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

53,487 views ・ 2016-11-29

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Raissa Mendes Revisor: Ruy Lopes Pereira
00:12
June 2010.
0
12880
1760
Junho de 2010.
00:15
I landed for the first time in Rome, Italy.
1
15760
2880
(Risos)
Aterrissei, pela primeira vez, em Roma, na Itália.
00:19
I wasn't there to sightsee.
2
19800
1896
Não estava lá a passeio.
00:21
I was there to solve world hunger.
3
21720
3120
Estava lá para resolver o problema da fome no mundo.
00:25
(Laughter)
4
25160
2096
(Risos)
00:27
That's right.
5
27280
1216
Isso mesmo.
00:28
I was a 25-year-old PhD student
6
28520
2096
Eu era uma doutoranda de 25 anos,
00:30
armed with a prototype tool developed back at my university,
7
30640
3096
com o protótipo de uma ferramenta desenvolvida em minha universidade,
00:33
and I was going to help the World Food Programme fix hunger.
8
33760
3080
e ia ajudar o World Food Programme a resolver o problema da fome.
00:37
So I strode into the headquarters building
9
37840
2736
Assim, entrei decidida na sede do programa
00:40
and my eyes scanned the row of UN flags,
10
40600
2816
e meus olhos passaram em revista as bandeiras da ONU,
00:43
and I smiled as I thought to myself,
11
43440
1960
e sorri como se dissesse a mim mesma:
00:46
"The engineer is here."
12
46840
1616
"A engenheira chegou".
00:48
(Laughter)
13
48480
2216
(Risos)
00:50
Give me your data.
14
50720
1776
"Podem me passar os dados.
00:52
I'm going to optimize everything.
15
52520
2176
Vou otimizar tudo."
00:54
(Laughter)
16
54720
1736
(Risos)
00:56
Tell me the food that you've purchased,
17
56480
1896
"Falem-me dos alimentos que compraram, onde e quando vão ser distribuídos,
00:58
tell me where it's going and when it needs to be there,
18
58400
2616
e vou lhes mostrar as rotas mais curtas, rápidas e baratas para transportá-los.
01:01
and I'm going to tell you the shortest, fastest, cheapest,
19
61040
2736
01:03
best set of routes to take for the food.
20
63800
1936
01:05
We're going to save money,
21
65760
1496
Vamos economizar dinheiro,
01:07
we're going to avoid delays and disruptions,
22
67280
2096
vamos evitar atrasos e falhas
01:09
and bottom line, we're going to save lives.
23
69400
2736
e, por fim, vamos salvar vidas.
01:12
You're welcome.
24
72160
1216
De nada."
01:13
(Laughter)
25
73400
1696
(Risos)
01:15
I thought it was going to take 12 months,
26
75120
1976
Achei que isso ia levar 12 meses,
01:17
OK, maybe even 13.
27
77120
1560
tá bom... talvez 13.
01:19
This is not quite how it panned out.
28
79800
2280
Mas não foi bem assim.
01:23
Just a couple of months into the project, my French boss, he told me,
29
83600
3776
Com apenas alguns meses no projeto, meu chefe francês me disse:
01:27
"You know, Mallory,
30
87400
1816
"Sabe, Mallory,
01:29
it's a good idea,
31
89240
1656
é uma boa ideia,
01:30
but the data you need for your algorithms is not there.
32
90920
3336
mas os dados de que você precisa para seus algoritmos, nós não temos.
01:34
It's the right idea but at the wrong time,
33
94280
2536
É a ideia certa, mas na hora errada,
01:36
and the right idea at the wrong time
34
96840
2296
e a ideia certa na hora errada
01:39
is the wrong idea."
35
99160
1376
é a ideia errada."
01:40
(Laughter)
36
100560
1320
(Risos)
01:42
Project over.
37
102960
1280
Fim do projeto.
(Risos)
01:45
I was crushed.
38
105120
1200
Fiquei arrasada.
(Risos)
01:49
When I look back now
39
109000
1456
Hoje, quando olho para trás,
01:50
on that first summer in Rome
40
110480
1656
para aquele primeiro verão em Roma, e vejo quanta coisa mudou nos últimos seis anos,
01:52
and I see how much has changed over the past six years,
41
112160
2656
01:54
it is an absolute transformation.
42
114840
2240
foi uma transformação absurda.
01:57
It's a coming of age for bringing data into the humanitarian world.
