June 2010. I landed for the first time in Rome, Italy. I wasn't there to sightsee. I was there to solve world hunger.
Junho de 2010. (Risos) Aterrissei, pela primeira vez, em Roma, na Itália. Não estava lá a passeio. Estava lá para resolver o problema da fome no mundo.
(Laughter)
(Risos)
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."
Isso mesmo. Eu era uma doutoranda de 25 anos, com o protótipo de uma ferramenta desenvolvida em minha universidade, e ia ajudar o World Food Programme a resolver o problema da fome. Assim, entrei decidida na sede do programa e meus olhos passaram em revista as bandeiras da ONU, e sorri como se dissesse a mim mesma: "A engenheira chegou".
(Laughter)
(Risos)
Give me your data. I'm going to optimize everything.
"Podem me passar os dados. Vou otimizar tudo."
(Laughter)
(Risos)
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.
"Falem-me dos alimentos que compraram, onde e quando vão ser distribuídos, e vou lhes mostrar as rotas mais curtas, rápidas e baratas para transportá-los. Vamos economizar dinheiro, vamos evitar atrasos e falhas e, por fim, vamos salvar vidas. De nada."
(Laughter)
(Risos)
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."
Achei que isso ia levar 12 meses, tá bom... talvez 13. Mas não foi bem assim. Com apenas alguns meses no projeto, meu chefe francês me disse: "Sabe, Mallory, é uma boa ideia, mas os dados de que você precisa para seus algoritmos, nós não temos. É a ideia certa, mas na hora errada, e a ideia certa na hora errada é a ideia errada."
(Laughter)
(Risos)
Project over. I was crushed.
Fim do projeto. (Risos) Fiquei arrasada. (Risos)
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.
Hoje, quando olho para trás, para aquele primeiro verão em Roma, e vejo quanta coisa mudou nos últimos seis anos, foi uma transformação absurda. Chegou a hora de trazermos dados para o mundo humanitário. É emocionante, é inspirador, mas ainda não chegamos lá. E preparem-se, executivos, porque vou colocar empresas na berlinda para assumirem o papel que sei que vocês podem.
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.
Minhas experiências lá em Roma provam que podemos usar dados para salvar vidas. Tá bem, não na primeira tentativa, mas a gente acaba chegando lá. Deixem-me lhes mostrar o contexto. Imaginem que têm de planejar café, almoço e jantar para 500 mil pessoas, e possuem um determinado orçamento para tanto, digamos US$ 6,5 milhões por mês. Bem, o que vocês fariam? Qual a melhor forma de resolver isso? O que comprar: arroz, trigo, grão-de-bico, óleo? E quanto? Parece simples, mas não é. Vocês têm 30 alimentos possíveis, mas têm de escolher 5. Isso dá mais de 140 mil combinações diferentes. E, para cada alimento escolhido, é preciso decidir que quantidade comprar, de quem comprá-lo, onde estocá-lo, quanto tempo vai levar para chegar, checando todas as diferentes rotas de transporte também. E isso dá mais de 900 milhões de opções. Se considerarmos cada opção por um único segundo, isso levaria mais de 28 anos para checar todos os 900 milhões de opções!
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.
Assim, criamos uma ferramenta para permitir aos administradores selecionar entre os 900 milhões de opções em apenas questão de dias. E acabou sendo um enorme sucesso. Numa operação no Iraque, economizamos 17% dos custos, e isso significou a possibilidade de alimentar 80 mil pessoas a mais. Tudo isso graças ao uso de dados e à modelagem de sistemas complexos.
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.
Mas não fizemos isso sozinhos. As pessoas da unidade em que trabalhei em Roma eram especiais. Elas acreditavam em colaboração. Elas trouxeram o mundo acadêmico, trouxeram empresas. E, para fazer a diferença em grandes problemas, como a fome no mundo, precisamos de todos à mesa. Precisamos do pessoal dos dados de organizações humanitárias abrindo o caminho, e orquestrando os tipos certos de comprometimento com os acadêmicos e com os governos. E há um grupo que não está sendo engajado da forma como deveria. Conseguem adivinhar? As empresas.
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.
Elas têm um enorme papel na solução dos grandes problemas de nosso mundo. Já faz dois anos que trabalho no setor privado. Vi o que as empresas podem fazer, e vi o que elas não estão fazendo, e penso que há três maneiras de preenchermos essas lacunas: doando dados, doando cientistas de dados e doando tecnologia para acessar novas fontes de dados. Isso é filantropia de dados. E é o futuro da responsabilidade social das empresas. Voluntariado também faz sentido nos bons negócios.
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.
As empresas hoje coletam montanhas de dados, então, a primeira coisa que podem fazer é começar a doar esses dados. Algumas empresas já estão fazendo isso. Vamos pegar uma grande companhia de telecomunicação. Ela abriu seus dados no Senegal e na Costa do Marfim, e os pesquisadores descobriram que, com os padrões dos sinais das torres de telefone celular, podemos ver para onde as pessoas estão viajando. E isso pode nos mostrar coisas como onde a malária pode se espalhar, e podemos fazer previsões com isso. Ou pegar por exemplo uma empresa de satélite de ponta. Eles abriram seus dados e nos doaram. E com esses dados podemos rastrear o impacto das secas na produção de alimentos. Isso torna possível ativar fundos de ajuda financeira antes de uma crise acontecer.
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.
Já é um grande começo. Há insights importantes nos dados das empresas. E, sim, precisamos ser cuidadosos. É preciso respeitar a privacidade, por exemplo, tornando os dados anônimos.
