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

Translator: Amin Alaee Reviewer: hassan qodusi

June 2010.

ژوئن ۲۰۱۰.

I landed for the first time in Rome, Italy.

برای اولین بار در شهر رم، در ایتالیا فرود آمدم.

I wasn't there to sightsee.

برای گردش شهر آنجا نبودم.

I was there to solve world hunger.

رفته بودم تا مشکل گرسنگی جهان را حل کنم.

(Laughter)

(خنده حاضرین)

That's right.

درسته.

I was a 25-year-old PhD student

من ۲۵ ساله و دانشجوی مقطع دکتری

armed with a prototype tool developed back at my university,

مسلح به یک ابزار آزمایشی بودم که در دانشگاهم طراحی شده بود،

and I was going to help the World Food Programme fix hunger.

می‌خواستم به «برنامه جهانی غذا» در حل گرسنگی کمک کنم.

So I strode into the headquarters building

پس به ساختمان مرکزی آن سازمان قدم گذاشتم

and my eyes scanned the row of UN flags,

و چشمانم ردیف پرچم‌های سازمان ملل را بررسی کرد،

and I smiled as I thought to myself,

و لبخند زدم و توی دلم گفتم،

"The engineer is here."

«مهندس اینجاست.»

(Laughter)

(خنده حاضرین)

Give me your data.

داده‌های خود را به من بدهید.

I'm going to optimize everything.

می‌خواهم همه چیز را بهینه‌سازی کنم.

(Laughter)

(خنده حاضرین)

Tell me the food that you've purchased,

از غذایی که خریده‌ای برایم بگو.

tell me where it's going and when it needs to be there,

بگو به کجا می‌رود و چه موقع باید آنجا باشد،

و من برایت کوتاه‌ترین، سریع‌ترین، ارزان‌ترین و بهترین

and I'm going to tell you the shortest, fastest, cheapest,

best set of routes to take for the food.

مجموعه از مسیرهایی را می‌گویم که به غذا خواهی رسید.

We're going to save money,

پول پس‌انداز می‌کنیم،

we're going to avoid delays and disruptions,

از تأخیرها و اختلالات پیش‌گیری خواهیم کرد،

and bottom line, we're going to save lives.

و سر آخر اینکه زندگی‌ها را نجات می‌دهیم.

You're welcome.

نیازی به تشکر نیست.

(Laughter)

(خنده حاضرین)

I thought it was going to take 12 months,

فکر کردم ۱۲ ماه طول خواهد کشید،

OK, maybe even 13.

باشه، شاید هم ۱۳ ماه.

This is not quite how it panned out.

اما اصلاً طبق برنامه‌ام پیش نرفت.

Just a couple of months into the project, my French boss, he told me,

چند ماهی بعد از شروع پروژه، رییس فرانسوی‌ام بهم گفت،

"You know, Mallory,

«می‌دونی مالری،

it's a good idea,

فکر خوبیه،

but the data you need for your algorithms is not there.

اما داده‌های لازم برای الگوریتم تو وجود نداره.

It's the right idea but at the wrong time,

ایده‌ای خوبه ولی در زمانی غلط،

and the right idea at the wrong time

و ایده خوب در زمان غلط

is the wrong idea."

ایده‌ای غلطه.»

(Laughter)

(خنده حاضرین)

Project over.

ختم پروژه.

I was crushed.

نابود شدم.

When I look back now

الان که به عقب نگاه‌ می‌کنم

on that first summer in Rome

به اولین تابستانم در رم

and I see how much has changed over the past six years,

می‌بینم چقدر همه چیز در شش سال گذشته عوض شده،

it is an absolute transformation.

یک دگرگونی مطلق است.

It's a coming of age for bringing data into the humanitarian world.

زمان اصلی برای واردکردن داده‌ها به جهان بشردوستانه است.

It's exciting. It's inspiring.

هیجان‌انگیز و الهام‌بخش است.

But we're not there yet.

اما راه درازی مانده.

And brace yourself, executives,

و رؤسای شرکت‌ها، آماده باشید،

because I'm going to be putting companies

چون قصد دارم شرکت‌هایتان را به چالش بکشم

on the hot seat to step up and play the role that I know they can.

