June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
In juni 2010 was ik voor het eerst in Rome, in Italië. Ik wou de stad niet bezichtigen; ik wou honger de wereld uit helpen.
(Laughter)
(Gelach)
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."
Echt waar. Ik was een 25-jarige doctoraatsstudent, gewapend met een werktuigprototype, ontwikkeld aan mijn universiteit. Daarmee zou ik het 'World Food Programme' helpen honger uit te roeien. Dus schreed ik het hoofdkwartier binnen en liet mijn ogen glijden langs de VN-vlaggen. Ik glimlachte en dacht bij mezelf: "De ingenieur is aangekomen."
(Laughter)
(Gelach)
Give me your data. I'm going to optimize everything.
"Geef me jullie cijfers. Ik zal alles optimaliseren."
(Laughter)
(Gelach)
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.
"Waar is het voedsel dat jullie gekocht hebben? Waar moet het heen en wanneer moet het aankomen? En dan geef ik jullie de kortste, snelste, goedkoopste en beste routes. We zullen geld besparen, we zullen vertragingen en verstoringen mijden. En zo gaan we levens redden. Graag gedaan."
(Laughter)
(Gelach)
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."
Ik dacht dat het twaalf maanden zou duren. Oké, misschien zelfs dertien. Maar zo is het niet helemaal gegaan. Na enkele maanden vertelde mijn Franse baas me: "Weet je, Mallory, het idee is goed, maar ik mis de gegevens voor je algoritmen. Het idee is goed, maar de timing is verkeerd. En het juiste idee op het verkeerde moment is een verkeerd idee."
(Laughter)
(Gelach)
Project over. I was crushed.
Project afgelopen. Ik was er kapot van.
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.
Als ik er nu op terugkijk, op die eerste zomer in Rome, en ik zie hoeveel veranderd is in de afgelopen zes jaar, dan is het een complete omwenteling geweest. Men weet eindelijk data te gebruiken in de wereld van de hulpverlening. Het is spannend. Het is inspirerend. Maar we zijn er nog niet. En hou jullie vast, kaderleden, want ik ga bedrijven op de rooster leggen om ze de rol te doen spelen die ze volgens mij kunnen spelen.
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.
Mijn ervaringen in Rome hebben bewezen dat het gebruik van gegevens mensenlevens kan redden. Misschien dan niet met die eerste poging, maar we zijn er uiteindelijk toch geraakt. Laat het me even schetsen. Stel je voor dat je dagelijks 3 maaltijden moet organiseren voor 500 000 mensen. En dat met een beperkt budget. Laten we zeggen 6,5 miljoen dollar per maand. Wat zou dan de beste manier zijn om dat aan te pakken? Moet je rijst kopen? Of tarwe, kikkererwten, olie? En hoeveel? Het klinkt simpel, maar dat is het niet. Je moet vijf voedingswaren kiezen uit een gamma van 30 producten. Dat zijn al 140 000 mogelijke combinaties. En voor ieder product dat je kiest, moet je beslissen hoeveel je ervan koopt, waar je het gaat kopen, waar je het gaat opslaan, hoelang het zal duren om het te leveren, rekening houdend met alle mogelijke transportroutes. Dan heb je al meer dan 900 miljoen mogelijkheden. Als je één seconde nadenkt over iedere optie, dan heb je 28 jaar nodig om ze allemaal te overlopen. 900 miljoen opties.
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.
Dus ontwikkelden we een werktuig dat beleidsvormers in staat stelt om alle 900 miljoen opties te overlopen in slechts enkele dagen. Het werd een geweldig succes. Tijdens een operatie in Irak konden we 17% van de kosten besparen. Dat betekende dat er zo'n 80 000 mensen meer konden gevoed worden. Allemaal dankzij het gebruik van gegevens en complexe modellen.
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.