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.
Mas, mesmo adotando por completo todas as novas ideias, e mesmo se todas as empresas doarem seus dados às universidade, às ONGs, às organizações humanitárias, isso não seria suficiente para causar todo esse impacto de dados para objetivos humanitários. Por quê? Para obter insights dos dados, precisamos de cientistas de dados. Cientistas de dados são pessoas como eu. Eles pegam os dados, selecionam, os transformam e os colocam num algoritmo útil que seja a melhor maneira de atender a necessidade do negócio. No mundo da ajuda humanitária, há pouquíssimos cientistas de dados. A maioria deles trabalha para empresas. Essa é a segunda coisa que as empresas precisam fazer: além de doar seus dados, precisam doar seus cientistas de dados.
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.
As empresas vão dizer: "Aaaah, não tire nossos cientistas de dados de nós. Precisamos de todos os segundos do tempo deles". (Risos) Mas tem um jeito. Se a empresa for doar uma parcela de tempo de um cientista de dados, na verdade faria mais sentido dividir aquela parcela por um período mais longo, digamos, por exemplo, cinco anos. Isso deve dar apenas algumas horas por mês, o que dificilmente vai fazer falta a uma empresa, mas o que isso permite é realmente importante: parcerias de longo prazo. Parcerias de longo prazo nos permitem construir relacionamentos, conhecer os dados, entendê-los de verdade e começar a entender as necessidades e os desafios que a organização humanitária está enfrentando. Em Roma, no World Food Program, levamos cinco anos para fazer isso, cinco anos. Aqueles três primeiros anos, tá, foi o que não conseguimos resolver. Depois, mais dois anos para refinar e implementar a ferramenta, como nas operações no Iraque e em outros países. Não acho que seja um cronograma irreal quando se trata de usar dados para fazer mudanças operacionais. É um investimento; requer paciência. Mas os tipos de resultados que podem ser produzidos são inegáveis. Em nosso caso, a capacidade de alimentar milhares de pessoas a mais.
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.
Assim, tivemos dados doados, cientistas de dados doados, e há na verdade uma terceira forma de as empresas ajudarem: doando tecnologia para capturar novas fontes de dados. Vejam, há montes de coisas cujos dados não temos. Neste momento, refugiados sírios estão inundando a Grécia, e a agência para refugiados da ONU já tem muito o que fazer. O sistema atual para rastrear pessoas é de papel e lápis, o que significa que, quando uma mãe e cinco filhos chegam ao campo, a agência está praticamente alheia a esse momento. Tudo vai mudar nas próximas semanas, graças à colaboração do setor privado. teremos um novo sistema baseado num pacote de tecnologia de rastreamento doado pela empresa de logística na qual trabalho. Com esse sistema, vai haver rastreamento de dados, e vamos saber exatamente quando essa mãe e seus filhos entrarem no campo. E, mais do que isso, saberemos se ela vai ter suprimentos neste mês e no próximo. A visibilidade da informação leva à eficiência. Para as empresas, usar a tecnologia para coletar dados importantes é seu arroz com feijão. Elas têm feito isso por anos, o que tem levado a grandes melhorias na eficiência operacional. Tentem imaginar sua empresa de bebidas preferida tentando planejar seu estoque e não sabendo quantas garrafas há nas prateleiras. É absurdo. Os dados levam a melhores decisões.
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.
Bem, se você representa uma empresa, e é pragmático, não apenas idealista, deve estar dizendo a si mesmo: "Tá, tudo isso é ótimo, Mallory, mas por que eu deveria me envolver?" Um dos motivos, além de boa política de relações públicas, é que a ajuda humanitária é um setor de US$ 24 bilhões, e há mais de 5 bilhões de pessoas, talvez seus próximos clientes, vivendo em países em desenvolvimento. Além do mais, as empresas envolvidas com filantropia de dados estão tendo novos insights com seus dados. Por exemplo, uma empresa de cartão de crédito que abriu um centro que funciona como uma base para estudiosos, ONGs e governos, todos trabalhando juntos. Eles estão vendo informações no uso do cartão de crédito e usando-as para ter insights sobre como as famílias na Índia vivem, trabalham e gastam seu dinheiro. Para o mundo humanitário, isso fornece informação sobre como tirar as pessoas da pobreza. Mas, para as empresas, fornece insights sobre seus consumidores e potenciais consumidores na Índia. É bom para todo mundo. Bem, para mim, o que me empolga na filantropia de dados, doação de dados, doação de cientistas de dados e doação de tecnologia, é o significado disso para jovens profissionais como eu, que estão escolhendo trabalhar em empresas. Estudos mostram que a próxima geração da mão de obra se importa em ter um trabalho que cause um impacto maior. Queremos fazer a diferença e, através da filantropia de dados, empresas podem ajudar a envolver e segurar seus cientistas de dados. E é muita coisa para uma profissão que está com 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.
Filantropia de dados faz todo sentido nos negócios e também pode ajudar a revolucionar o mundo humanitário. Se coordenássemos o planejamento e a logística ao longo das principais fases de uma operação humanitária, poderíamos alimentar, vestir e abrigar milhares de pessoas a mais, e as empresas precisam se posicionar e assumir o papel que sei que podem de fazer essa revolução.
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.
Provavelmente já ouviram a expressão "alimentar a mente". Bem, aqui é literalmente usar a mente para alimentar. Finalmente é a ideia certa no momento certo.
(Laughter)
(Risos)
Très magnifique.
Très magnifique.
Thank you.
Obrigada.
(Applause)
(Aplausos)