43
117640
3400
Chegou a hora de trazermos dados para o mundo humanitário.
02:02
It's exciting. It's inspiring.
44
122160
2656
É emocionante, é inspirador, mas ainda não chegamos lá.
02:04
But we're not there yet.
45
124840
1200
02:07
And brace yourself, executives,
46
127320
2296
E preparem-se, executivos,
02:09
because I'm going to be putting companies
47
129640
1976
porque vou colocar empresas
02:11
on the hot seat to step up and play the role that I know they can.
48
131640
3120
na berlinda para assumirem o papel que sei que vocês podem.
02:17
My experiences back in Rome prove
49
137520
2816
Minhas experiências lá em Roma provam
02:20
using data you can save lives.
50
140360
2080
que podemos usar dados para salvar vidas.
02:23
OK, not that first attempt,
51
143440
2456
Tá bem, não na primeira tentativa,
02:25
but eventually we got there.
52
145920
2576
mas a gente acaba chegando lá.
02:28
Let me paint the picture for you.
53
148520
1736
Deixem-me lhes mostrar o contexto.
02:30
Imagine that you have to plan breakfast, lunch and dinner
54
150280
2736
Imaginem que têm de planejar café, almoço e jantar para 500 mil pessoas,
02:33
for 500,000 people,
55
153040
1616
02:34
and you only have a certain budget to do it,
56
154680
2136
e possuem um determinado orçamento para tanto,
02:36
say 6.5 million dollars per month.
57
156840
2240
digamos US$ 6,5 milhões por mês.
02:40
Well, what should you do? What's the best way to handle it?
58
160920
2762
Bem, o que vocês fariam? Qual a melhor forma de resolver isso?
02:44
Should you buy rice, wheat, chickpea, oil?
59
164280
2760
O que comprar: arroz, trigo, grão-de-bico, óleo?
02:47
How much?
60
167760
1216
E quanto?
02:49
It sounds simple. It's not.
61
169000
2136
Parece simples, mas não é.
02:51
You have 30 possible foods, and you have to pick five of them.
62
171160
3216
Vocês têm 30 alimentos possíveis, mas têm de escolher 5.
02:54
That's already over 140,000 different combinations.
63
174400
3416
Isso dá mais de 140 mil combinações diferentes.
02:57
Then for each food that you pick,
64
177840
1696
E, para cada alimento escolhido,
02:59
you need to decide how much you'll buy,
65
179560
1976
é preciso decidir que quantidade comprar,
03:01
where you're going to get it from,
66
181560
1696
de quem comprá-lo,
03:03
where you're going to store it,
67
183280
1480
onde estocá-lo,
03:05
how long it's going to take to get there.
68
185760
1976
quanto tempo vai levar para chegar,
03:07
You need to look at all of the different transportation routes as well.
69
187760
3336
checando todas as diferentes rotas de transporte também.
E isso dá mais de 900 milhões de opções.
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
Se considerarmos cada opção por um único segundo,
03:16
that would take you over 28 years to get through.
72
196520
2336
isso levaria mais de 28 anos para checar todos os 900 milhões de opções!
03:18
900 million options.
73
198880
1520
03:21
So we created a tool that allowed decisionmakers
74
201160
2456
Assim, criamos uma ferramenta
para permitir aos administradores selecionar entre os 900 milhões de opções
03:23
to weed through all 900 million options
75
203640
2616
03:26
in just a matter of days.
76
206280
1360
em apenas questão de dias.
03:28
It turned out to be incredibly successful.
77
208560
2240
E acabou sendo um enorme sucesso.
03:31
In an operation in Iraq,
78
211400
1256
Numa operação no Iraque,
03:32
we saved 17 percent of the costs,
79
212680
2536
economizamos 17% dos custos,
03:35
and this meant that you had the ability to feed an additional 80,000 people.
80
215240
4136
e isso significou a possibilidade de alimentar 80 mil pessoas a mais.
03:39
It's all thanks to the use of data and modeling complex systems.
81
219400
4400
Tudo isso graças ao uso de dados e à modelagem de sistemas complexos.
03:44
But we didn't do it alone.
82
224800
1280
Mas não fizemos isso sozinhos.
03:46
The unit that I worked with in Rome, they were unique.
83
226840
2736
As pessoas da unidade em que trabalhei em Roma eram especiais.
03:49
They believed in collaboration.
84
229600
1736
Elas acreditavam em colaboração.
03:51
They brought in the academic world.