تا وارد عمل شوند و نقش‌شان را که می‌دانم از پسش برمی‌آیند ایفا کنند.

My experiences back in Rome prove

تجربه ام در رم ثابت کرد که

using data you can save lives.

با استفاده از داده‌ها می‌توانید جان مردم را نجات دهید

OK, not that first attempt,

خب البته نه در تلاش اول،

but eventually we got there.

اما در نهایت به آنجا می‌ٰرسیم.

Let me paint the picture for you.

بگذارید تصویر را برایتان ترسیم کنم.

Imagine that you have to plan breakfast, lunch and dinner

تصور کنید باید برای صبحانه، ناهار و شامِ

پانصد هزار نفر برنامه ریزی کنید،

for 500,000 people,

and you only have a certain budget to do it,

و برای این کار بودجه محدودی دارید،

say 6.5 million dollars per month.

مثلا ۶/۵ میلیون دلار در ماه.

Well, what should you do? What's the best way to handle it?

خب، چکار باید کنید؟ بهترین روش برای انجام آن چیست؟

Should you buy rice, wheat, chickpea, oil?

آیا خرید برنج،‌ روغن،‌ گندم و نخود لازم است؟

How much?

چقدر؟

It sounds simple. It's not.

ساده به نظر می‌آید. اما نیست.

You have 30 possible foods, and you have to pick five of them.

۳۰ نوع غذای ممکن دارید، و باید ۵ تا را انتخاب کنید.

That's already over 140,000 different combinations.

بیش از ۱۴۰/۰۰۰ ترکیب مختلف می‌شود.

Then for each food that you pick,

بعد برای هر غذایی که انتخاب می‌کنید،

you need to decide how much you'll buy,

لازم است تصمیم بگیرید چقدر خرید کرده،

where you're going to get it from,

از کجا آن را بخرید،

where you're going to store it,

کجا آن را نگه دارید،

how long it's going to take to get there.

چقدر زمان رسیدن به آنجا طول می‌کشد.

You need to look at all of the different transportation routes as well.

باید همه مسیرهای حمل و نقل مختلف را بررسی کنید.

And that's already over 900 million options.

و این می‌شود بیش از ۹۰۰ میلیون گزینه.

If you considered each option for a single second,

اگر هر گزینه را فقط یک ثانیه بررسی کنید،

that would take you over 28 years to get through.

۲۸ سال زمان لازم است تا آن‌ها را مرور کنید،

900 million options.

۹۰۰ میلیون گزینه.

So we created a tool that allowed decisionmakers

پس ابزاری خلق کردیم که به تصمیم‌گیرنده‌ها اجازه می‌داد

to weed through all 900 million options

تا ۹۰۰ میلیون گزینه را

ظرف تنها چند روز بررسی کنند.

in just a matter of days.

It turned out to be incredibly successful.

روشی که بی‌نهایت موفقیت‌آمیز ظاهر شد.

In an operation in Iraq,

در یک عملیات در عراق

we saved 17 percent of the costs,

۱۷ درصد در هزینه‌ها صرف‌جویی کردیم،

and this meant that you had the ability to feed an additional 80,000 people.

و این به آن معناست که می‌توانید تغذیه ۸۰/۰۰۰ تن دیگر را بدهید.

It's all thanks to the use of data and modeling complex systems.

همه‌ی این‌ها به لطف استفاده از داده‌ها و سیستم‌های پیچیده‌ی مدل‌سازی است.

But we didn't do it alone.

اما این کار را تنهایی انجام ندادیم.

The unit that I worked with in Rome, they were unique.

گروهی که باهاشون در رم کار می‌کردم بی‌نظیر بودند.

They believed in collaboration.

به همکاری اعتقاد داشتند.

They brought in the academic world.

دنیای دانشگاهی را مشارکت دادند.

They brought in companies.

شرکت‌ها را آوردند.

And if we really want to make big changes in big problems like world hunger,

و اگر می‌خواهیم تغییرات بزرگ در مشکلات عظیمی چون گرسنگی در جهان ایجاد کنیم

we need everybody to the table.

