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

Translator: Pakasai Ploysangsai Reviewer: Karen Iguchi

June 2010.

เดือนมิถุนายน ปี 2010

I landed for the first time in Rome, Italy.

เป็นครั้งแรกที่ฉันได้ไปกรุงโรม ประเทศอิตาลี

I wasn't there to sightsee.

ฉันไม่ได้ไปเที่ยว

I was there to solve world hunger.

ฉันไปที่นั่น เพื่อหยุดปัญหา ความอดอยากและหิวโหยในโลกใบนี้

(Laughter)

(เสียงหัวเราะ)

That's right.

ถูกต้องค่ะ

I was a 25-year-old PhD student

ตอนนั้นฉันเป็นนักเรียนปริญญาเอก อายุ 25 ปี

armed with a prototype tool developed back at my university,

ที่มาพร้อมกับเครื่องมือและวิธีการ ที่พัฒนามาจากมหาลัยของฉัน

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

และฉันไปเพื่อช่วยโครงการอาหารโลก ที่แก้ไขปัญหาความอดอยาก

So I strode into the headquarters building

ฉันจึงสาวเท้ามุ่งหน้าไปตึกสำนักงานใหญ่

and my eyes scanned the row of UN flags,

และสายตาของฉันก็กวาดไปพบกับแถวของธง UN

and I smiled as I thought to myself,

และฉันก็ยิ้มพร้อมกับคิดในใจ

"The engineer is here."

"วิศวกรอยู่นี่แล้ว"

(Laughter)

(เสียงหัวเราะ)

Give me your data.

เอาข้อมูลมาให้ฉัน

I'm going to optimize everything.

ฉันจะเพิ่มประสิทธิภาพทุกอย่างเอง

(Laughter)

(เสียงหัวเราะ)

Tell me the food that you've purchased,

บอกฉันมาว่าเธอซื้ออาหารอะไร

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

บอกฉันมาว่ามันอยู่ที่ไหน และต้องการมันเมื่อไหร่

และฉันจะบอกวิธีที่สั้นที่สุด เร็วที่สุด ถูกที่สุดเอง

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

best set of routes to take for the food.

จัดเส้นทางที่ดีที่สุดในการ ไปเอาอาหารพวกนั้น

We're going to save money,

เราจะลดค่าใช้จ่าย

we're going to avoid delays and disruptions,

เราจะหลีกเลี่ยงความล่าช้า และความยุ่งยาก

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

และที่สำคัญที่สุด เรากำลังจะช่วยชีวิตผู้คน

You're welcome.

ด้วยความยินดี

(Laughter)

(เสียงหัวเราะ)

I thought it was going to take 12 months,

ฉันคิดว่ามันคงจะใช้เวลาซัก 12 เดือน

OK, maybe even 13.

โอเค หรือซัก 13

This is not quite how it panned out.

นี่ไม่ใช่วิถีที่มันควรจะเป็นเลย

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

แค่สองสามเดือนหลังการทำโปรเจค เจ้านายชาวฝรั่งเศสบอกฉันว่า

"You know, Mallory,

"คุณรู้มั้ย แมลอรี่

it's a good idea,

มันเป็นความคิดที่ดี

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

แต่ข้อมูลที่คุณต้องการ สำหรับกระบวนการของคุณมันไม่ได้อยู่ที่นี่

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

มันเป็นความคิดที่ถูกต้องแต่ผิดเวลา

and the right idea at the wrong time

และความคิดที่ถูกต้องแต่ผิดเวลา

is the wrong idea."

นั้นคือความคิดที่ผิด

(Laughter)

(เสียงหัวเราะ)

Project over.

โปรเจคล้มเลิก

I was crushed.

ฉันถูกบดขยี้

When I look back now

เมื่อฉันมองย้อนกลับไปตอนนี้

on that first summer in Rome

ไปฤดูร้อนนั้นที่กรุงโรม

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

และฉันเห็นว่ามันเปลี่ยนแปลงไป มากแค่ไหนภายในเวลา 6 ปีที่ผ่านมา

it is an absolute transformation.

มันเป็นการเปลี่ยนแปลงอย่างสิ้นเชิง

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

มันคือการมาถึงของยุคที่นำข้อมูล เข้ามาสู่โลกของมนุษย์

It's exciting. It's inspiring.

มันน่าตื่นเต้น มันมีแรงบันดาลใจ

But we're not there yet.

แต่เรายังไม่ถึงจุดนั้น

And brace yourself, executives,

และเตรียมตัวให้พร้อม เหล่าผู้บริหาร

because I'm going to be putting companies

เพราะฉันกำลังจะถูกวางตัวในบริษัท

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

ในตำแหน่งสำคัญที่จะก้าวขึ้นไป และรับบทบาทที่ฉันรู้ว่าเขาทำได้

My experiences back in Rome prove

ประสบการณ์ของฉันที่กรุงโรมได้พิสูจน์แล้ว

using data you can save lives.