85
231360
1696
Elas trouxeram o mundo acadêmico,
03:53
They brought in companies.
86
233080
1280
trouxeram empresas.
E, para fazer a diferença em grandes problemas, como a fome no mundo,
03:55
And if we really want to make big changes in big problems like world hunger,
87
235200
3616
03:58
we need everybody to the table.
88
238840
2560
precisamos de todos à mesa.
04:02
We need the data people from humanitarian organizations
89
242040
2936
Precisamos do pessoal dos dados de organizações humanitárias
04:05
leading the way,
90
245000
1256
abrindo o caminho,
04:06
and orchestrating just the right types of engagements
91
246280
2576
e orquestrando os tipos certos de comprometimento
04:08
with academics, with governments.
92
248880
1696
com os acadêmicos e com os governos.
04:10
And there's one group that's not being leveraged in the way that it should be.
93
250600
3696
E há um grupo que não está sendo engajado da forma como deveria.
Conseguem adivinhar? As empresas.
04:14
Did you guess it? Companies.
94
254320
2096
04:16
Companies have a major role to play in fixing the big problems in our world.
95
256440
3600
Elas têm um enorme papel na solução dos grandes problemas de nosso mundo.
04:20
I've been in the private sector for two years now.
96
260880
2416
Já faz dois anos que trabalho no setor privado.
04:23
I've seen what companies can do, and I've seen what companies aren't doing,
97
263320
3576
Vi o que as empresas podem fazer, e vi o que elas não estão fazendo,
04:26
and I think there's three main ways that we can fill that gap:
98
266920
3376
e penso que há três maneiras de preenchermos essas lacunas:
04:30
by donating data, by donating decision scientists
99
270320
3096
doando dados, doando cientistas de dados
04:33
and by donating technology to gather new sources of data.
100
273440
3480
e doando tecnologia para acessar novas fontes de dados.
04:37
This is data philanthropy,
101
277920
1576
Isso é filantropia de dados.
04:39
and it's the future of corporate social responsibility.
102
279520
2840
E é o futuro da responsabilidade social das empresas.
04:43
Bonus, it also makes good business sense.
103
283160
2600
Voluntariado também faz sentido nos bons negócios.
04:46
Companies today, they collect mountains of data,
104
286920
3216
As empresas hoje coletam montanhas de dados,
então, a primeira coisa que podem fazer é começar a doar esses dados.
04:50
so the first thing they can do is start donating that data.
105
290160
2762
04:52
Some companies are already doing it.
106
292946
2190
Algumas empresas já estão fazendo isso.
04:55
Take, for example, a major telecom company.
107
295160
2416
Vamos pegar uma grande companhia de telecomunicação.
04:57
They opened up their data in Senegal and the Ivory Coast
108
297600
2776
Ela abriu seus dados no Senegal e na Costa do Marfim,
05:00
and researchers discovered
109
300400
1976
e os pesquisadores descobriram
05:02
that if you look at the patterns in the pings to the cell phone towers,
110
302400
3334
que, com os padrões dos sinais das torres de telefone celular,
05:05
you can see where people are traveling.
111
305758
1938
podemos ver para onde as pessoas estão viajando.
05:07
And that can tell you things like
112
307720
2176
E isso pode nos mostrar coisas como
05:09
where malaria might spread, and you can make predictions with it.
113
309920
3096
onde a malária pode se espalhar, e podemos fazer previsões com isso.
05:13
Or take for example an innovative satellite company.
114
313040
2896
Ou pegar por exemplo uma empresa de satélite de ponta.
05:15
They opened up their data and donated it,
115
315960
2016
Eles abriram seus dados e nos doaram.
05:18
and with that data you could track
116
318000
1656
E com esses dados podemos rastrear
05:19
how droughts are impacting food production.
117
319680
2040
o impacto das secas na produção de alimentos.
05:22
With that you can actually trigger aid funding before a crisis can happen.
118
322920
3680
Isso torna possível ativar fundos de ajuda financeira antes de uma crise acontecer.
05:27
This is a great start.
119
327560
1280
Já é um grande começo.
05:29
There's important insights just locked away in company data.
120
329840
2880
Há insights importantes nos dados das empresas.
05:34
And yes, you need to be very careful.
121
334480
1816
E, sim, precisamos ser cuidadosos.
05:36
You need to respect privacy concerns, for example by anonymizing the data.
122
336320
3576
É preciso respeitar a privacidade, por exemplo, tornando os dados anônimos.
