Your company's data could help end world hunger | Mallory Freeman

53,487 views ・ 2016-11-29

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Víctor Cadenas Revisor: Sebastian Betti
00:12
June 2010.
0
12880
1760
Junio de 2010.
00:15
I landed for the first time in Rome, Italy.
1
15760
2880
Aterricé por primera vez en Roma, Italia.
00:19
I wasn't there to sightsee.
2
19800
1896
No estaba allí de paseo.
00:21
I was there to solve world hunger.
3
21720
3120
Estaba allí para resolver el hambre en el mundo.
00:25
(Laughter)
4
25160
2096
(Risas)
00:27
That's right.
5
27280
1216
Así es.
00:28
I was a 25-year-old PhD student
6
28520
2096
Era una estudiante de doctorado de 25 años
00:30
armed with a prototype tool developed back at my university,
7
30640
3096
armada con una herramienta prototipo desarrollada en mi universidad,
00:33
and I was going to help the World Food Programme fix hunger.
8
33760
3080
e iba a ayudar al Programa Mundial de Alimentos a arreglar el hambre.
00:37
So I strode into the headquarters building
9
37840
2736
Entonces entré a zancadas al edificio sede
00:40
and my eyes scanned the row of UN flags,
10
40600
2816
y mis ojos escanearon la fila de banderas de la ONU,
00:43
and I smiled as I thought to myself,
11
43440
1960
y sonreí mientras pensaba:
00:46
"The engineer is here."
12
46840
1616
"Ya llegó la ingeniera".
00:48
(Laughter)
13
48480
2216
(Risas)
00:50
Give me your data.
14
50720
1776
Denme su información.
00:52
I'm going to optimize everything.
15
52520
2176
Voy a optimizarlo todo.
00:54
(Laughter)
16
54720
1736
(Risas)
00:56
Tell me the food that you've purchased,
17
56480
1896
Díganme qué comida han comprado,
00:58
tell me where it's going and when it needs to be there,
18
58400
2616
hacia dónde va y cuándo necesita estar allí,
01:01
and I'm going to tell you the shortest, fastest, cheapest,
19
61040
2736
y yo les diré las mejores rutas, las más cortas,
01:03
best set of routes to take for the food.
20
63800
1936
rápidas y baratas para llevar la comida.
01:05
We're going to save money,
21
65760
1496
Vamos a ahorrar dinero,
01:07
we're going to avoid delays and disruptions,
22
67280
2096
vamos a evitar retrasos e interrupciones,
01:09
and bottom line, we're going to save lives.
23
69400
2736
y, en definitiva, vamos a salvar vidas.
01:12
You're welcome.
24
72160
1216
De nada.
01:13
(Laughter)
25
73400
1696
(Risas)
01:15
I thought it was going to take 12 months,
26
75120
1976
Pensé que eso llevaría unos 12 meses.
01:17
OK, maybe even 13.
27
77120
1560
Bueno, tal vez incluso 13 meses.
01:19
This is not quite how it panned out.
28
79800
2280
No salió así precisamente.
01:23
Just a couple of months into the project, my French boss, he told me,
29
83600
3776
Apenas un par de meses desde el inicio del proyecto, mi jefe francés me dijo:
01:27
"You know, Mallory,
30
87400
1816
"Sabes, Mallory,
01:29
it's a good idea,
31
89240
1656
es una buena idea,
01:30
but the data you need for your algorithms is not there.
32
90920
3336
pero la información que necesitas para tus algoritmos no existe.
01:34
It's the right idea but at the wrong time,
33
94280
2536
Es la idea correcta en el momento incorrecto,
01:36
and the right idea at the wrong time
34
96840
2296
y la idea correcta en el momento incorrecto
01:39
is the wrong idea."
35
99160
1376
es la idea incorrecta".
01:40
(Laughter)
36
100560
1320
(Risas)
01:42
Project over.
37
102960
1280
Se acabó el proyecto.
