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

53,487 views ・ 2016-11-29

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Kacper Borowiecki Korekta: Hannah 527
00:12
June 2010.
0
12880
1760
Czerwiec 2010 roku.
00:15
I landed for the first time in Rome, Italy.
1
15760
2880
Po raz pierwszy trafiłam do Rzymu.
00:19
I wasn't there to sightsee.
2
19800
1896
Nie pojechałam zwiedzać.
00:21
I was there to solve world hunger.
3
21720
3120
Pojechałam rozwiązać problem głodu na świecie.
00:25
(Laughter)
4
25160
2096
(Śmiech)
00:27
That's right.
5
27280
1216
To prawda.
00:28
I was a 25-year-old PhD student
6
28520
2096
Byłam 25-letnim doktorantem,
00:30
armed with a prototype tool developed back at my university,
7
30640
3096
uzbrojonym w prototypowe narzędzie stworzone na moim uniwersytecie
00:33
and I was going to help the World Food Programme fix hunger.
8
33760
3080
i miałam pomóc w walce z głodem Programowi Żywnościowemu ONZ.
00:37
So I strode into the headquarters building
9
37840
2736
Weszłam do budynku centrali Programu.
00:40
and my eyes scanned the row of UN flags,
10
40600
2816
Moje oczy przeleciały przez rząd flag ONZ.
00:43
and I smiled as I thought to myself,
11
43440
1960
Uśmiechnęłam się i pomyślałam,
00:46
"The engineer is here."
12
46840
1616
"Inżynier przybył!".
00:48
(Laughter)
13
48480
2216
(Śmiech)
00:50
Give me your data.
14
50720
1776
"Dawajcie dane,
00:52
I'm going to optimize everything.
15
52520
2176
wszystko zoptymalizuję!".
00:54
(Laughter)
16
54720
1736
(Śmiech)
00:56
Tell me the food that you've purchased,
17
56480
1896
Powiedz mi, jakie jedzenie kupujesz,
00:58
tell me where it's going and when it needs to be there,
18
58400
2616
dokąd i kiedy ma dotrzeć,
01:01
and I'm going to tell you the shortest, fastest, cheapest,
19
61040
2736
a podam ci najkrótszą, najszybszą i najtańszą...
01:03
best set of routes to take for the food.
20
63800
1936
najlepszą drogę.
01:05
We're going to save money,
21
65760
1496
Zaoszczędzimy pieniądze,
01:07
we're going to avoid delays and disruptions,
22
67280
2096
unikniemy opóźnień i utrudnień,
01:09
and bottom line, we're going to save lives.
23
69400
2736
a, co najważniejsze, ochronimy wiele żyć.
01:12
You're welcome.
24
72160
1216
Zapraszam!
01:13
(Laughter)
25
73400
1696
(Śmiech)
01:15
I thought it was going to take 12 months,
26
75120
1976
Sądziłam, że zajmie mi to 12 miesięcy.
01:17
OK, maybe even 13.
27
77120
1560
No, może 13.
01:19
This is not quite how it panned out.
28
79800
2280
Nie do końca tak to się ułożyło.
01:23
Just a couple of months into the project, my French boss, he told me,
29
83600
3776
Po kilku miesiącach pracy mój francuski szef powiedział,
01:27
"You know, Mallory,
30
87400
1816
"Wiesz, Mallory,
01:29
it's a good idea,
31
89240
1656
to dobry pomysł,
01:30
but the data you need for your algorithms is not there.
32
90920
3336
ale nie ma danych potrzebnych do twojego alogrytmu.
01:34
It's the right idea but at the wrong time,
33
94280
2536
To dobry pomysł, ale w złym czasie,
01:36
and the right idea at the wrong time
34
96840
2296
a dobry pomysł w złym czasie,
01:39
is the wrong idea."
35
99160
1376
to zły pomysł".
01:40
(Laughter)
36
100560
1320
(Śmiech)
01:42
Project over.
