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

53,487 views ・ 2016-11-29

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Catherine Dean Relecteur: Morgane Quilfen
00:12
June 2010.
0
12880
1760
Juin 2010.
00:15
I landed for the first time in Rome, Italy.
1
15760
2880
J'ai atterri pour la première fois à Rome, en Italie.
00:19
I wasn't there to sightsee.
2
19800
1896
Je n'étais pas là en tant que touriste.
00:21
I was there to solve world hunger.
3
21720
3120
J'étais là pour résoudre la faim dans le monde.
00:25
(Laughter)
4
25160
2096
(Rires)
00:27
That's right.
5
27280
1216
C'est vrai.
00:28
I was a 25-year-old PhD student
6
28520
2096
J'étais une étudiante en doctorat de 25 ans
00:30
armed with a prototype tool developed back at my university,
7
30640
3096
avec un outil prototype développé à l'université
00:33
and I was going to help the World Food Programme fix hunger.
8
33760
3080
et j'allais aider le Programme Alimentaire Mondial à éradiquer la famine.
00:37
So I strode into the headquarters building
9
37840
2736
J'ai donc marché à grands pas jusqu'au quartier général
00:40
and my eyes scanned the row of UN flags,
10
40600
2816
et j'ai scanné la rangée des drapeaux de l'ONU,
00:43
and I smiled as I thought to myself,
11
43440
1960
et, en souriant, j'ai pensé :
00:46
"The engineer is here."
12
46840
1616
« L'ingénieur est là. »
00:48
(Laughter)
13
48480
2216
(Rires)
00:50
Give me your data.
14
50720
1776
Donnez-moi vos données.
00:52
I'm going to optimize everything.
15
52520
2176
Je vais tout optimiser.
00:54
(Laughter)
16
54720
1736
(Rires)
00:56
Tell me the food that you've purchased,
17
56480
1896
Dites-moi quelle nourriture que vous avez achetée,
00:58
tell me where it's going and when it needs to be there,
18
58400
2616
où elle va, quand elle a besoin d'y être
01:01
and I'm going to tell you the shortest, fastest, cheapest,
19
61040
2736
et je vous dirai la plus courte, la plus rapide, la moins chère
01:03
best set of routes to take for the food.
20
63800
1936
des routes à prendre.
01:05
We're going to save money,
21
65760
1496
Nous allons économiser,
01:07
we're going to avoid delays and disruptions,
22
67280
2096
éviter les retards et les perturbations
01:09
and bottom line, we're going to save lives.
23
69400
2736
et le but ultime, nous allons sauver des vies.
01:12
You're welcome.
24
72160
1216
De rien.
01:13
(Laughter)
25
73400
1696
(Rires)
01:15
I thought it was going to take 12 months,
26
75120
1976
Je pensais que ça prendrait 12 mois,
01:17
OK, maybe even 13.
27
77120
1560
OK, peut-être 13.
01:19
This is not quite how it panned out.
28
79800
2280
Ça n'a pas vraiment marché comme prévu.
01:23
Just a couple of months into the project, my French boss, he told me,
29
83600
3776
Deux mois après le début du projet, mon patron français m'a dit :
01:27
"You know, Mallory,
30
87400
1816
« Tu sais, Mallory,
01:29
it's a good idea,
31
89240
1656
c'est une bonne idée,
01:30
but the data you need for your algorithms is not there.
32
90920
3336
mais les données dont tu as besoin pour tes algorithmes ne sont pas là.
01:34
It's the right idea but at the wrong time,
33
94280
2536
C'est la bonne idée, mais au mauvais moment ;
01:36
and the right idea at the wrong time
34
96840
2296
et la bonne idée au mauvais moment
01:39
is the wrong idea."
35
99160
1376
est la mauvaise idée. »
01:40
(Laughter)
36
100560
1320
(Rires)
01:42
Project over.
37
102960
1280
Fin du projet.
01:45
I was crushed.
38
105120
1200
J'étais effondrée.
01:49
When I look back now
39
109000
1456
Quand j'y repense,
01:50
on that first summer in Rome
40
110480
1656
à ce premier été à Rome,
01:52
and I see how much has changed over the past six years,
41
112160
2656
et que je vois les changements des six dernières années,
01:54
it is an absolute transformation.
42
114840
2240
c'est une transformation totale.
01:57
It's a coming of age for bringing data into the humanitarian world.
43
117640
3400
C'est le début des données dans le monde humanitaire.
02:02
It's exciting. It's inspiring.