01:45
I was crushed.
38
105120
1200
Estaba destrozada.
01:49
When I look back now
39
109000
1456
En retrospectiva,
01:50
on that first summer in Rome
40
110480
1656
en relación a ese primer verano en Roma,
01:52
and I see how much has changed over the past six years,
41
112160
2656
veo los cambios que se han dado en estos últimos seis años,
01:54
it is an absolute transformation.
42
114840
2240
es una transformación absoluta.
01:57
It's a coming of age for bringing data into the humanitarian world.
43
117640
3400
Es un mundo nuevo para la transición de datos al mundo humanitario.
02:02
It's exciting. It's inspiring.
44
122160
2656
Es emocionante. Es inspirador.
02:04
But we're not there yet.
45
124840
1200
Pero aún no estamos allí.
02:07
And brace yourself, executives,
46
127320
2296
Y agárrense bien, ejecutivos,
02:09
because I'm going to be putting companies
47
129640
1976
porque voy a estar poniendo a compañías
02:11
on the hot seat to step up and play the role that I know they can.
48
131640
3120
en el banquillo de los acusados para que cumplan con su papel.
02:17
My experiences back in Rome prove
49
137520
2816
Mis experiencias en Roma prueban
02:20
using data you can save lives.
50
140360
2080
que aprovechando los datos se pueden salvar vidas.
02:23
OK, not that first attempt,
51
143440
2456
Bueno, no ese primer intento,
02:25
but eventually we got there.
52
145920
2576
pero eventualmente lo logramos.
02:28
Let me paint the picture for you.
53
148520
1736
Les describiré la imagen.
02:30
Imagine that you have to plan breakfast, lunch and dinner
54
150280
2736
Imaginen que tienen que planificar desayuno, almuerzo y cena
02:33
for 500,000 people,
55
153040
1616
para 500 000 personas,
02:34
and you only have a certain budget to do it,
56
154680
2136
y que solo cuentan con cierto presupuesto para hacerlo,
02:36
say 6.5 million dollars per month.
57
156840
2240
digamos USD 6,5 millones al mes.
02:40
Well, what should you do? What's the best way to handle it?
58
160920
2762
Bueno, ¿qué deberían hacer? ¿Cuál es la mejor manera de manejarlo?
02:44
Should you buy rice, wheat, chickpea, oil?
59
164280
2760
¿Se debería comprar arroz, trigo, garbanzos, aceite?
02:47
How much?
60
167760
1216
¿Cuánto?
02:49
It sounds simple. It's not.
61
169000
2136
Suena simple. No lo es.
02:51
You have 30 possible foods, and you have to pick five of them.
62
171160
3216
Tienen 30 alimentos diferentes, y tiene que elegir cinco de ellos.
02:54
That's already over 140,000 different combinations.
63
174400
3416
Ya serían más de 140 000 combinaciones diferentes.
02:57
Then for each food that you pick,
64
177840
1696
Luego, para cada tipo de comida que se elija,
02:59
you need to decide how much you'll buy,
65
179560
1976
necesitan decidir cuánto comprar,
03:01
where you're going to get it from,
66
181560
1696
de dónde se obtendrá,
03:03
where you're going to store it,
67
183280
1480
dónde se almacenará,
03:05
how long it's going to take to get there.
68
185760
1976
cuánto tiempo tomará llevarla hasta allí.
03:07
You need to look at all of the different transportation routes as well.
69
187760
3336
Necesitarán analizar todas las rutas de transporte distintas también.
03:11
And that's already over 900 million options.
70
191120
2080
Ya esas serían más de 900 millones de opciones.
03:14
If you considered each option for a single second,
71
194120
2376
Si consideraran cada opción por un segundo nada más,
03:16
that would take you over 28 years to get through.
72
196520
2336
les llevaría más de 28 años estudiarlas todas.
03:18
900 million options.
73
198880
1520
900 millones de opciones.