همه باید سر میز حاضر شوند.

We need the data people from humanitarian organizations

ما به متخصصان داده‌های سازمان‌های بشری نیاز داریم

leading the way,

برای فرماندهی

and orchestrating just the right types of engagements

و مدیریت انواع و اقسام صحیح مشارکت

with academics, with governments.

با دانشگاهیان و مراکز دولتی.

And there's one group that's not being leveraged in the way that it should be.

و یک گروه هست که آنطور که باید مایل به مشارکت نیست.

Did you guess it? Companies.

حدس زدید؟ شرکت‌ها.

Companies have a major role to play in fixing the big problems in our world.

شرکت‌ها نقش اساسی در حل مشکلات بزرگ در جهان ما دارند.

I've been in the private sector for two years now.

من دو سال است که در بخش خصوصی کار می‌کنم.

I've seen what companies can do, and I've seen what companies aren't doing,

دیدم که شرکت‌ها چه کارهایی انجام می‌دهند، و چه کارهایی نه.

and I think there's three main ways that we can fill that gap:

و فکر می‌کنم سه روش اصلی برای پر کردن این شکاف داریم:

by donating data, by donating decision scientists

با در اختیار گذاشتن داده‌ها، متخصصان تصمیم‌گیری (داده‌کاوها)

and by donating technology to gather new sources of data.

و در اختیار گذاشتن فناوری برای جمع‌آوری منابع تازه داده‌ها.

This is data philanthropy,

این صدقه‌دادنِ داده‌هاست،

and it's the future of corporate social responsibility.

و آینده‌ی مشارکت در مسئولیت‌پذیری اجتماعی.

Bonus, it also makes good business sense.

خوبی‌اش این است که به لحاظ تجاری هم سود خوبی دارد.

Companies today, they collect mountains of data,

امروزه شرکت‌ها کوهی از داده‌ها جمع می کنند،

so the first thing they can do is start donating that data.

پس اولین قدم اعطای این داده‌هاست.

Some companies are already doing it.

برخی شرکت‌ها الان این کار را می‌کنند.

Take, for example, a major telecom company.

برای مثال،‌ یک شرکت بزرگ مخابراتی.

They opened up their data in Senegal and the Ivory Coast

داده‌های خود را در سنگال و ساحل عاج آزاد کردند

and researchers discovered

و محققان دریافتند

that if you look at the patterns in the pings to the cell phone towers,

که اگر به الگوی آنتن‌دهی دکل‌های مخابراتی نگاه کنیم

you can see where people are traveling.

خواهیم دید که مردم کجا سفر می‌کنند.

And that can tell you things like

و همین‌طور قادر خواهید بود بگویید مثلاً

where malaria might spread, and you can make predictions with it.

مالاریا کجا ممکن است همه‌گیر شود و برایش پیش بینی‌هایی کنید.

Or take for example an innovative satellite company.

یا برای مثال یک شرکت ماهواره‌ای نوآور را در نظر بگیرید.

They opened up their data and donated it,

آن‌ها داده‌های خود را آزاد کرده و در اختیار گذاشتند

and with that data you could track

و با این داده‌ها می‌توان ردیابی کرد

how droughts are impacting food production.

اثرات خشکسالی‌ها بر تولید غذا چگونه است.

With that you can actually trigger aid funding before a crisis can happen.

اینطوری می‌شود کمک‌های مالی را پیش از رخ دادن یک بحران به انجام رساند.

This is a great start.

این شروع خوبی است.

There's important insights just locked away in company data.

اطلاعات مفید مهمی در داده‌های شرکت‌ها نهفته است

And yes, you need to be very careful.

و بله البته باید خیلی محتاط باشید.

You need to respect privacy concerns, for example by anonymizing the data.

باید به دغدغه‌های خصوصی احترام بگذارید، مثلاً با ناشناس‌کردن داده‌ها.