44
122160
2656
C'est excitant, c'est motivant,
02:04
But we're not there yet.
45
124840
1200
mais on n'y est pas encore.
02:07
And brace yourself, executives,
46
127320
2296
Tenez-vous prêts, dirigeants,
02:09
because I'm going to be putting companies
47
129640
1976
parce que je vais mettre des sociétés
02:11
on the hot seat to step up and play the role that I know they can.
48
131640
3120
sur la sellette pour qu'elles fassent ce que je sais qu'elles peuvent faire.
02:17
My experiences back in Rome prove
49
137520
2816
Mes expériences à Rome prouvent qu'en utilisant des données,
02:20
using data you can save lives.
50
140360
2080
on peut sauver des vies.
02:23
OK, not that first attempt,
51
143440
2456
D'accord, peut-être pas à ce premier essai
02:25
but eventually we got there.
52
145920
2576
mais on y est arrivé.
02:28
Let me paint the picture for you.
53
148520
1736
Laissez-moi vous brosser le tableau.
02:30
Imagine that you have to plan breakfast, lunch and dinner
54
150280
2736
Imaginez que vous devez prévoir petit-déjeuner, déjeuner, dîner
02:33
for 500,000 people,
55
153040
1616
pour 500 000 personnes
02:34
and you only have a certain budget to do it,
56
154680
2136
et vous avez un budget limité,
02:36
say 6.5 million dollars per month.
57
156840
2240
disons 6,5 millions de dollars par mois.
02:40
Well, what should you do? What's the best way to handle it?
58
160920
2762
Que faites-vous ? Quel est le meilleur moyen de procéder ?
02:44
Should you buy rice, wheat, chickpea, oil?
59
164280
2760
Achetez-vous du riz, du blé, des pois chiches, de l'huile ?
02:47
How much?
60
167760
1216
Quelle quantité ?
02:49
It sounds simple. It's not.
61
169000
2136
Ça a l'air simple, ça ne l'est pas.
02:51
You have 30 possible foods, and you have to pick five of them.
62
171160
3216
Vous avez 30 aliments possibles et vous devez en choisir 5.
02:54
That's already over 140,000 different combinations.
63
174400
3416
C'est déjà plus de 140 000 combinaisons différentes.
02:57
Then for each food that you pick,
64
177840
1696
Puis, pour chaque aliment choisi,
02:59
you need to decide how much you'll buy,
65
179560
1976
vous devez choisir la quantité à acheter,
03:01
where you're going to get it from,
66
181560
1696
où vous allez l'acheter,
03:03
where you're going to store it,
67
183280
1480
où vous allez le stocker,
03:05
how long it's going to take to get there.
68
185760
1976
combien de temps ça prendra à arriver.
03:07
You need to look at all of the different transportation routes as well.
69
187760
3336
Vous devez aussi étudier toutes les différentes voies de transport.
C'est déjà plus de 900 millions d'options.
03:11
And that's already over 900 million options.
70
191120
2080
03:14
If you considered each option for a single second,
71
194120
2376
Si vous examinez chaque option pendant une seconde,
03:16
that would take you over 28 years to get through.
72
196520
2336
ça vous prendra plus de 28 ans à parcourir.
03:18
900 million options.
73
198880
1520
900 millions d'options.
03:21
So we created a tool that allowed decisionmakers
74
201160
2456
Nous avons crée un outil qui a permis aux décideurs
03:23
to weed through all 900 million options
75
203640
2616
de trier ces 900 millions d'options
03:26
in just a matter of days.
76
206280
1360
en seulement quelques jours.
03:28
It turned out to be incredibly successful.
77
208560
2240
Ça s'est avéré très efficace.
03:31
In an operation in Iraq,
78
211400
1256
Lors d'une action en Irak,
03:32
we saved 17 percent of the costs,
79
212680
2536
nous avons économisé 17% des coûts,
03:35
and this meant that you had the ability to feed an additional 80,000 people.
80
215240
4136
ça voulait dire qu'on était capables de nourrir 80 000 personnes en plus.
03:39
It's all thanks to the use of data and modeling complex systems.
81
219400
4400
C'était grâce à l'usage de données et la modélisation des systèmes complexes.
03:44
But we didn't do it alone.
82
224800
1280
Mais on n'était pas seuls.
03:46
The unit that I worked with in Rome, they were unique.
83
226840
2736
L'unité avec laquelle j'ai travaillé à Rome était unique.
03:49
They believed in collaboration.