03:21
So we created a tool that allowed decisionmakers
74
201160
2456
Por lo tanto, creamos una herramienta que permite a los que toman las decisiones
03:23
to weed through all 900 million options
75
203640
2616
procesar las 900 millones de opciones
03:26
in just a matter of days.
76
206280
1360
en cuestión de días.
03:28
It turned out to be incredibly successful.
77
208560
2240
Resultó ser increíblemente exitosa.
03:31
In an operation in Iraq,
78
211400
1256
En una operación en Irak,
03:32
we saved 17 percent of the costs,
79
212680
2536
nos ahorramos 17 % de los costos,
03:35
and this meant that you had the ability to feed an additional 80,000 people.
80
215240
4136
lo cual significa que hubo la capacidad de alimentar a otras 80 000 personas.
03:39
It's all thanks to the use of data and modeling complex systems.
81
219400
4400
Todo es gracias al uso de complejos sistemas de datos y modelado.
03:44
But we didn't do it alone.
82
224800
1280
Pero no lo hicimos solos.
03:46
The unit that I worked with in Rome, they were unique.
83
226840
2736
El equipo con el que trabajé en Roma, ellos eran únicos.
03:49
They believed in collaboration.
84
229600
1736
Creyeron en la colaboración.
03:51
They brought in the academic world.
85
231360
1696
Incluyeron al mundo académico.
03:53
They brought in companies.
86
233080
1280
Incluyeron a compañías.
03:55
And if we really want to make big changes in big problems like world hunger,
87
235200
3616
Y si de verdad queremos hacer un gran cambio en grandes problemas como el hambre mundial,
03:58
we need everybody to the table.
88
238840
2560
necesitaremos que todos sean parte.
04:02
We need the data people from humanitarian organizations
89
242040
2936
Necesitamos que la gente que maneja los datos en organizaciones humanitarias
04:05
leading the way,
90
245000
1256
sean los líderes del proceso,
04:06
and orchestrating just the right types of engagements
91
246280
2576
y que organicen los compromisos correctos y precisos
04:08
with academics, with governments.
92
248880
1696
con académicos, con gobiernos.
04:10
And there's one group that's not being leveraged in the way that it should be.
93
250600
3696
Y aquí resalta un grupo que no ha sido aprovechado de la manera que debería.
04:14
Did you guess it? Companies.
94
254320
2096
¿Lo han adivinado? Las compañías.
04:16
Companies have a major role to play in fixing the big problems in our world.
95
256440
3600
Las compañías tienen un gran papel para arreglar los grandes problemas del mundo.
04:20
I've been in the private sector for two years now.
96
260880
2416
Yo he estado en el sector privado durante dos años hasta ahora.
04:23
I've seen what companies can do, and I've seen what companies aren't doing,
97
263320
3576
He visto lo que las compañías pueden hacer, y lo que las compañías no están haciendo.
04:26
and I think there's three main ways that we can fill that gap:
98
266920
3376
y creo que hay tres formas principales para poder cubrir ese vacío:
04:30
by donating data, by donating decision scientists
99
270320
3096
Donando información, donando científicos de decisión
04:33
and by donating technology to gather new sources of data.
100
273440
3480
y donando tecnología para recolectar nuevas fuentes de información.
04:37
This is data philanthropy,
101
277920
1576
Esto se llama filantropía de datos,
04:39
and it's the future of corporate social responsibility.
102
279520
2840
y es el futuro de la responsabilidad social corporativa.
04:43
Bonus, it also makes good business sense.
103
283160
2600
Además, tiene sentido desde una perspectiva de negocios.
04:46
Companies today, they collect mountains of data,
104
286920
3216
Las compañías de hoy en día recolectan montañas de datos,
04:50
so the first thing they can do is start donating that data.
105
290160
2762
por lo que comenzar a donar esos datos es lo primero que pueden hacer.
04:52
Some companies are already doing it.