05:39
But even if the floodgates opened up,
123
339920
2776
Mas, mesmo adotando por completo todas as novas ideias,
05:42
and even if all companies donated their data
124
342720
2536
e mesmo se todas as empresas doarem seus dados
05:45
to academics, to NGOs, to humanitarian organizations,
125
345280
3256
às universidade, às ONGs, às organizações humanitárias,
05:48
it wouldn't be enough to harness that full impact of data
126
348560
2976
isso não seria suficiente para causar todo esse impacto de dados
05:51
for humanitarian goals.
127
351560
1520
para objetivos humanitários.
05:54
Why?
128
354320
1456
Por quê?
05:55
To unlock insights in data, you need decision scientists.
129
355800
3240
Para obter insights dos dados, precisamos de cientistas de dados.
05:59
Decision scientists are people like me.
130
359760
2576
Cientistas de dados são pessoas como eu.
06:02
They take the data, they clean it up,
131
362360
1816
Eles pegam os dados, selecionam,
06:04
transform it and put it into a useful algorithm
132
364200
2256
os transformam e os colocam num algoritmo útil
06:06
that's the best choice to address the business need at hand.
133
366480
2840
que seja a melhor maneira de atender a necessidade do negócio.
06:09
In the world of humanitarian aid, there are very few decision scientists.
134
369800
3696
No mundo da ajuda humanitária, há pouquíssimos cientistas de dados.
06:13
Most of them work for companies.
135
373520
1640
A maioria deles trabalha para empresas.
06:16
So that's the second thing that companies need to do.
136
376480
2496
Essa é a segunda coisa que as empresas precisam fazer:
além de doar seus dados, precisam doar seus cientistas de dados.
06:19
In addition to donating their data,
137
379000
1696
06:20
they need to donate their decision scientists.
138
380720
2160
06:23
Now, companies will say, "Ah! Don't take our decision scientists from us.
139
383520
5736
As empresas vão dizer: "Aaaah, não tire nossos cientistas de dados de nós.
06:29
We need every spare second of their time."
140
389280
2040
Precisamos de todos os segundos do tempo deles".
(Risos)
06:32
But there's a way.
141
392360
1200
Mas tem um jeito.
06:35
If a company was going to donate a block of a decision scientist's time,
142
395200
3416
Se a empresa for doar uma parcela de tempo de um cientista de dados,
06:38
it would actually make more sense to spread out that block of time
143
398640
3136
na verdade faria mais sentido dividir aquela parcela
06:41
over a long period, say for example five years.
144
401800
2200
por um período mais longo, digamos, por exemplo, cinco anos.
06:44
This might only amount to a couple of hours per month,
145
404600
3056
Isso deve dar apenas algumas horas por mês,
06:47
which a company would hardly miss,
146
407680
2056
o que dificilmente vai fazer falta a uma empresa,
06:49
but what it enables is really important: long-term partnerships.
147
409760
3480
mas o que isso permite é realmente importante: parcerias de longo prazo.
06:54
Long-term partnerships allow you to build relationships,
148
414920
2816
Parcerias de longo prazo nos permitem construir relacionamentos,
06:57
to get to know the data, to really understand it
149
417760
2656
conhecer os dados, entendê-los de verdade
07:00
and to start to understand the needs and challenges
150
420440
2416
e começar a entender as necessidades e os desafios
07:02
that the humanitarian organization is facing.
151
422880
2160
que a organização humanitária está enfrentando.
07:06
In Rome, at the World Food Programme, this took us five years to do,
152
426345
3191
Em Roma, no World Food Program, levamos cinco anos para fazer isso,
07:09
five years.
153
429560
1456
cinco anos.
07:11
That first three years, OK, that was just what we couldn't solve for.
154
431040
3336
Aqueles três primeiros anos, tá, foi o que não conseguimos resolver.
07:14
Then there was two years after that of refining and implementing the tool,
155
434400
3496
Depois, mais dois anos para refinar e implementar a ferramenta,
07:17
like in the operations in Iraq and other countries.
156
437920
2800
como nas operações no Iraque e em outros países.
07:21
I don't think that's an unrealistic timeline
157
441520
2096
Não acho que seja um cronograma irreal
07:23
when it comes to using data to make operational changes.
158
443640
2736
quando se trata de usar dados para fazer mudanças operacionais.
07:26
It's an investment. It requires patience.
159
446400
2400
É um investimento; requer paciência.
07:29
But the types of results that can be produced are undeniable.