37
102960
1280
Projekt skończony.
01:45
I was crushed.
38
105120
1200
Zostałam zmiażdzona.
01:49
When I look back now
39
109000
1456
Gdy patrzę na to teraz,
01:50
on that first summer in Rome
40
110480
1656
na te pierwsze wakacje w Rzymie,
01:52
and I see how much has changed over the past six years,
41
112160
2656
widzę, ile zmieniło się przez ostanie sześć lat.
01:54
it is an absolute transformation.
42
114840
2240
To całkowita transformacja...
01:57
It's a coming of age for bringing data into the humanitarian world.
43
117640
3400
Zbliżamy się do wejścia danych w świat humanitarny.
02:02
It's exciting. It's inspiring.
44
122160
2656
To ekscytujące i inspirujące.
02:04
But we're not there yet.
45
124840
1200
Ale wciąż nas tam nie ma.
02:07
And brace yourself, executives,
46
127320
2296
Uważajcie, kierownicy.
02:09
because I'm going to be putting companies
47
129640
1976
Mam zamiar ruszyć firmy,
02:11
on the hot seat to step up and play the role that I know they can.
48
131640
3120
aby przyspieszyły i grały rolę, której mogą sprostać.
02:17
My experiences back in Rome prove
49
137520
2816
Moje rzymskie doświadczenie udowadnia,
02:20
using data you can save lives.
50
140360
2080
że użycie danych może chronić życie.
02:23
OK, not that first attempt,
51
143440
2456
OK, nie za pierwszym razem,
02:25
but eventually we got there.
52
145920
2576
ale w końcu do tego doszliśmy.
02:28
Let me paint the picture for you.
53
148520
1736
Pozwólcie mi to zademonstrować.
02:30
Imagine that you have to plan breakfast, lunch and dinner
54
150280
2736
Pomyślcie, że planujecie śniadanie, obiad i kolację.
02:33
for 500,000 people,
55
153040
1616
Na pół miliona ludzi.
02:34
and you only have a certain budget to do it,
56
154680
2136
Macie w tym celu określony budżet,
02:36
say 6.5 million dollars per month.
57
156840
2240
powiedzmy 6,5 miliona dolarów miesięcznie.
02:40
Well, what should you do? What's the best way to handle it?
58
160920
2762
Co powinniśmy zrobić? Jaka jest najlepsza recepta?
02:44
Should you buy rice, wheat, chickpea, oil?
59
164280
2760
Mamy kupować ryż, zboża, groch, olej?
02:47
How much?
60
167760
1216
Ile?
02:49
It sounds simple. It's not.
61
169000
2136
Wygląda na proste, ale takie nie jest.
02:51
You have 30 possible foods, and you have to pick five of them.
62
171160
3216
Masz 30 możliwości, musisz wybrać pięć.
02:54
That's already over 140,000 different combinations.
63
174400
3416
To daje nam już 140 000 kombinacji.
02:57
Then for each food that you pick,
64
177840
1696
Dla każdej wybranej możliwości
02:59
you need to decide how much you'll buy,
65
179560
1976
musisz określić, ile kupisz,
03:01
where you're going to get it from,
66
181560
1696
skąd to weźmiesz,
03:03
where you're going to store it,
67
183280
1480
gdzie to przechować
03:05
how long it's going to take to get there.
68
185760
1976
i ile zajmie dotarcie jedzenia na miejsce.
03:07
You need to look at all of the different transportation routes as well.
69
187760
3336
Musisz patrzeć także na różne sposoby transportu.
03:11
And that's already over 900 million options.
70
191120
2080
To daje nam już 900 milionów opcji.
03:14
If you considered each option for a single second,
71
194120
2376
Jeśli każdą z tych opcji rozważysz przez sekundę,
03:16
that would take you over 28 years to get through.
72
196520
2336
znajdziesz się 28 lat później.
03:18
900 million options.