106
292946
2190
Algunas compañías ya lo están haciendo.
04:55
Take, for example, a major telecom company.
107
295160
2416
Piensen, por ejemplo, en una compañía de telecomunicaciones.
04:57
They opened up their data in Senegal and the Ivory Coast
108
297600
2776
Ellos liberaron sus datos en Senegal y Costa de Marfil
05:00
and researchers discovered
109
300400
1976
y los investigadores descubrieron
05:02
that if you look at the patterns in the pings to the cell phone towers,
110
302400
3334
que si se analiza los patrones en los pings a las torres de servicio móvil,
05:05
you can see where people are traveling.
111
305758
1938
se podrá ver hacia dónde está viajando la gente.
05:07
And that can tell you things like
112
307720
2176
Y eso le puede decir cosas como
05:09
where malaria might spread, and you can make predictions with it.
113
309920
3096
hacia dónde se puede propagar la malaria, y realizar predicciones en base a eso.
05:13
Or take for example an innovative satellite company.
114
313040
2896
O, por ejemplo, una innovadora compañía de satélites.
05:15
They opened up their data and donated it,
115
315960
2016
Ellos liberaron sus datos y los donaron,
05:18
and with that data you could track
116
318000
1656
y con esa información se puede registrar
05:19
how droughts are impacting food production.
117
319680
2040
cómo las sequías impactan a la producción de comida.
05:22
With that you can actually trigger aid funding before a crisis can happen.
118
322920
3680
Con eso se pueden activar fondos de ayuda antes de que ocurra una crisis.
05:27
This is a great start.
119
327560
1280
Este es un gran comienzo.
05:29
There's important insights just locked away in company data.
120
329840
2880
Hay conocimientos importantes atrapados entre los datos de las compañías.
05:34
And yes, you need to be very careful.
121
334480
1816
Y sí, se necesita tener cuidado.
05:36
You need to respect privacy concerns, for example by anonymizing the data.
122
336320
3576
Se debe respetar el tema de privacidad, por ejemplo, al anonimizar los datos.
05:39
But even if the floodgates opened up,
123
339920
2776
Pero incluso si se abren todas las puertas,
05:42
and even if all companies donated their data
124
342720
2536
e incluso si todas las compañías donaran sus datos
05:45
to academics, to NGOs, to humanitarian organizations,
125
345280
3256
a académicos, a ONGs, a organizaciones humanitarias,
05:48
it wouldn't be enough to harness that full impact of data
126
348560
2976
no sería suficiente para aprovechar el impacto total de los datos
05:51
for humanitarian goals.
127
351560
1520
para fines humanitarios.
05:54
Why?
128
354320
1456
¿Por qué?
05:55
To unlock insights in data, you need decision scientists.
129
355800
3240
Para desbloquear estos conocimientos en los datos, necesitará científicos de decisión.
05:59
Decision scientists are people like me.
130
359760
2576
Los científicos de decisión son personas como yo.
06:02
They take the data, they clean it up,
131
362360
1816
Ellos toman los datos, los depuran,
06:04
transform it and put it into a useful algorithm
132
364200
2256
los transforman y los colocan dentro de un algoritmo útil
06:06
that's the best choice to address the business need at hand.
133
366480
2840
para tomar la mejor decisión y enfrentar la necesidad del negocio del momento.
06:09
In the world of humanitarian aid, there are very few decision scientists.
134
369800
3696
En el mundo de la ayuda humanitaria existen muy pocos científicos de decisión.
06:13
Most of them work for companies.
135
373520
1640
La mayoría de ellos trabajan para compañías.
06:16
So that's the second thing that companies need to do.
136
376480
2496
Por lo tanto, eso es lo segundo que pueden hacer las compañías.
06:19
In addition to donating their data,
137
379000
1696
Además de donar sus datos,
06:20
they need to donate their decision scientists.
138
380720
2160
necesitarán donar a sus científicos de decisión.