Maar we werkten niet alleen. Ik mocht met een unieke afdeling samenwerken in Rome. Ze geloofden in samenwerking. Ze schakelden de hulp in van de academische wereld en van bedrijven. Als je een grote vooruitgang wil boeken in grote problemen zoals hongersnood, dan moet iedereen mee aan tafel zitten. De gegevensverzamelaars van de ngo's moeten voorop gaan. En ze moeten de banden onderhouden met de academici en de overheden. Maar één groep heeft hun gewicht nog niet in de schaal geworpen. Kun je raden wie? De bedrijven.
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.
Bedrijven kunnen een grote rol spelen in het oplossen van grote wereldproblemen. Ik werk al twee jaar in de privésector. Ik heb gezien wat bedrijven kunnen doen, maar ook wat ze niet doen. En ik denk dat er drie manieren zijn om deze kloof te overbruggen. Door gegevens te doneren, door besluitanalisten te doneren en door technologie te doneren die nieuwe gegevens verzamelen. Dat heet gegevensfilantropie. Het is de toekomst van sociaal verantwoord ondernemen. En het is ook commercieel interessant.
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.
Bedrijven verzamelen tegenwoordig een heleboel gegevens. Dus kunnen ze ook eens deze gegevens doneren. Sommige bedrijven doen dit al. Neem nu een groot telecombedrijf. Ze stelden hun gegevens open in Senegal en de Ivoorkust en wetenschappers ontdekten dat de gsm-signalen weergeven hoe mensen zich verplaatsen. En hieruit kan je voorspellen hoe malaria zich kan verspreiden. Daar kun je voorspellingen mee maken. Of neem nu een innovatieve satellietproducent. Ze deelden hun gegevens met ons, en hiermee konden we onderzoeken hoe droogte de voedselproductie beïnvloedde. Zo kan je ontwikkelingshulp inschakelen vóór er crisissen plaatsvinden.
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.
Dat is een goed begin. Er schuilen belangrijke inzichten in de gegevens van bedrijven. Maar je moet zeer voorzichtig zijn. Je moet de privacy respecteren, door bijvoorbeeld de gegevens te coderen.
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.
Maar zelfs al openden we al deze sluizen en doneerden alle bedrijven al hun gegevens aan academici, ngo's en humanitaire organisaties, dan zou dat nog niet volstaan om ze te kunnen benutten voor humanitaire doeleinden. Waarom niet? Om inzicht te krijgen in deze gegevens heb je besluitanalisten nodig. Dat zijn mensen zoals ik. Zij nemen gegevens, poetsen ze op, en zetten ze om in een bruikbaar algoritme dat het best geschikt is om een bepaald probleem op te lossen. Er zijn er zo niet veel in de wereld van de hulpverlening. De meesten werken in de bedrijfswereld. Dat is het tweede wat bedrijven moeten doen. Ze moeten hun gegevens delen, maar ook hun besluitanalisten.
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.
Bedrijven zullen er niet happig op zijn dat we hun besluitanalisten afpakken, ze hebben iedere seconde van hun tijd nodig. Maar er bestaat een oplossing. Als een bedrijf wat van de tijd van hun besluitanalisten zou doneren, dan zou het logischer zijn dat men die tijd zou spreiden over 'n langere periode, bijvoorbeeld vijf jaar. Dat kost misschien maar enkele uren per maand. Het bedrijf zou dit amper missen. Maar het creëert wel langdurige samenwerkingen. Door langdurige samenwerking kan je relaties uitbouwen, gegevens door en door analyseren en begrijpen, en de behoeften en problemen begrijpen waarmee een ngo wordt geconfronteerd. Het World Food Programme in Rome had hier vijf jaar voor nodig. Vijf jaar. De eerste drie jaren konden we gewoon geen vooruitgang boeken. Maar de twee jaren daarop hebben we ons werktuig verfijnd en toegepast, zoals in operaties in Irak en op andere plaatsen. Dat is volgens mij geen onhaalbare planning, als je hiermee wezenlijke veranderingen kunt doorvoeren. Het is een investering. Je moet er geduldig voor zijn. Maar je kunt er zeer goede resultaten mee boeken. In ons geval konden we duizenden mensen meer helpen.