160
449760
3496
Mas os tipos de resultados que podem ser produzidos são inegáveis.
07:33
In our case, it was the ability to feed tens of thousands more people.
161
453280
3560
Em nosso caso, a capacidade de alimentar milhares de pessoas a mais.
07:39
So we have donating data, we have donating decision scientists,
162
459440
4336
Assim, tivemos dados doados, cientistas de dados doados,
07:43
and there's actually a third way that companies can help:
163
463800
2696
e há na verdade uma terceira forma de as empresas ajudarem:
07:46
donating technology to capture new sources of data.
164
466520
2976
doando tecnologia para capturar novas fontes de dados.
07:49
You see, there's a lot of things we just don't have data on.
165
469520
2840
Vejam, há montes de coisas cujos dados não temos.
07:52
Right now, Syrian refugees are flooding into Greece,
166
472960
2720
Neste momento, refugiados sírios estão inundando a Grécia,
07:57
and the UN refugee agency, they have their hands full.
167
477120
2560
e a agência para refugiados da ONU já tem muito o que fazer.
08:01
The current system for tracking people is paper and pencil,
168
481000
3056
O sistema atual para rastrear pessoas é de papel e lápis,
08:04
and what that means is
169
484080
1256
o que significa que, quando uma mãe e cinco filhos chegam ao campo,
08:05
that when a mother and her five children walk into the camp,
170
485360
2856
a agência está praticamente alheia a esse momento.
08:08
headquarters is essentially blind to this moment.
171
488240
2656
08:10
That's all going to change in the next few weeks,
172
490920
2336
Tudo vai mudar nas próximas semanas, graças à colaboração do setor privado.
08:13
thanks to private sector collaboration.
173
493280
1880
08:15
There's going to be a new system based on donated package tracking technology
174
495840
3656
teremos um novo sistema baseado num pacote de tecnologia de rastreamento doado
08:19
from the logistics company that I work for.
175
499520
2040
pela empresa de logística na qual trabalho.
Com esse sistema, vai haver rastreamento de dados, e vamos saber
08:22
With this new system, there will be a data trail,
176
502120
2336
08:24
so you know exactly the moment
177
504480
1456
exatamente quando essa mãe e seus filhos entrarem no campo.
08:25
when that mother and her children walk into the camp.
178
505960
2496
E, mais do que isso, saberemos se ela vai ter suprimentos
08:28
And even more, you know if she's going to have supplies
179
508480
2616
neste mês e no próximo.
08:31
this month and the next.
180
511120
1256
08:32
Information visibility drives efficiency.
181
512400
3016
A visibilidade da informação leva à eficiência.
08:35
For companies, using technology to gather important data,
182
515440
3256
Para as empresas, usar a tecnologia para coletar dados importantes
08:38
it's like bread and butter.
183
518720
1456
é seu arroz com feijão.
08:40
They've been doing it for years,
184
520200
1576
Elas têm feito isso por anos,
08:41
and it's led to major operational efficiency improvements.
185
521800
3256
o que tem levado a grandes melhorias na eficiência operacional.
08:45
Just try to imagine your favorite beverage company
186
525080
2360
Tentem imaginar sua empresa de bebidas preferida
08:48
trying to plan their inventory
187
528280
1576
tentando planejar seu estoque
08:49
and not knowing how many bottles were on the shelves.
188
529880
2496
e não sabendo quantas garrafas há nas prateleiras.
08:52
It's absurd.
189
532400
1216
É absurdo.
08:53
Data drives better decisions.
190
533640
1560
Os dados levam a melhores decisões.
08:57
Now, if you're representing a company,
191
537800
2536
Bem, se você representa uma empresa,
09:00
and you're pragmatic and not just idealistic,
192
540360
3136
e é pragmático, não apenas idealista,
09:03
you might be saying to yourself, "OK, this is all great, Mallory,
193
543520
3056
deve estar dizendo a si mesmo: "Tá, tudo isso é ótimo, Mallory,
09:06
but why should I want to be involved?"
194
546600
1840
mas por que eu deveria me envolver?"
09:09
Well for one thing, beyond the good PR,
195
549000
2816
Um dos motivos, além de boa política de relações públicas,
09:11
humanitarian aid is a 24-billion-dollar sector,
196
551840
2776
é que a ajuda humanitária é um setor de US$ 24 bilhões,
09:14
and there's over five billion people, maybe your next customers,
197
554640
3056
e há mais de 5 bilhões de pessoas, talvez seus próximos clientes,
09:17
that live in the developing world.