06:23
Now, companies will say, "Ah! Don't take our decision scientists from us.
139
383520
5736
Ahora, las compañías dirán "¡Ah! No nos quiten a nuestros científicos de decisión.
06:29
We need every spare second of their time."
140
389280
2040
Necesitamos cada segundo de su tiempo".
06:32
But there's a way.
141
392360
1200
Pero hay una manera.
06:35
If a company was going to donate a block of a decision scientist's time,
142
395200
3416
Si una compañía fuera a donar un bloque del tiempo de un científico de decisión,
06:38
it would actually make more sense to spread out that block of time
143
398640
3136
en realidad, tendría más sentido extender ese bloque de tiempo
06:41
over a long period, say for example five years.
144
401800
2200
por un período largo de tiempo, digamos, por ejemplo, cinco años.
06:44
This might only amount to a couple of hours per month,
145
404600
3056
Esto significaría quizás un par de horas al mes,
06:47
which a company would hardly miss,
146
407680
2056
que no sería gran pérdida para una compañía,
06:49
but what it enables is really important: long-term partnerships.
147
409760
3480
pero que permitiría algo muy importante: alianzas a largo plazo.
06:54
Long-term partnerships allow you to build relationships,
148
414920
2816
Las alianzas a largo plazo permiten forjar relaciones,
06:57
to get to know the data, to really understand it
149
417760
2656
ir conociendo los datos, de verdad entenderlos
07:00
and to start to understand the needs and challenges
150
420440
2416
y comenzar a entender las necesidades y retos
07:02
that the humanitarian organization is facing.
151
422880
2160
que la organización humanitaria está enfrentando.
07:06
In Rome, at the World Food Programme, this took us five years to do,
152
426345
3191
En Roma, en el Programa Mundial de Alimentos, esto nos tomó cinco años,
07:09
five years.
153
429560
1456
cinco años.
07:11
That first three years, OK, that was just what we couldn't solve for.
154
431040
3336
Esos primeros tres años, bien, no había forma de evitarlos.
07:14
Then there was two years after that of refining and implementing the tool,
155
434400
3496
Luego hubo dos años después de eso para refinar e implementar la herramienta,
07:17
like in the operations in Iraq and other countries.
156
437920
2800
como en las operaciones en Irak y otros países.
07:21
I don't think that's an unrealistic timeline
157
441520
2096
No considero que ese sea un plazo poco realista
07:23
when it comes to using data to make operational changes.
158
443640
2736
en lo que respecta a usar datos para hacer cambios operacionales.
07:26
It's an investment. It requires patience.
159
446400
2400
Es una inversión. Requiere paciencia.
07:29
But the types of results that can be produced are undeniable.
160
449760
3496
Pero los tipos de resultados que pueden ser producidos son incuestionables.
07:33
In our case, it was the ability to feed tens of thousands more people.
161
453280
3560
En nuestro caso, se trató de alimentar a decenas de miles de personas.
07:39
So we have donating data, we have donating decision scientists,
162
459440
4336
Entonces, hemos donado datos, hemos donado científicos de decisión,
07:43
and there's actually a third way that companies can help:
163
463800
2696
y hay una tercera forma en la que pueden ayudar las compañías:
07:46
donating technology to capture new sources of data.
164
466520
2976
donando tecnología para captar nuevas fuentes de datos.
07:49
You see, there's a lot of things we just don't have data on.
165
469520
2840
Verán, hay muchas cosas sobre las que no tenemos datos.
07:52
Right now, Syrian refugees are flooding into Greece,
166
472960
2720
Ahora mismo, hay refugiados sirios desbordándose sobre Grecia,
07:57
and the UN refugee agency, they have their hands full.
167
477120
2560
y en la agencia de refugiados de la ONU no tienen un respiro.