84
229600
1736
Ils croyaient en la collaboration.
03:51
They brought in the academic world.
85
231360
1696
Ils font appel aux universitaires
03:53
They brought in companies.
86
233080
1280
et aux sociétés.
03:55
And if we really want to make big changes in big problems like world hunger,
87
235200
3616
Si nous voulons changer les choses
pour les problèmes comme la faim dans le monde,
03:58
we need everybody to the table.
88
238840
2560
nous avons besoin de tout le monde.
04:02
We need the data people from humanitarian organizations
89
242040
2936
Nous avons besoin des gérants de données des ONG
04:05
leading the way,
90
245000
1256
pour nous montrer la voie
04:06
and orchestrating just the right types of engagements
91
246280
2576
et pour orchestrer les bons types d'engagements
04:08
with academics, with governments.
92
248880
1696
avec universitaires et gouvernements.
04:10
And there's one group that's not being leveraged in the way that it should be.
93
250600
3696
Et il y a un groupe qui n'est pas mobilisé autant qu'il le devrait.
04:14
Did you guess it? Companies.
94
254320
2096
Vous avez deviné ? Les sociétés.
04:16
Companies have a major role to play in fixing the big problems in our world.
95
256440
3600
Elles ont un rôle à jouer dans la résolution des problèmes du monde.
04:20
I've been in the private sector for two years now.
96
260880
2416
Je travaille dans le privé depuis deux ans.
04:23
I've seen what companies can do, and I've seen what companies aren't doing,
97
263320
3576
J'ai vu ce que les sociétés peuvent faire et ce qu'elles ne font pas,
04:26
and I think there's three main ways that we can fill that gap:
98
266920
3376
je pense il y a trois façons dont on peut combler cette lacune :
04:30
by donating data, by donating decision scientists
99
270320
3096
en donnant des données, des scientifiques décisionnels
04:33
and by donating technology to gather new sources of data.
100
273440
3480
et de la technologie afin d'acquérir de nouvelles sources de données.
04:37
This is data philanthropy,
101
277920
1576
C'est la philanthropie des données,
04:39
and it's the future of corporate social responsibility.
102
279520
2840
c'est le futur de la responsabilité sociale des entreprises.
04:43
Bonus, it also makes good business sense.
103
283160
2600
En plus, c'est du bon sens commercial.
04:46
Companies today, they collect mountains of data,
104
286920
3216
Les sociétés aujourd'hui, elles amassent des montagnes de données,
04:50
so the first thing they can do is start donating that data.
105
290160
2762
donc la première choses à faire, c'est donner ces données.
04:52
Some companies are already doing it.
106
292946
2190
Certaines sociétés le font déjà.
04:55
Take, for example, a major telecom company.
107
295160
2416
Prenez par exemple, une entreprise de télécom.
04:57
They opened up their data in Senegal and the Ivory Coast
108
297600
2776
Ils ont partagé leurs données au Sénégal et en Côte d'Ivoire
05:00
and researchers discovered
109
300400
1976
et les chercheurs ont découvert
05:02
that if you look at the patterns in the pings to the cell phone towers,
110
302400
3334
qu'en étudiant les pings envoyés vers les antennes relais,
05:05
you can see where people are traveling.
111
305758
1938
on peut voir les déplacements des gens.
05:07
And that can tell you things like
112
307720
2176
Et ça peut nous informer sur des choses comme
05:09
where malaria might spread, and you can make predictions with it.
113
309920
3096
la diffusion du paludisme, grâce à ça on peut faire des prévisions.
05:13
Or take for example an innovative satellite company.
114
313040
2896
Ou prenez, par exemple, une société satellite innovante.
05:15
They opened up their data and donated it,
115
315960
2016
Elle a partagé et donné ses données.
05:18
and with that data you could track
116
318000
1656
Avec ces données, on peut voir
05:19
how droughts are impacting food production.
117
319680
2040
comment la sécheresse influe sur la production alimentaire.
05:22
With that you can actually trigger aid funding before a crisis can happen.
118
322920
3680
Avec ceci, on peut déclencher des financements d'aide avant une crise.
05:27
This is a great start.
119
327560
1280
C'est un bon début.
05:29
There's important insights just locked away in company data.
120
329840
2880
D'importants enseignements sont enfermés dans les données des sociétés.
05:34
And yes, you need to be very careful.
121
334480
1816
Et oui, il faut faire attention.
05:36
You need to respect privacy concerns, for example by anonymizing the data.
122
336320
3576
Il faut respecter la confidentialité, par exemple en anonymisant les données.