But even if the floodgates opened up,

ولی حتی اگر دریچه‌های این سد باز شوند،

and even if all companies donated their data

و حتی اگر همه شرکت‌ها داده‌های خود را اهدا کنند

to academics, to NGOs, to humanitarian organizations,

به دانشگاهیان، سازمان‌های غیر دولتی، و سازمان‌های بشردوستانه،

it wouldn't be enough to harness that full impact of data

برای درک اثرات کامل این داده‌ها بر اهداف بشر دوستانه

for humanitarian goals.

کافی نخواهد بود.

Why?

چرا؟

To unlock insights in data, you need decision scientists.

برای آشکار کردن این اطلاعات در داده‌ها به متخصصان (داده‌کاوی) نیاز دارید.

Decision scientists are people like me.

دانشمندن تصمیم‌گیرنده مردمی مثل من هستند.

They take the data, they clean it up,

داده را می‌گیرند، تمیزش می‌کنند،

آن را تغییر می‌دهند و درون یک الگورتیم مفید قرار می‌دهند

transform it and put it into a useful algorithm

that's the best choice to address the business need at hand.

که بهترین گزینه است در جهت مدیریت کردن کار.

In the world of humanitarian aid, there are very few decision scientists.

در دنیای کمک‌های بشردوستانه، خیلی متخصص تصمیم‌گیری کم است.

Most of them work for companies.

اکثراً در خدمت شرکت‌ها هستند.

So that's the second thing that companies need to do.

پس این دومین چیزی است که این شرکت‌ها لازم است انجام دهند.

In addition to donating their data,

علاوه بر بخشش داده‌هایشان،

they need to donate their decision scientists.

لازم است دانشمندانِ تصمیم‌گیری‌شان را هم اهدا کنند.

Now, companies will say, "Ah! Don't take our decision scientists from us.

الان شرکت‌ها خواهند گفت، «آه،‌ ‌ متخصصان تصمیم‌گیری را از ما نگیرید.

We need every spare second of their time."

ما هر لحظه به آن‌ها نیاز داریم.»

But there's a way.

اما راه حلی وجود دارد.

If a company was going to donate a block of a decision scientist's time,

اگر یک شرکت بخشی از زمان یک دانشمند تصمیم‌گیری را اهدا می‌کرد،

it would actually make more sense to spread out that block of time

عاقلانه‌تر بود که این زمان را بر روی گستره‌ای طولانی از زمان

over a long period, say for example five years.

پخش می‌کرد، مثلاً پنج سال.

This might only amount to a couple of hours per month,

این شاید حدود چند ساعت در ماه می‌شد،

which a company would hardly miss,

که یک شرکت به سختی آن را حس می‌کرد،

but what it enables is really important: long-term partnerships.

ولی توانایی که داشت مهم بود: همکاری طولانی مدت.

Long-term partnerships allow you to build relationships,

همکاری طولانی مدت به شما اجازه می‌دهد رابطه ایجاد کنید،

to get to know the data, to really understand it

تا داده‌ها را بشناسید و واقعاً آن‌ها را درک کنید

and to start to understand the needs and challenges

و شروع به فهمیدن نیازها و چالش‌هایی کنید

that the humanitarian organization is facing.

که سازمان‌های بشردوستانه با آن‌ها مواجه هستند.

In Rome, at the World Food Programme, this took us five years to do,

در رم، در «برنامه جهانی غذا»، این کار برای ما پنج سال طول کشید،

five years.

پنج سال.

That first three years, OK, that was just what we couldn't solve for.

سه سال اول، در حال پیدا کردن راه‌حل بودیم.

Then there was two years after that of refining and implementing the tool,

سپس در دو سال بعدی در حال پالایش و پیاده‌سازی ابزار

like in the operations in Iraq and other countries.

مثل مأموریت عراق و دیگر کشور‌ها بودیم.

I don't think that's an unrealistic timeline

فکر نمی‌کنم این زمانبندی غیرواقعی باشد

when it comes to using data to make operational changes.

وقتی نوبت به استفاده از داده‌ها برای ایجاد تغییرات عملیاتی می‌کنیم.

It's an investment. It requires patience.

این یک سرمایه‌گزاری است. نیاز به صبر دارد.

But the types of results that can be produced are undeniable.