08:01
The current system for tracking people is paper and pencil,
168
481000
3056
El sistema actual para rastrear a la gente es con papel y lápiz,
08:04
and what that means is
169
484080
1256
lo cual significa que
08:05
that when a mother and her five children walk into the camp,
170
485360
2856
cuando una madre y sus cinco hijos entran en un campamento,
08:08
headquarters is essentially blind to this moment.
171
488240
2656
la central queda básicamente ciega en este momento.
08:10
That's all going to change in the next few weeks,
172
490920
2336
Todo eso va a cambiar en las próximas semanas,
08:13
thanks to private sector collaboration.
173
493280
1880
gracias a la colaboración del sector privado.
08:15
There's going to be a new system based on donated package tracking technology
174
495840
3656
Va a haber un nuevo sistema basado en un paquete con tecnología de rastreo,
08:19
from the logistics company that I work for.
175
499520
2040
donado a la compañía de logística para la que trabajo.
08:22
With this new system, there will be a data trail,
176
502120
2336
Con este nuevo sistema habrá un rastro de datos,
08:24
so you know exactly the moment
177
504480
1456
por lo que se podrá conocer el momento exacto
08:25
when that mother and her children walk into the camp.
178
505960
2496
en el que esa madre y sus hijos entran al campamento.
08:28
And even more, you know if she's going to have supplies
179
508480
2616
E incluso, se podrá saber y ella tendrá provisiones
08:31
this month and the next.
180
511120
1256
para este mes y el siguiente.
08:32
Information visibility drives efficiency.
181
512400
3016
La visibilidad de la información impulsa a la eficiencia.
08:35
For companies, using technology to gather important data,
182
515440
3256
Para las compañías, el uso de la tecnología para recolectar datos importantes,
08:38
it's like bread and butter.
183
518720
1456
es el pan nuestro de cada día.
08:40
They've been doing it for years,
184
520200
1576
Ellos lo han estado haciendo por años,
08:41
and it's led to major operational efficiency improvements.
185
521800
3256
y eso ha llevado a importantes mejoras de la eficiencia operacional.
08:45
Just try to imagine your favorite beverage company
186
525080
2360
Solo trate de imaginar a su compañía de refrescos favorita
08:48
trying to plan their inventory
187
528280
1576
tratando de planificar su inventario
08:49
and not knowing how many bottles were on the shelves.
188
529880
2496
sin saber cuántas botellas hay en los estantes.
08:52
It's absurd.
189
532400
1216
Es absurdo.
08:53
Data drives better decisions.
190
533640
1560
Los datos llevan a mejores decisiones.
08:57
Now, if you're representing a company,
191
537800
2536
Ahora, si uno está representando a una compañía,
09:00
and you're pragmatic and not just idealistic,
192
540360
3136
y es pragmático y no solo idealista,
09:03
you might be saying to yourself, "OK, this is all great, Mallory,
193
543520
3056
quizás esté pensando: "Ok, todo esto está muy bien, Mallory,
09:06
but why should I want to be involved?"
194
546600
1840
pero, ¿por qué querría estar involucrado?"
09:09
Well for one thing, beyond the good PR,
195
549000
2816
Bueno, para empezar, más allá de la buena publicidad,
09:11
humanitarian aid is a 24-billion-dollar sector,
196
551840
2776
la ayuda humanitaria es un sector de USD 24 000 millones,
09:14
and there's over five billion people, maybe your next customers,
197
554640
3056
y hay más de 5000 millones de personas, quizás sus próximos clientes,
09:17
that live in the developing world.
198
557720
1816
que viven en el mundo en vías de desarrollo.
09:19
Further, companies that are engaging in data philanthropy,
199
559560
3096
Luego, las compañías que se involucran en la filantropía de datos
09:22
they're finding new insights locked away in their data.
200
562680
2976
están descubriendo nuevos conocimientos atrapados en su información.
09:25
Take, for example, a credit card company
201
565680
2256
Consideren, por ejemplo, a una compañía de tarjetas de crédito
09:27
that's opened up a center
202
567960
1336
que ha abierto un centro
09:29
that functions as a hub for academics, for NGOs and governments,
203
569320
3376
que funciona como una sede para académicos, ONGs y gobiernos,
09:32
all working together.