05:39
But even if the floodgates opened up,
123
339920
2776
Mais même si les barrières s'ouvrent,
05:42
and even if all companies donated their data
124
342720
2536
même si toutes les sociétés donnaient leurs données
05:45
to academics, to NGOs, to humanitarian organizations,
125
345280
3256
aux universitaires, aux ONG, aux organisations humanitaires,
05:48
it wouldn't be enough to harness that full impact of data
126
348560
2976
ça ne suffira pas à maîtriser toute l'influence des données
05:51
for humanitarian goals.
127
351560
1520
pour des fins humanitaires.
05:54
Why?
128
354320
1456
Pourquoi ?
05:55
To unlock insights in data, you need decision scientists.
129
355800
3240
Pour libérer des idées des données, il faut des scientifiques décisionnels.
05:59
Decision scientists are people like me.
130
359760
2576
Les scientifiques décisionnels sont des gens comme moi.
06:02
They take the data, they clean it up,
131
362360
1816
Ils prennent des données, les nettoient,
06:04
transform it and put it into a useful algorithm
132
364200
2256
les transforment et les mettent dans un algorithme utile
06:06
that's the best choice to address the business need at hand.
133
366480
2840
qui est le meilleur choix pour répondre au besoin commercial.
06:09
In the world of humanitarian aid, there are very few decision scientists.
134
369800
3696
Dans le monde de l'aide humanitaire, il y a peu de scientifiques décisionnels.
06:13
Most of them work for companies.
135
373520
1640
La plupart travaillent pour des sociétés.
06:16
So that's the second thing that companies need to do.
136
376480
2496
Donc c'est la 2ème chose qu'une société a à faire.
06:19
In addition to donating their data,
137
379000
1696
En plus de donner leurs données,
06:20
they need to donate their decision scientists.
138
380720
2160
ils doivent donner leurs scientifiques décisionnels.
06:23
Now, companies will say, "Ah! Don't take our decision scientists from us.
139
383520
5736
Ils diront : « Ah ! Ne nous prenez pas nos scientifiques décisionnels.
06:29
We need every spare second of their time."
140
389280
2040
Nous avons besoin de tout leur temps. »
06:32
But there's a way.
141
392360
1200
Mais il y a un moyen.
06:35
If a company was going to donate a block of a decision scientist's time,
142
395200
3416
Si une société donnait un bloc du temps d'un scientifique décisionnel,
06:38
it would actually make more sense to spread out that block of time
143
398640
3136
ça serait plus intéressant, d'étaler ce bloc de temps
06:41
over a long period, say for example five years.
144
401800
2200
sur une période longue, cinq ans par exemple.
06:44
This might only amount to a couple of hours per month,
145
404600
3056
Ça représenterait seulement quelques heures par mois,
06:47
which a company would hardly miss,
146
407680
2056
ça manquerait à peine à la société,
06:49
but what it enables is really important: long-term partnerships.
147
409760
3480
mais ce que ça permet est très important : des collaborations durables.
06:54
Long-term partnerships allow you to build relationships,
148
414920
2816
Des collaborations durables construisent des relations,
06:57
to get to know the data, to really understand it
149
417760
2656
permettent de connaître les données, de les comprendre
07:00
and to start to understand the needs and challenges
150
420440
2416
et de commencer à comprendre les besoins et défis
07:02
that the humanitarian organization is facing.
151
422880
2160
que l'organisation humanitaire doit surmonter.
07:06
In Rome, at the World Food Programme, this took us five years to do,
152
426345
3191
A Rome, au Programme Alimentaire Mondial, cela nous a pris cinq ans,
07:09
five years.
153
429560
1456
cinq ans.
07:11
That first three years, OK, that was just what we couldn't solve for.
154
431040
3336
Les 3 premières années concernaient ce qu'on ne pouvait pas résoudre.
07:14
Then there was two years after that of refining and implementing the tool,
155
434400
3496
Les deux années suivantes, nous avons affiné et mis en œuvre l'outil,
07:17
like in the operations in Iraq and other countries.
156
437920
2800
comme pour les actions en Irak et dans d'autres pays.
07:21
I don't think that's an unrealistic timeline
157
441520
2096
Ça ne me semble pas un délai irréaliste
07:23
when it comes to using data to make operational changes.
158
443640
2736
quand il s'agit d'utiliser des données pour faire des changements opérationnels.
07:26
It's an investment. It requires patience.
159
446400
2400
C'est un investissement. Ça exige de la patience.