73
198880
1520
900 milionów opcji.
03:21
So we created a tool that allowed decisionmakers
74
201160
2456
Stworzyliśmy narzędzie, które pozwala urzędnikom
03:23
to weed through all 900 million options
75
203640
2616
na przebranie wszystkich opcji
03:26
in just a matter of days.
76
206280
1360
zaledwie w parę dni.
03:28
It turned out to be incredibly successful.
77
208560
2240
Okazało się, że mamy niesamowite sukcesy.
03:31
In an operation in Iraq,
78
211400
1256
Podczas operacji w Iraku
03:32
we saved 17 percent of the costs,
79
212680
2536
zaoszczędziliśmy 17 procent kosztów,
03:35
and this meant that you had the ability to feed an additional 80,000 people.
80
215240
4136
czyli mieliśmy możliwość nakarmienia dodatkowo 80 000 ludzi.
03:39
It's all thanks to the use of data and modeling complex systems.
81
219400
4400
To wszystko dzięki użyciu danych i kompleksowemu modelowi komputerowemu.
03:44
But we didn't do it alone.
82
224800
1280
Nie zrobiliśmy tego sami.
03:46
The unit that I worked with in Rome, they were unique.
83
226840
2736
Zespół, z którym pracowałam w Rzymie, był unikatowy.
03:49
They believed in collaboration.
84
229600
1736
Wierzyli we współpracę.
03:51
They brought in the academic world.
85
231360
1696
Zjednali sobie środowisko uniwersyteckie.
03:53
They brought in companies.
86
233080
1280
Zjednali sobie firmy.
03:55
And if we really want to make big changes in big problems like world hunger,
87
235200
3616
Jeśli naprawdę chcemy dużej zmiany ogromnych problemów, takich jak głód,
03:58
we need everybody to the table.
88
238840
2560
potrzebujemy współpracy wszystkich.
04:02
We need the data people from humanitarian organizations
89
242040
2936
Potrzebujemy ludzi od danych z organizacji humanitarnych,
04:05
leading the way,
90
245000
1256
wskazujących drogę
04:06
and orchestrating just the right types of engagements
91
246280
2576
i wzniecających tylko dobre sposoby zaangażowania
04:08
with academics, with governments.
92
248880
1696
środowisk naukowych i rządów.
04:10
And there's one group that's not being leveraged in the way that it should be.
93
250600
3696
Jest jednak grupa niewykorzystana wystarczająco.
04:14
Did you guess it? Companies.
94
254320
2096
Zgadliście? To firmy.
04:16
Companies have a major role to play in fixing the big problems in our world.
95
256440
3600
Firmy mają dużą rolę w grze o naprawienie problemów naszego świata.
04:20
I've been in the private sector for two years now.
96
260880
2416
Od dwóch lat pracuję w sektorze prywatnym.
04:23
I've seen what companies can do, and I've seen what companies aren't doing,
97
263320
3576
Widziałam, co firmy mogą zrobić, oraz to, czego nie robią.
04:26
and I think there's three main ways that we can fill that gap:
98
266920
3376
Sądzę, że są trzy sposoby na wypełnienie tej luki,
04:30
by donating data, by donating decision scientists
99
270320
3096
przez dotację danych, decyzyjnych naukowców
04:33
and by donating technology to gather new sources of data.
100
273440
3480
oraz technologii do zbierania nowych źródeł tych danych.
04:37
This is data philanthropy,
101
277920
1576
To filantropia danych,
04:39
and it's the future of corporate social responsibility.
102
279520
2840
przyszłość korporacyjnej odpowiedzialności społecznej.
04:43
Bonus, it also makes good business sense.
103
283160
2600
Przy okazji ma sens biznesowy.
04:46
Companies today, they collect mountains of data,
104
286920
3216
Dzisiaj firmy zbierają góry danych,
04:50
so the first thing they can do is start donating that data.
105
290160
2762
więc mogą bardzo łatwo je przekazać.
