June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
Giugno 2010. Atterrai per la prima volta a Roma, Italia. Non ero lì per una visita turistica. Ero lì per risolvere il problema della fame nel mondo
(Laughter)
(Risate)
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."
Giusto. Ero una studentessa 25enne di dottorato armata di un prototipo sviluppato presso la mia università e stavo andando a dare una mano nel World Food Programme. Così sono entrata a grandi passi nel quartier generale e i miei occhi esaminarono la fila di bandiere dell'ONU, e sorrisi pensando a me stessa, "L'ingegnere è qui."
(Laughter)
(Risate)
Give me your data. I'm going to optimize everything.
Datemi i vostri dati. Sono pronta a ottimizzare tutto.
(Laughter)
(Risate)
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.
Ditemi che cibo avete comprato, dove è diretto e quando è necessario che arrivi, e vi dirò il più breve, veloce, economico, il migliore tragitto da far prendere al cibo. Risparmieremo danaro, eviteremo ritardi e interruzioni, e come risultato finale, salveremo delle vite. Siete benvenuta.
(Laughter)
(Risate)
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."
Pensavo ci sarebbero voluti 12 mesi, Ok, forse 13. Non è proprio come è andata a finire. Dopo appena un paio di mesi nel progetto, il mio capo francese mi disse: "Sai, Mallory, è una buona idea, ma i dati che ti servono per il tuo algoritmo non ci sono. È l'idea giusta, ma al momento sbagliato, E l'idea giusta al momento sbagliato è una idea sbagliata."
(Laughter)
(Risate)
Project over. I was crushed.
Progetto chiuso. Ero a pezzi.
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.
Ora, quando ripenso a quella prima estate a Roma e a quanto tutto sia cambiato negli ultimi sei anni... è una trasformazione totale. È arrivato il momento di portare i dati nel mondo umanitario. È eccitante. È stimolante. Ma non ci siamo ancora. E tenetevi forte, direttori, poichè sto per mettere le aziende nella posizione di fare quello di cui veramente capaci.
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.
La mia esperienza a Roma dimostra che utilizzare i dati può salvare vite. Ok, non al primo tentativo, ma alla fine ci riescono. Lasciate che vi dia un'idea. Pensate di dover pianificare colazione, pranzo e cena per 500.000 persone, e avete un certo budget per farlo, diciamo 6,5 milioni di dollari al mese. Cosa dovreste fare? Quale è il modo migliore per gestirlo? Comprereste riso, frumento, ceci, olio? Quanto? Sembra facile. Non lo è. Ci sono 30 possibili alimenti, dovete sceglierne 5 tra questi. Ci sono più di 140.000 differenti combinazioni. Poi per ogni alimento scelto, dovete decidere quanto ne comprerete, da dove lo farete arrivare, dove lo immagazzinerete, quanto tempo ci vorrà per portarlo là. Vi serve anche considerare tutte le diverse possibilità di trasporto. Sono già più di 900 milioni di opzioni. Se considerate ogni opzione per un solo secondo, servirebbero più di 28 anni per valutarle tutte. 900 milioni di opzioni.
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.
Così abbiamo creato uno strumento che consente di valutare tutte le 900 milioni di possibilità in solo pochi giorni. Si è rivelato avere un gran successo. In un intervento in Iraq, abbiamo risparmiato il 17% dei costi, e questo ha significato la possibilità di sfamare ulteriori 80.000 persone. Tutto grazie all'uso dei dati e dei modelli per sistemi complessi.
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.
Ma non l'abbiamo fatto da soli. L'unità con la quale lavoravo a Roma era eccezionale. Credeva nella collaborazione. Ha coinvolto il mondo accademico, le aziende. Se davvero si vuol fare qualcosa per i grandi problemi, come la fame nel mondo, occorre mettersi tutti intorno al tavolo. Servono i dati dalle organizzazioni umanitarie per aprire la strada e coordinare l'intervento più adeguato assieme alle università, ai governi. E c'è un gruppo che non è sfruttato a dovere. Sapete quale? Le aziende.
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.
Le aziende hanno un ruolo fondamentale nel risolvere i problemi del mondo. Lavoro nel settore privato da due anni. Ho visto cosa le aziende possono fare, e cosa invece non fanno, e penso ci siano almeno 3 modi per colmare questa divergenza: donando dati, donando esperti dei processi decisionali e donando la tecnologia per raccogliere nuove fonti di dati. Questa è filantropia di dati, ed è il futuro della responsabilità sociale delle imprese. In più dimostra anche buon senso negli affari.
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.
Le aziende, oggi, raccolgono montagne di dati, perciò la prima cosa da fare è iniziare a donarli. Alcune aziende lo fanno già. Pensate ad un'importante compagnia telefonica. Ha aperto l'accesso ai dati in Senegal e Costa d'Avorio e i ricercatori hanno scoperto che se si misura l'andamento dei PING verso i ripetitori per cellulari, si può vedere dove viaggiano le persone. E questo può dirci, ad esempio, dove potrebbe diffondersi la malaria, e trarne così previsioni. Oppure un'innovativa azienda satellitare: ha aperto l'accesso e donato i suoi dati, e con tali dati si può osservare l'impatto della siccità sulla produzione di cibo. Così si può agire prima che scoppi una crisi.
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.
Questo è un buon inizio. Ci sono informazioni importanti nei database aziendali. E sì, bisogna essere molto cauti. Va mantenuta la privacy, per esempio attraverso l'anonimato.
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.