07:29
But the types of results that can be produced are undeniable.
160
449760
3496
Mais les types de résultats qui peuvent être produits sont indéniables.
07:33
In our case, it was the ability to feed tens of thousands more people.
161
453280
3560
Dans notre cas, c'était la capacité de nourrir des milliers de gens en plus.
07:39
So we have donating data, we have donating decision scientists,
162
459440
4336
Donc on donne des données, des scientifiques décisionnels
07:43
and there's actually a third way that companies can help:
163
463800
2696
et les entreprises peuvent aider d'une 3ème façon :
07:46
donating technology to capture new sources of data.
164
466520
2976
donner de la technologie pour capter de nouvelles sources de données.
07:49
You see, there's a lot of things we just don't have data on.
165
469520
2840
Il y a beaucoup de choses sur lesquelles on n'a pas de données.
07:52
Right now, Syrian refugees are flooding into Greece,
166
472960
2720
En ce moment, des réfugiés syriens inondent la Grèce,
07:57
and the UN refugee agency, they have their hands full.
167
477120
2560
l'agence de l'ONU pour les réfugiés a du pain sur la planche.
08:01
The current system for tracking people is paper and pencil,
168
481000
3056
Le système actuel pour suivre les gens est un papier et crayon,
08:04
and what that means is
169
484080
1256
cela veut dire
08:05
that when a mother and her five children walk into the camp,
170
485360
2856
que quand une mère et ses cinq enfants entrent dans un camp,
08:08
headquarters is essentially blind to this moment.
171
488240
2656
le siège est essentiellement aveugle à ce moment.
08:10
That's all going to change in the next few weeks,
172
490920
2336
Tout ceci va changer dans les semaines à venir,
08:13
thanks to private sector collaboration.
173
493280
1880
grâce à la collaboration du secteur privé.
08:15
There's going to be a new system based on donated package tracking technology
174
495840
3656
Il va y avoir un nouveau système basé sur des dispositifs de suivi
08:19
from the logistics company that I work for.
175
499520
2040
par la société logistique pour laquelle je travaille.
08:22
With this new system, there will be a data trail,
176
502120
2336
Avec ce nouveau système, les données sont tracées,
08:24
so you know exactly the moment
177
504480
1456
donc on connaît le moment exact
08:25
when that mother and her children walk into the camp.
178
505960
2496
où cette mère et ses enfants entrent dans le camp.
08:28
And even more, you know if she's going to have supplies
179
508480
2616
On peut aussi savoir si elle va avoir des provisions
ce mois et le suivant.
08:31
this month and the next.
180
511120
1256
08:32
Information visibility drives efficiency.
181
512400
3016
La visibilité de l'information entraîne l'efficacité.
08:35
For companies, using technology to gather important data,
182
515440
3256
Pour les sociétés, utiliser la technologie pour recueillir des données,
08:38
it's like bread and butter.
183
518720
1456
c'est la routine.
08:40
They've been doing it for years,
184
520200
1576
Elles font ceci depuis des années
08:41
and it's led to major operational efficiency improvements.
185
521800
3256
et ça a entraîné des améliorations de l'efficacité opérationnelle.
08:45
Just try to imagine your favorite beverage company
186
525080
2360
Imaginez votre entreprise de boissons préférée
essayant de planifier leur inventaire
08:48
trying to plan their inventory
187
528280
1576
08:49
and not knowing how many bottles were on the shelves.
188
529880
2496
et ne sachant pas combien de bouteilles sont sur les étagères.
08:52
It's absurd.
189
532400
1216
C'est absurde.
08:53
Data drives better decisions.
190
533640
1560
Des données entraînent de meilleures décisions.
08:57
Now, if you're representing a company,
191
537800
2536
Si vous représentez une société,
09:00
and you're pragmatic and not just idealistic,
192
540360
3136
si vous êtes pragmatique et pas seulement idéaliste,
09:03
you might be saying to yourself, "OK, this is all great, Mallory,
193
543520
3056
vous vous dites peut-être : « Tout ça est très bien, Mallory,
09:06
but why should I want to be involved?"
194
546600
1840
mais pourquoi devrais-je m'engager ? »
09:09
Well for one thing, beyond the good PR,
195
549000
2816
En plus d'être bon pour l'image,
09:11
humanitarian aid is a 24-billion-dollar sector,
196
551840
2776
l'aide humanitaire est un secteur de 24 millions de dollars,
09:14
and there's over five billion people, maybe your next customers,
197
554640
3056
et plus de 5 millions de gens, des clients potentiels,
09:17
that live in the developing world.