04:52
Some companies are already doing it.
106
292946
2190
Niektóre firmy już to robią.
04:55
Take, for example, a major telecom company.
107
295160
2416
Weźmy na przykład dużą firmę telekomunikacyjną.
04:57
They opened up their data in Senegal and the Ivory Coast
108
297600
2776
Udostępnili dane z Senegalu i Wybrzeża Kości Słoniowej.
05:00
and researchers discovered
109
300400
1976
Badacze odkryli,
05:02
that if you look at the patterns in the pings to the cell phone towers,
110
302400
3334
że analizując układ pingów do nadajników telefonii komórkowej,
05:05
you can see where people are traveling.
111
305758
1938
można zobaczyć, gdzie ludzie podróżują.
05:07
And that can tell you things like
112
307720
2176
Można tak sprawdzić,
05:09
where malaria might spread, and you can make predictions with it.
113
309920
3096
gdzie może pojawić się malaria i poczynić odpowiednie prognozy.
05:13
Or take for example an innovative satellite company.
114
313040
2896
Inny przykład, innowacyjna firma, satelity.
05:15
They opened up their data and donated it,
115
315960
2016
Udostępnili dane, przekazali je.
05:18
and with that data you could track
116
318000
1656
Dzięki tym danym można sprawdzić,
05:19
how droughts are impacting food production.
117
319680
2040
jak susze wpływają na produkcję żywności.
05:22
With that you can actually trigger aid funding before a crisis can happen.
118
322920
3680
Dzięki czemu kurek pomocy może ruszyć jeszcze przed kryzysem.
05:27
This is a great start.
119
327560
1280
To świetny start.
05:29
There's important insights just locked away in company data.
120
329840
2880
Istotne spostrzeżenia są zamknięte w danych firm.
05:34
And yes, you need to be very careful.
121
334480
1816
Tak, musisz być bardzo uważny.
05:36
You need to respect privacy concerns, for example by anonymizing the data.
122
336320
3576
Musisz respektować prywatność, na przykład anonimizując dane.
05:39
But even if the floodgates opened up,
123
339920
2776
Jednak nawet wtedy, gdy machina ruszy,
05:42
and even if all companies donated their data
124
342720
2536
nawet gdy wszystkie firmy udostępnią swoje dane
05:45
to academics, to NGOs, to humanitarian organizations,
125
345280
3256
uniwersytetom, NGO czy organizacjom humanitarnym,
05:48
it wouldn't be enough to harness that full impact of data
126
348560
2976
nie wystarczy to do wykorzystania pełnego wpływu danych
05:51
for humanitarian goals.
127
351560
1520
na cele humanitarne.
05:54
Why?
128
354320
1456
Czemu?
05:55
To unlock insights in data, you need decision scientists.
129
355800
3240
Aby tego dokonać, potrzebujesz ekspertów decyzji.
05:59
Decision scientists are people like me.
130
359760
2576
Ludzi takich jak ja.
06:02
They take the data, they clean it up,
131
362360
1816
Zbierają dane, porządkują,
06:04
transform it and put it into a useful algorithm
132
364200
2256
transformują, wykorzystują w użyteczny algorytm.
06:06
that's the best choice to address the business need at hand.
133
366480
2840
To najlepszy sposób, w jaki firmy mogą pomóc.
06:09
In the world of humanitarian aid, there are very few decision scientists.
134
369800
3696
W świecie pomocy humanitarnej jest bardzo mało ekspertów decyzji.
06:13
Most of them work for companies.
135
373520
1640
Większość pracuje w firmach.
06:16
So that's the second thing that companies need to do.
136
376480
2496
To druga rzecz, którą muszą zrobić firmy,
06:19
In addition to donating their data,
137
379000
1696
poza udostępnieniem danych,
06:20
they need to donate their decision scientists.
138
380720
2160
powinni udostępnić swoich ekspertów.