اما انواع نتایجی که بتواند تولید شود غیرقابل انکار هستند.

In our case, it was the ability to feed tens of thousands more people.

در مورد ما، قابلیت تغذیه ده‌ها هزار انسان بیشتر فراهم شد.

So we have donating data, we have donating decision scientists,

بنابراین ما اعطای داده‌ها و اعطای دانشمندان تصمیم‌گیری را داریم،

and there's actually a third way that companies can help:

و در واقع راه سومی هم هست که شرکت‌ها بتوانند کمک کنند:

donating technology to capture new sources of data.

اهدای فناوری برای جمع‌آوری منابع جدید داده‌ها.

You see, there's a lot of things we just don't have data on.

می‌دانید کلی چیز هست که برایشان داده‌ای نداریم.

Right now, Syrian refugees are flooding into Greece,

همین الان، پناهجویان سوری به یونان هجوم آورده‌اند،

and the UN refugee agency, they have their hands full.

و آژانس پناهجویان سازمان ملل، حسابی سرشان شلوغ است.

The current system for tracking people is paper and pencil,

نظام فعلی برای ردیابی آدم‌ها کاغد و قلم است،

and what that means is

و این یعنی

وقتی مادری به‌همراه پنج فرزندش قدم به اردوگاه می‌گذارد

that when a mother and her five children walk into the camp,

اداره‌ی اصلی در این لحظه نسبت به آن نابینا است.

headquarters is essentially blind to this moment.

That's all going to change in the next few weeks,

ظرف چند هفته آینده تمام این موضوع تغییر می‌کند،

thanks to private sector collaboration.

به لطف همکار بخش خصوصی.

There's going to be a new system based on donated package tracking technology

قرار است نظام جدیدی بر مبنای فناوری اهدایی ردیابی محموله‌ها پی‌ریزی کنیم

from the logistics company that I work for.

که شرکت حملی که برایش کار می‌کنم اهدا کرده.

With this new system, there will be a data trail,

با این سیستم جدید، دنباله‌ی اطلاعاتی خواهد بود،

so you know exactly the moment

که به محضی که مادر و کودکانش

when that mother and her children walk into the camp.

پا به اردوگاه می گذارند مطلع خواهید شد.

And even more, you know if she's going to have supplies

و حتی خواهید دانست که آیا این ماه و ماه بعدی

ذخیره‌ای دریافت می‌کند.

this month and the next.

Information visibility drives efficiency.

آشکارسازی اطلاعات کارایی را بالا می‌برد.

For companies, using technology to gather important data,

برای شرکت‌ها،‌ استفاده از فناوری برای یافتن داده‌های مهم

it's like bread and butter.

مثل نان شب است.

They've been doing it for years,

سال‌ها است این کار را می‌کنند،

and it's led to major operational efficiency improvements.

و باعث افزایش بهبود چشمگیری در کارهایشان شده است.

Just try to imagine your favorite beverage company

فقط تصور کنید کمپانی نوشیدنی‌سازی محبوب شما

trying to plan their inventory

روی فهرست موجودی‌اش کار می‌کند

and not knowing how many bottles were on the shelves.

و نمی‌داند که روی هر قفسه چند بطری هست.

It's absurd.

احمقانه است.

Data drives better decisions.

داده‌ها، مولدِ تصمیمات بهترند.

Now, if you're representing a company,

اکنون اگر نمایندگی شرکتی را داشته باشید،

and you're pragmatic and not just idealistic,

و واقعیت‌گرا باشید و نه یک ایده‌آل گرا،

you might be saying to yourself, "OK, this is all great, Mallory,

باید به خودتان بگویید که « خب، مالری همه این‌ها عالیه،

but why should I want to be involved?"

اما من چرا باید درگیر بشم؟»

Well for one thing, beyond the good PR,

خوب از یک طرف، فراتر از حُسن‌نیت

humanitarian aid is a 24-billion-dollar sector,

کمک بشردوستانه بخشی با ارزش ۲۴ میلیارد دلاری است،

and there's over five billion people, maybe your next customers,

و پنج میلیارد نفر وجود دارند، شاید مشتری‌های بعدی شما،

that live in the developing world.