198
557720
1816
qui habitent dans les pays en développement.
09:19
Further, companies that are engaging in data philanthropy,
199
559560
3096
De plus, les entreprises s'engageant dans la philanthropie des données,
09:22
they're finding new insights locked away in their data.
200
562680
2976
trouvent de nouvelles idées enfermées dans leurs données.
09:25
Take, for example, a credit card company
201
565680
2256
Prenez une société de cartes de crédit
09:27
that's opened up a center
202
567960
1336
qui ouvre un centre
09:29
that functions as a hub for academics, for NGOs and governments,
203
569320
3376
qui sert de hub pour les universitaires, les ONG et les gouvernements
09:32
all working together.
204
572720
1240
qui travaillent tous ensemble.
Ils étudient des informations lors de chaque usage de carte
09:35
They're looking at information in credit card swipes
205
575040
2736
09:37
and using that to find insights about how households in India
206
577800
2976
et utilisent ceci pour trouver des données sur comment les familles en Inde
09:40
live, work, earn and spend.
207
580800
1720
vivent, travaillent, gagnent et dépensent.
09:43
For the humanitarian world, this provides information
208
583680
2576
Pour le monde humanitaire, cela fournit des informations
09:46
about how you might bring people out of poverty.
209
586280
2656
sur comment on peut sortir les gens de la pauvreté.
09:48
But for companies, it's providing insights about your customers
210
588960
3016
Mais pour les sociétés, cela fournit des informations sur vos clients
09:52
and potential customers in India.
211
592000
2040
et clients potentiels en Inde.
09:54
It's a win all around.
212
594760
1800
Tout le monde y gagne.
09:57
Now, for me, what I find exciting about data philanthropy --
213
597960
3776
Ce que je trouve excitant concernant la philanthropie des données,
10:01
donating data, donating decision scientists and donating technology --
214
601760
4336
-- le don de données, de scientifiques décisionnels et de technologie --
10:06
it's what it means for young professionals like me
215
606120
2376
c'est ce que ça signifie pour des jeunes professionnels
10:08
who are choosing to work at companies.
216
608520
1840
qui veulent de travailler dans des sociétés.
10:10
Studies show that the next generation of the workforce
217
610800
2656
Des études montrent que les nouveaux travailleurs
10:13
care about having their work make a bigger impact.
218
613480
2560
veulent que leur travail ait un plus grand effet.
10:16
We want to make a difference,
219
616920
2456
Nous voulons changer les choses,
10:19
and so through data philanthropy,
220
619400
2416
et grâce à la philanthropie des données,
10:21
companies can actually help engage and retain their decision scientists.
221
621840
3936
les sociétés peuvent aider à engager, retenir leurs scientifiques décisionnels.
10:25
And that's a big deal for a profession that's in high demand.
222
625800
2880
Et c'est un facteur important pour une profession très sollicitée.
10:29
Data philanthropy makes good business sense,
223
629840
3120
La philanthropie des données fait sens commercialement
10:34
and it also can help revolutionize the humanitarian world.
224
634200
3280
et ça peut aussi aider à révolutionner le monde humanitaire.
10:39
If we coordinated the planning and logistics
225
639600
2096
Si on coordonnait l'organisation et la logistique
10:41
across all of the major facets of a humanitarian operation,
226
641720
3376
à travers tout les facettes majeures d'une opération humanitaire,
10:45
we could feed, clothe and shelter hundreds of thousands more people,
227
645120
3600
on pourrait nourrir, habiller, héberger des centaines de milliers de personnes.
10:49
and companies need to step up and play the role that I know they can
228
649440
4256
Les sociétés doivent se bouger et jouer le rôle dont elles sont capables
10:53
in bringing about this revolution.
229
653720
1880
dans cette révolution.
10:56
You've probably heard of the saying "food for thought."
230
656720
2936
Vous avez sans doute entendu l'expression « nourriture pour la pensée ».
10:59
Well, this is literally thought for food.
231
659680
2240
Ici c'est vraiment une pensée pour la nourriture.
11:03
It finally is the right idea at the right time.
232
663560
4136
C'est enfin la bonne idée au bon moment.
11:07
(Laughter)
233
667720
1216
(Rires)
11:08
Très magnifique.
234
668960
1576
Très magnifique.
11:10
Thank you.
235
670560
1216
Merci.
11:11
(Applause)
236
671800
2851
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7