06:23
Now, companies will say, "Ah! Don't take our decision scientists from us.
139
383520
5736
Firmy stwierdzą: "Aha! Nie zabierajcie naszych ekspertów.
06:29
We need every spare second of their time."
140
389280
2040
Potrzebujemy każdej sekundy ich czasu".
06:32
But there's a way.
141
392360
1200
Jest jednak sposób.
06:35
If a company was going to donate a block of a decision scientist's time,
142
395200
3416
Jeśli firma przekaże blok czasu takiego specjalisty,
06:38
it would actually make more sense to spread out that block of time
143
398640
3136
sensowniejsze byłoby rozłożenie tego bloku
06:41
over a long period, say for example five years.
144
401800
2200
na długi czas, na przykład pięć lat.
06:44
This might only amount to a couple of hours per month,
145
404600
3056
To może dać zaledwie parę godzin miesięcznie,
06:47
which a company would hardly miss,
146
407680
2056
firmy ledwo co to zauważą,
06:49
but what it enables is really important: long-term partnerships.
147
409760
3480
ale umożliwia to bardzo ważną rzecz, współpracę długoterminową.
06:54
Long-term partnerships allow you to build relationships,
148
414920
2816
Taka współpraca pozwala budować relacje,
06:57
to get to know the data, to really understand it
149
417760
2656
poznać dane i naprawdę je zrozumieć,
07:00
and to start to understand the needs and challenges
150
420440
2416
zaczynać rozumieć potrzeby i wyzwania
07:02
that the humanitarian organization is facing.
151
422880
2160
stojące przed organizacjami humanitarnymi.
07:06
In Rome, at the World Food Programme, this took us five years to do,
152
426345
3191
W Programie Żywnościowym ONZ, w Rzymie zajęło nam to pięć lat.
07:09
five years.
153
429560
1456
Pięć lat.
07:11
That first three years, OK, that was just what we couldn't solve for.
154
431040
3336
Przez pierwsze trzy lata nie wiedzieliśmy jak się za to zabrać.
07:14
Then there was two years after that of refining and implementing the tool,
155
434400
3496
Kolejne dwa lata zajęły nam poprawki i wprowadzanie narzędzia,
07:17
like in the operations in Iraq and other countries.
156
437920
2800
na przykład podczas operacji w Iraku i innych krajach.
07:21
I don't think that's an unrealistic timeline
157
441520
2096
Nie sądzę, że to nierealne czasy
07:23
when it comes to using data to make operational changes.
158
443640
2736
wykorzystania danych do dokonywania zmian operacyjnych.
07:26
It's an investment. It requires patience.
159
446400
2400
To inwestycja, która wymaga cierpliwości.
07:29
But the types of results that can be produced are undeniable.
160
449760
3496
Wyniki, które można uzyskać, są jednak niezaprzeczalne.
07:33
In our case, it was the ability to feed tens of thousands more people.
161
453280
3560
Dla nas to możliwość nakarmienia kolejnych dziesiątek tysięcy ludzi.
07:39
So we have donating data, we have donating decision scientists,
162
459440
4336
Ofiarujemy dane i naukowców,
07:43
and there's actually a third way that companies can help:
163
463800
2696
ale jest jeszcze trzeci sposób, w jaki firmy mogą pomóc.
07:46
donating technology to capture new sources of data.
164
466520
2976
Przekazywanie technologii do zbierania nowych form danych.
07:49
You see, there's a lot of things we just don't have data on.
165
469520
2840
Jest wiele elementów, których danych nie mamy.
07:52
Right now, Syrian refugees are flooding into Greece,
166
472960
2720
Teraz syryjscy uchodźcy uciekają do Grecji.
07:57
and the UN refugee agency, they have their hands full.
167
477120
2560
Agencja uchodźców ONZ ma ręce pełne roboty.