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.
We hebben al gegevens en besluitanalisten gedeeld. Maar bedrijven kunnen op nog een derde manier helpen. Technologie doneren en nieuwe gegevensbronnen ontdekken. Over veel factoren hebben we nu nog geen informatie. Griekenland wordt overspoeld door Syrische vluchtelingen. En de vluchtelingenorganisatie van de VN hebben nu al hun handen vol. Gegevens worden nu nog bijgehouden met papier en potlood. Wanneer een moeder in een kamp aankomt met haar vijf kinderen, heeft het hoofdkwartier hier totaal geen weet van. Dankzij de samenwerking met de privésector zal dit veranderen in de volgende weken. Er zal een systeem gelanceerd worden op basis van nieuwe traceertechnologie van het transportbedrijf waarvoor ik werk. Dat nieuwe systeem kan dan de gegevens traceren, zodat je altijd weet wanneer die moeder en haar kinderen het kamp bereiken. En je weet altijd of er genoeg voorraad is voor de komende maanden. Transparante informatie leidt tot efficiëntie. Het gebruik van technologie om informatie te verzamelen is kinderspel voor bedrijven. Ze doen dit al jaren. Het leidt tot grote verbeteringen in de efficiëntie van een bedrijf. Stel dat je favoriete frisdrankmerk zijn inventaris wil opstellen, maar ze weten niet hoeveel flessen er op de plank staan. Dat is absurd. Informatie zorgt voor betere beslissingen.
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.
Als je een bedrijf moet leiden, en je bent pragmatisch en niet enkel idealistisch, dan denk je misschien wel dat dit allemaal fantastisch klinkt, maar waarom zou je willen meedoen? Naast het feit dat het goed is voor je pr, gaat er zo'n 24 miljard dollar om in de humanitaire hulpsector. En je hebt wel zo'n vijf miljard potentiële klanten in de ontwikkelingslanden. Daarnaast ontdekken bedrijven die hun gegevens delen nieuwe inzichten verstopt in hun gegevens. Neem nu bijvoorbeeld een kredietkaartbedrijf dat academici, ngo's en overheden samenbrengt, die dan samenwerken. Ze onderzoeken informatie uit kredietkaartgegevens en daarmee proberen ze uit te zoeken hoe Indische gezinnen leven en werken. Op deze manier kan de humanitaire hulpverlening mensen uit de armoede halen en kunnen bedrijven info verzamelen over hun klanten en hun potentiële klanten in India. Het is een win-winsituatie. Ik vind gegevensfilantropie echt geweldig: het delen van gegevens, besluitanalisten en technologie. Dat betekent veel voor jonge professionals als ik, die voor bedrijven willen werken. Het is bewezen dat de volgende generatie werknemers wil dat hun werk een grotere impact heeft. We willen een verschil maken. Dankzij gegevensuitwisseling kunnen bedrijven besluitanalisten steunen en behouden. En dat is zeer belangrijk voor een beroep dat zo gegeerd is.
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.
Gegevensfilantropie is ook commercieel zeer interessant. En het kan de hulpverlening ook revolutionair verbeteren. Als we de planning en het transport van de hulpverlening beter coördineren, kunnen we honderdduizenden mensen meer voorzien van kleding, voedsel en onderdak. Bedrijven moeten de rol spelen die ze volgens mij kunnen spelen in het tot stand brengen van deze revolutie.
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.
Jullie kennen wel het gezegde 'voedsel voor de gedachtengang'. Dit is letterlijk 'gedachtengang voor voedsel'. Het is eindelijk het juiste idee op het juiste moment.
(Laughter)
(Gelach)
Très magnifique.
Très magnifique.
Thank you.
Dankjewel.
(Applause)
(Applaus)