Tuttavia, anche se le barriere si aprissero, e tutte le aziende donassero i loro dati a università, ONG e organizzazioni umanitarie, non sarebbe sufficiente il controllare tutti questi dati per finalità umanitarie. Perchè? Per comprendere i dati servono esperti decisionali. Gli esperti decisionali sono persone come me. Prendono i dati, li puliscono, li trasformano per inserirli in un utile algoritmo che sia la scelta migliore per l'argomento in questione. Nel mondo umanitario, gli esperti decisionali sono pochi. La maggior parte lavora per aziende. La seconda cosa da fare per le aziende, oltre a donare dati, dovrebbero donare i loro esperti decisionali.
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.
Le aziende diranno: "Ah! Non prendeteci i nostri esperti! Abbiamo bisogno di ogni briciola del loro tempo." Ma c'è un modo. Se un'azienda donasse il tempo di un esperto, avrebbe più senso distribuire tale tempo in un lungo periodo, per esempio 5 anni. Corrispondono circa a 2 ore al mese, l'azienda quasi non se ne accorgerebbe, ma che attiverebbero una collaborazione a lungo termine. La collaborazione a lungo termine consente di sviluppare relazioni, di conoscere i dati, di comprenderli realmente e di cominciare a capire le necessità e le sfide che le organizzazioni umanitarie affrontano. A Roma, al WFP, ci sono voluti 5 anni, 5 anni. I primi 3 anni, a pensare che fosse tutto irrisolvibile, mentre i 2 anni successivi ad affinare e provare lo strumento, come negli interventi in Iraq e in altri paesi. Non credo sia un lasso di tempo irrealistico quando si tratta di usare dati per fare cambiamenti operativi. E' un investimento. Richiede pazienza. Ma i risultati che si ottengono sono innegabili. Nel nostro caso, è stato lo sfamare decine di migliaia di persone in più.
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.
Quindi abbiamo donazione di dati, donazione di esperti decisionali, ma c'è un altro modo in cui le aziende possono aiutare: donando la tecnologia per acquisire nuove fonti di dati. Vedete, ci sono molte cose del quale non possediamo dati. Proprio ora, i rifugiati siriani si stanno riversando in Grecia, e l'agenzia ONU per i rifugiati ha raggiunto il limite. L'attuale sistema di identificazione è fatto con carta e penna e questo significa che quando una madre e i suoi cinque figli vagano nel campo il quartier generale non ne è a conoscenza. Questo dovrebbe cambiare nelle prossime settimane, grazie alla collaborazione con le imprese. Ci sarà un nuovo sistema basato su una tecnologia d'identificazione donata dall'azienda per la quale lavoro. Con questo nuovo sistema ci sarà traccia dei dati, in modo da sapere esattamente quando quella madre e i suoi figli vagano nel campo. E ancor più se riceverà provviste o altri beni questo mese e quello dopo. La visibilità delle informazioni guida l'efficienza. Per le aziende, utilizzare la tecnologia per acquisire dati è la cosa più facile. Lo fanno da anni, e ciò porta a una maggiore efficienza operativa. Provate a immaginare la vostra azienda di bevande preferita che cerca di pianificare l'inventario senza sapere quante bottiglie c'erano sugli scaffali. E' assurdo. I dati guidano decisioni migliori.
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.
Ora, se rappresentate un'azienda, e siete pragmatici, non solo idealista, potreste dirvi: "Ok, magnifico, Mallory, ma perché dovrei voler fare qualcosa?" Ad esempio, oltre alle pubbliche relazioni, gli aiuti umanitari sono un settore da $24 miliardi, con oltre 5 miliardi di persone, forse vostri futuri clienti, che vivono in un paese in via di sviluppo. Inoltre, le aziende impegnate nella filantropia di dati trovano nuove informazioni racchiuse nei propri dati. Per esempio, un'azienda di carte di credito che ha aperto un centro che funge da punto di raccolta per accademici, ONG e governi che lavorano tutti insieme. Cercano informazioni sui furti di carte di credito e ottengono informazioni su come le famiglie in India vivono, lavorano, guadagnano e spendono. Per l'aiuto umanitario, fornisce informazioni su come si potrebbe far uscire la gente dalla povertà. Per le aziende, fornisce informazioni sui loro clienti e potenziali clienti in India. Ognuno ci guadagna qualcosa. Per me, quello che trovo emozionante della filantropia di dati, cioè donare dati, esperti decisionali e tecnologia, è il suo significato per i giovani professionisti come me che hanno deciso di lavorare in azienda. Gli studi mostrano che la prossima generazione di lavoratori voglia far sì che il lavoro abbia un maggior impatto. Noi vogliamo fare la differenza, e così attraverso la filantropia dei dati, le aziende possono coinvolgere realmente i propri esperti. Ed è un grande affare per una professione molto richiesta.
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 filantropia di dati dimostra buon senso per gli affari, e può anche aiutare a rivoluzionare il mondo umanitario. Se coordinassimo la pianificazione e la logistica dei maggiori aspetti di un intervento umanitario, potremmo nutrire, vestire e proteggere centinaia di migliaia di persone, e le aziende dovrebbero farsi avanti e fare quelle che sanno fare bene nel portare avanti questa rivoluzione.
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.
Forse avete sentito il modo di dire: "cibo per la mente". Bene, questo è letteralmente "mente per il cibo". È finalmente l'idea giusta al momento giusto.
(Laughter)
(Risate)
Très magnifique.
Très magnifique.
Thank you.
Grazie.
(Applause)
(Applausi)