08:01
The current system for tracking people is paper and pencil,
168
481000
3056
Aktualny system rejestracji ludzi to papier i długopis,
08:04
and what that means is
169
484080
1256
oznacza to,
08:05
that when a mother and her five children walk into the camp,
170
485360
2856
że gdy matka z piątką dzieci dociera do obozu,
08:08
headquarters is essentially blind to this moment.
171
488240
2656
agencja nie ma o tym pojęcia.
08:10
That's all going to change in the next few weeks,
172
490920
2336
To zmieni się w ciągu najbliższych tygodni
08:13
thanks to private sector collaboration.
173
493280
1880
dzięki współpracy z sektorem prywatnym.
08:15
There's going to be a new system based on donated package tracking technology
174
495840
3656
Stworzymy nowy system oparty na dotowanych zestawach danych
08:19
from the logistics company that I work for.
175
499520
2040
z firmy logistycznej, dla której pracuję.
08:22
With this new system, there will be a data trail,
176
502120
2336
W tym nowym systemie istnieć będzie szlak danych,
08:24
so you know exactly the moment
177
504480
1456
dokładnie poznasz moment,
08:25
when that mother and her children walk into the camp.
178
505960
2496
gdy matka z dziećmi przekroczy bramę obozu.
08:28
And even more, you know if she's going to have supplies
179
508480
2616
Co więcej wiesz, czy otrzyma zasoby
08:31
this month and the next.
180
511120
1256
w tym i kolejnym miesiącu.
08:32
Information visibility drives efficiency.
181
512400
3016
Widoczność informacji napędza efektywność.
08:35
For companies, using technology to gather important data,
182
515440
3256
Dla firm wykorzystanie technologii do zebrania ważnych danych
08:38
it's like bread and butter.
183
518720
1456
to jak bułka z masłem.
08:40
They've been doing it for years,
184
520200
1576
Robią to przez lata.
08:41
and it's led to major operational efficiency improvements.
185
521800
3256
Doprowadziło to do znacznego zwiększenia efektywności operacyjnej.
08:45
Just try to imagine your favorite beverage company
186
525080
2360
Wyobraź sobie firmę robiącą twój ulubiony napój,
08:48
trying to plan their inventory
187
528280
1576
próbującą planować inwentarz
08:49
and not knowing how many bottles were on the shelves.
188
529880
2496
nie wiedząc, ile butelek było na półkach.
08:52
It's absurd.
189
532400
1216
To absurdalne.
08:53
Data drives better decisions.
190
533640
1560
Dane napędzają lepsze decyzje.
08:57
Now, if you're representing a company,
191
537800
2536
Jeśli reprezentujesz firmę,
09:00
and you're pragmatic and not just idealistic,
192
540360
3136
jesteś pragmatyczny, a nie tylko idealistą,
09:03
you might be saying to yourself, "OK, this is all great, Mallory,
193
543520
3056
może powiedziałbyś sobie, "To jest świetne, Mallory,
09:06
but why should I want to be involved?"
194
546600
1840
ale czemu powinien się przyłączyć?".
09:09
Well for one thing, beyond the good PR,
195
549000
2816
Poza dobrym PR-em,
09:11
humanitarian aid is a 24-billion-dollar sector,
196
551840
2776
pomoc humanitarna to sektor warty 24 miliardy.
09:14
and there's over five billion people, maybe your next customers,
197
554640
3056
Ponad pięć miliardów ludzi, to mogą być twoi konsumenci
09:17
that live in the developing world.
198
557720
1816
żyjący w krajach rozwijających się.
09:19
Further, companies that are engaging in data philanthropy,
199
559560
3096
Ponadto firmy angażujące się w filantropię danych
09:22
they're finding new insights locked away in their data.
200
562680
2976
znajdują nowe spojrzenie na swoje własne dane.
09:25
Take, for example, a credit card company
201
565680
2256
Na przykład wydawca kart kredytowych
09:27
that's opened up a center
202
567960
1336
otworzył centrum,
09:29
that functions as a hub for academics, for NGOs and governments,
203
569320
3376
które funkcjonuje jako hub dla naukowców, organizacji i rządów,
09:32
all working together.