204
572720
1240
todos trabajando juntos.
09:35
They're looking at information in credit card swipes
205
575040
2736
Ellos buscan información en las lecturas de tarjetas de crédito
09:37
and using that to find insights about how households in India
206
577800
2976
y usan esos datos para conocer más sobre cómo los hogares en la India
09:40
live, work, earn and spend.
207
580800
1720
viven, trabajan, ganan y gastan.
09:43
For the humanitarian world, this provides information
208
583680
2576
Para el mundo humanitario, esto brinda información
09:46
about how you might bring people out of poverty.
209
586280
2656
sobre cómo se puede sacar a la gente de la pobreza.
09:48
But for companies, it's providing insights about your customers
210
588960
3016
Pero para las compañías, esto brinda conocimientos sobre los clientes
09:52
and potential customers in India.
211
592000
2040
y clientes potenciales en la India.
09:54
It's a win all around.
212
594760
1800
Todos ganan aquí.
09:57
Now, for me, what I find exciting about data philanthropy --
213
597960
3776
En mi caso, lo que me parece emocionante de la filantropía de datos
10:01
donating data, donating decision scientists and donating technology --
214
601760
4336
-- donar datos, donar científicos de decisión y donar tecnología --
10:06
it's what it means for young professionals like me
215
606120
2376
es lo que importa para jóvenes profesionales como yo
10:08
who are choosing to work at companies.
216
608520
1840
que decidimos trabajar en compañías.
10:10
Studies show that the next generation of the workforce
217
610800
2656
Lo estudios muestran que para la próxima generación de la fuerza laboral
10:13
care about having their work make a bigger impact.
218
613480
2560
es importante que su trabajo genere un impacto mayor.
10:16
We want to make a difference,
219
616920
2456
Queremos hacer la diferencia,
10:19
and so through data philanthropy,
220
619400
2416
y con la filantropía de datos,
10:21
companies can actually help engage and retain their decision scientists.
221
621840
3936
las compañías pueden ayudar a involucrar y a retener a sus científicos de decisión.
10:25
And that's a big deal for a profession that's in high demand.
222
625800
2880
Y eso es un asunto importante para una profesión que está en alta demanda.
10:29
Data philanthropy makes good business sense,
223
629840
3120
La filantropía de datos tiene sentido comercialmente,
10:34
and it also can help revolutionize the humanitarian world.
224
634200
3280
y también puede impulsar una revolución en el mundo humanitario.
10:39
If we coordinated the planning and logistics
225
639600
2096
Si coordinamos nuestra planificación y logística
10:41
across all of the major facets of a humanitarian operation,
226
641720
3376
a lo largo de las facetas más importantes de la operación humanitaria,
10:45
we could feed, clothe and shelter hundreds of thousands more people,
227
645120
3600
podríamos alimentar, vestir y acoger a otros cientos de miles de personas,
10:49
and companies need to step up and play the role that I know they can
228
649440
4256
y las compañías necesitan dar el paso y tomar el papel que sé que pueden tomar
10:53
in bringing about this revolution.
229
653720
1880
para hacer realidad esa revolución.
10:56
You've probably heard of the saying "food for thought."
230
656720
2936
Quizás hayan escuchado la expresión "alimento para el cerebro".
10:59
Well, this is literally thought for food.
231
659680
2240
Bueno, esto es, literalmente, usar el cerebro para alimentar.
11:03
It finally is the right idea at the right time.
232
663560
4136
Finalmente se trata de la idea correcta en el momento correcto.
11:07
(Laughter)
233
667720
1216
(Risas)
11:08
Très magnifique.
234
668960
1576
Très magnifique.
11:10
Thank you.
235
670560
1216
Muchas gracias.
11:11
(Applause)
236
671800
2851
(Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7