که در دنیای در حال توسعه زندگی می‌کنند.

Further, companies that are engaging in data philanthropy,

بعلاوه، شرکت‌هایی که وارد داده‌بخشی بشردوستانه می‌شوند،

they're finding new insights locked away in their data.

در حال یافتن اطلاعات مفیدتری در داده‌های خود هستند.

Take, for example, a credit card company

برای مثال یک شرکت کارت اعتباری‌ را ببینید،

that's opened up a center

که یک مرکز باز کرده که

that functions as a hub for academics, for NGOs and governments,

به عنوان یک قطب برای دانشگاهیان، دولت و سازمان‌های بشردوستانه

all working together.

کار می‌کند.

They're looking at information in credit card swipes

آن‌ها به اطلاعات استفاده از کارت‌های بانکی نگاه می‌کنند

and using that to find insights about how households in India

و با آن به فهمی می‌رسند از اینکه خانواده‌های هندی چگونه

live, work, earn and spend.

زندگی، کار، درآمدزایی و خرج می‌کنند.

For the humanitarian world, this provides information

برای دنیای بشردوستانه این اطلاعاتی فراهم می‌کند

about how you might bring people out of poverty.

که چگونه می‌شود مردم را از فقر خارج کنیم

But for companies, it's providing insights about your customers

ولی برای شرکت‌ها، اطلاعاتی درباره مشتریان بالفعل

and potential customers in India.

و مشتریان بالقوه‌شان در هند می‌دهد.

It's a win all around.

یک برد همه طرفه است.

Now, for me, what I find exciting about data philanthropy --

برای من، جذابیت اهداکردن داده‌ها --

donating data, donating decision scientists and donating technology --

اهدای داده‌ها، اهدای متخصصان تصمیم‌گیری و اهدای فناوری --

برای متخصصان جوانی مثل من معیار انتخابی است

it's what it means for young professionals like me

who are choosing to work at companies.

برای کارکردن در شرکت‌ها.

Studies show that the next generation of the workforce

مطالعات نشان می‌دهد که نسل آینده نیروی کار

care about having their work make a bigger impact.

به تأثیر‌گزاری هرچه بیشتر کاری که می‌کند اهمیت می‌دهد.

We want to make a difference,

ما می‌خواهیم کاری مفید کنیم،

and so through data philanthropy,

و با استفاده از داده‌های بشردوستانه،

companies can actually help engage and retain their decision scientists.

شرکت‌ها می‌توانند به مشارکت و نگهداری متخصصین تصمیم‌گیری خود کمک کنند.

And that's a big deal for a profession that's in high demand.

و این مسأله‌ی مهمی است برای متخصصانی که متقاضی زیادی دارند.

Data philanthropy makes good business sense,

صدقه‌دادنِ داده‌ها از نظر تجاری سودمند است،

and it also can help revolutionize the humanitarian world.

و حتی می‌تواند به تحول در دنیای بشردوستی نیز کمک کند.

If we coordinated the planning and logistics

اگر ما برنامه‌ریزی و تدارکات‌مان را

across all of the major facets of a humanitarian operation,

از لحاظ کارهای بشردوستانه تدوین کنیم،

we could feed, clothe and shelter hundreds of thousands more people,

می‌توانیم برای صدها هزار نفر دیگر غذا، سرپناه و لباس تأمین کنیم،

and companies need to step up and play the role that I know they can

و شرکت‌ها باید قدم جلو بگذارند و نقش‌شان که می‌دانم می‌توانند را

in bringing about this revolution.

در پیشبرد این انقلاب ایفا کنند.

You've probably heard of the saying "food for thought."

شما شاید ضرب‌المثل «غذای فکر» رو شنیده باشین.

Well, this is literally thought for food.

خب. این به واقع فکر برای غذاست.

It finally is the right idea at the right time.

و بالاخره اینکه ایده‌ای خوب در زمانی مناسب است.

(Laughter)

(خنده حاضرین)

Très magnifique.

بسیار عالی.

Thank you.

متشکرم.

(Applause)

(تشویق)