très magnifique.
Très magnifique.
Thank you.
Merci.
(Applause)
(Applaudissements)