198
557720
1816
vivendo em países em desenvolvimento.
09:19
Further, companies that are engaging in data philanthropy,
199
559560
3096
Além do mais, as empresas envolvidas com filantropia de dados
09:22
they're finding new insights locked away in their data.
200
562680
2976
estão tendo novos insights com seus dados.
09:25
Take, for example, a credit card company
201
565680
2256
Por exemplo, uma empresa de cartão de crédito
09:27
that's opened up a center
202
567960
1336
que abriu um centro
09:29
that functions as a hub for academics, for NGOs and governments,
203
569320
3376
que funciona como uma base para estudiosos, ONGs e governos,
09:32
all working together.
204
572720
1240
todos trabalhando juntos.
09:35
They're looking at information in credit card swipes
205
575040
2736
Eles estão vendo informações no uso do cartão de crédito
09:37
and using that to find insights about how households in India
206
577800
2976
e usando-as para ter insights sobre como as famílias na Índia
09:40
live, work, earn and spend.
207
580800
1720
vivem, trabalham e gastam seu dinheiro.
09:43
For the humanitarian world, this provides information
208
583680
2576
Para o mundo humanitário, isso fornece informação
09:46
about how you might bring people out of poverty.
209
586280
2656
sobre como tirar as pessoas da pobreza.
09:48
But for companies, it's providing insights about your customers
210
588960
3016
Mas, para as empresas, fornece insights sobre seus consumidores
09:52
and potential customers in India.
211
592000
2040
e potenciais consumidores na Índia.
09:54
It's a win all around.
212
594760
1800
É bom para todo mundo.
09:57
Now, for me, what I find exciting about data philanthropy --
213
597960
3776
Bem, para mim, o que me empolga na filantropia de dados,
10:01
donating data, donating decision scientists and donating technology --
214
601760
4336
doação de dados, doação de cientistas de dados e doação de tecnologia,
é o significado disso para jovens profissionais como eu,
10:06
it's what it means for young professionals like me
215
606120
2376
10:08
who are choosing to work at companies.
216
608520
1840
que estão escolhendo trabalhar em empresas.
10:10
Studies show that the next generation of the workforce
217
610800
2656
Estudos mostram que a próxima geração da mão de obra
10:13
care about having their work make a bigger impact.
218
613480
2560
se importa em ter um trabalho que cause um impacto maior.
10:16
We want to make a difference,
219
616920
2456
Queremos fazer a diferença
10:19
and so through data philanthropy,
220
619400
2416
e, através da filantropia de dados,
10:21
companies can actually help engage and retain their decision scientists.
221
621840
3936
empresas podem ajudar a envolver e segurar seus cientistas de dados.
10:25
And that's a big deal for a profession that's in high demand.
222
625800
2880
E é muita coisa para uma profissão que está com alta demanda.
10:29
Data philanthropy makes good business sense,
223
629840
3120
Filantropia de dados faz todo sentido nos negócios
10:34
and it also can help revolutionize the humanitarian world.
224
634200
3280
e também pode ajudar a revolucionar o mundo humanitário.
10:39
If we coordinated the planning and logistics
225
639600
2096
Se coordenássemos o planejamento e a logística
10:41
across all of the major facets of a humanitarian operation,
226
641720
3376
ao longo das principais fases de uma operação humanitária,
10:45
we could feed, clothe and shelter hundreds of thousands more people,
227
645120
3600
poderíamos alimentar, vestir e abrigar milhares de pessoas a mais,
10:49
and companies need to step up and play the role that I know they can
228
649440
4256
e as empresas precisam se posicionar e assumir o papel que sei que podem
10:53
in bringing about this revolution.
229
653720
1880
de fazer essa revolução.
10:56
You've probably heard of the saying "food for thought."
230
656720
2936
Provavelmente já ouviram a expressão "alimentar a mente".
10:59
Well, this is literally thought for food.
231
659680
2240
Bem, aqui é literalmente usar a mente para alimentar.
11:03
It finally is the right idea at the right time.
232
663560
4136
Finalmente é a ideia certa no momento certo.
11:07
(Laughter)
233
667720
1216
(Risos)
11:08
Très magnifique.
234
668960
1576
Très magnifique.
11:10
Thank you.
235
670560
1216
Obrigada.
11:11
(Applause)
236
671800
2851
(Aplausos)
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7