204
572720
1240
działających wspólnie.
09:35
They're looking at information in credit card swipes
205
575040
2736
Badają wykorzystanie kart
09:37
and using that to find insights about how households in India
206
577800
2976
i na podstawie tego wskazują, jak gospodarstwa domowe w Indiach
09:40
live, work, earn and spend.
207
580800
1720
żyją, pracują, zarabiają i wydają.
09:43
For the humanitarian world, this provides information
208
583680
2576
Środowiska humanitarne czerpią informacje, które pokazują,
09:46
about how you might bring people out of poverty.
209
586280
2656
jak można wyprowadzić ludzi z biedy.
09:48
But for companies, it's providing insights about your customers
210
588960
3016
Jednakże firmom zapewnia to spostrzeżenia dotyczące klientów
09:52
and potential customers in India.
211
592000
2040
i potencjalnych klientów w Indiach.
09:54
It's a win all around.
212
594760
1800
Wszyscy zyskują.
09:57
Now, for me, what I find exciting about data philanthropy --
213
597960
3776
To, co uważam za ekscytujące w filantropii danych,
10:01
donating data, donating decision scientists and donating technology --
214
601760
4336
dotowanie danych, naukowców i technologii,
10:06
it's what it means for young professionals like me
215
606120
2376
to znaczenie dla młodych ekspertów,
takich jak ja, którzy wybrali pracę w firmach.
10:08
who are choosing to work at companies.
216
608520
1840
10:10
Studies show that the next generation of the workforce
217
610800
2656
Badania pokazują, że następna generacja siły roboczej
10:13
care about having their work make a bigger impact.
218
613480
2560
troszczy się o to, by ich praca miała wpływ.
10:16
We want to make a difference,
219
616920
2456
Chcemy dokonać zmiany,
10:19
and so through data philanthropy,
220
619400
2416
dlatego przez filantropię danych
10:21
companies can actually help engage and retain their decision scientists.
221
621840
3936
firmy mogą pomóc zaangażować i zachować swoich ekspertów.
10:25
And that's a big deal for a profession that's in high demand.
222
625800
2880
To wielka sprawa dla zawodu z dużym zapotrzebowaniem.
10:29
Data philanthropy makes good business sense,
223
629840
3120
Filantropia danych działa dobrze w biznesie,
10:34
and it also can help revolutionize the humanitarian world.
224
634200
3280
może także pomóc zrewolucjonizować środowiska humanitarne.
10:39
If we coordinated the planning and logistics
225
639600
2096
Jeśli skoordynujemy planowanie i logistykę
10:41
across all of the major facets of a humanitarian operation,
226
641720
3376
między głównymi aspektami operacji humanitarnej,
10:45
we could feed, clothe and shelter hundreds of thousands more people,
227
645120
3600
będziemy mogli nakarmić, ubrać i schronić dodatkowe setki tysięcy ludzi.
10:49
and companies need to step up and play the role that I know they can
228
649440
4256
Firmy muszą ruszyć, grać rolę, której mogą sprostać,
10:53
in bringing about this revolution.
229
653720
1880
w działaniu tej rewolucji.
10:56
You've probably heard of the saying "food for thought."
230
656720
2936
Pewnie słyszeliście określenie "strawa dla myśli".
10:59
Well, this is literally thought for food.
231
659680
2240
To jest dosłownie myśl dla strawy.
11:03
It finally is the right idea at the right time.
232
663560
4136
To w końcu dobry pomysł w dobrym czasie.
11:07
(Laughter)
233
667720
1216
(Śmiech)
11:08
Très magnifique.
234
668960
1576
(Francuski) Naprawdę piękny.
11:10
Thank you.
235
670560
1216
Dziękuję.
11:11
(Applause)
236
671800
2851
(Brawa)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7