ว่าการใช้ข้อมูลสามารถช่วยชีวิตคนได้

OK, not that first attempt,

โอเค ไม่ใช่สำหรับการลองครั้งแรก

but eventually we got there.

แต่ในที่สุดเราไปถึงจุดนั้น

Let me paint the picture for you.

ให้ฉันได้ลองวาดภาพให้คุณดู

Imagine that you have to plan breakfast, lunch and dinner

นึกภาพว่าคุณต้องวางแผน มื้อเช้า กลางวันและเย็น

for 500,000 people,

สำหรับ 500,000 คน

and you only have a certain budget to do it,

และคุณมีงบประมาณจำกัด

say 6.5 million dollars per month.

สมมุติว่าซัก 6.5 ล้านดอลลาร์ต่อเดือน

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

เอาล่ะ คุณจะทำอย่างไร คุณจะจัดการมันให้ดีที่สุดได้อย่างไร

Should you buy rice, wheat, chickpea, oil?

คุณควรจะซื้อข้าว แป้งสาลี ถั่วเขียว หรือน้ำมันดี?

How much?

เท่าไหร่ดี?

It sounds simple. It's not.

ฟังดูเหมือนง่ายๆ นะ แต่ไม่ใช่เลย

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

คุณมีอาหารให้เลือก 30 อย่าง และคุณต้องเลือกออกมา 5 อย่าง

That's already over 140,000 different combinations.

แค่นั้นก็มากกว่า 140,000 ทางเลือกแล้ว

Then for each food that you pick,

จากนั้นการเลือกอาหาร แต่ละอย่างของคุณ

you need to decide how much you'll buy,

คุณต้องมาคิดว่าจะซื้อเท่าไหร่

where you're going to get it from,

จะซื้อที่ไหน

where you're going to store it,

จะเอาไปเก็บที่ไหน

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

ของจะมาถึงเมื่อไหร่

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

คุณต้องคิดถึงเส้นทางการขนส่งต่างๆ ด้วย

And that's already over 900 million options.

และนั่นก็เท่ากับว่ามีมากกว่า 900 ล้านทางเลือกแล้ว

If you considered each option for a single second,

ถ้าคุณใช้เวลาใคร่ครวญ แต่ละทางเลือกซัก 1 วินาที

that would take you over 28 years to get through.

คุณจะต้องใช้เวลาทั้งหมด 28 ปี

900 million options.

900 ล้านทางเลือก

So we created a tool that allowed decisionmakers

เราเลยสร้างเครื่องมือ ที่ทำให้ผู้ตัดสินใจ

to weed through all 900 million options

สามารถจัดการกับ 900 ล้านทางเลือก

in just a matter of days.

ได้ภายในเวลาไม่กี่วัน

It turned out to be incredibly successful.

มันประสบความสำเร็จอย่างเหลือเชื่อ

In an operation in Iraq,

ในการปฏิบัติการที่อิรัก

we saved 17 percent of the costs,

เราประหยัดต้นทุนไปได้ 17%

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

และนี่หมายความว่าคุณสามารถ เลี้ยงคนเพิ่มได้อีกถึง 80,000 คน

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

ทั้งหมดนี้ต้องขอบคุณการใช้ข้อมูล และการวางระบบที่ยุ่งยาก

But we didn't do it alone.

แต่เราไม่ได้ทำคนเดียว

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

หน่วยงานที่เราทำงานด้วยที่กรุงโรม พวกเขานั้นแตกต่าง

They believed in collaboration.

เขาเชื่อในการร่วมมือกัน

They brought in the academic world.

พวกเขาพาโลกของการศึกษามา

They brought in companies.

พวกเขาพาบริษัทต่างๆ มา

ถ้าเราต้องการสร้างความเปลี่ยนแปลงที่ยิ่งใหญ่ กับปัญหาความอดอยากในโลกนี้จริงๆ

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

we need everybody to the table.

เราต้องร่วมมือกันทุกคน

We need the data people from humanitarian organizations

เราต้องการผู้ที่มีข้อมูล จากองค์กรที่มีมนุษยธรรม

leading the way,

เพื่อนำทางไป

and orchestrating just the right types of engagements

และกำกับดูแลการมีส่วนร่วมอย่างถูกต้อง

with academics, with governments.

กับสถาบันการศึกษา กับหน่วยงานราชการ

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

และมีกลุ่มหนึ่งที่ไม่ได้ ถูกใช้ประโยชน์ในทางที่ควร

Did you guess it? Companies.

คุณเดาได้มั้ยคะ? บริษัทต่างๆ นั่นเอง

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

บริษัทต่างๆ มีบทบาทสำคัญ ในการแก้ปัญหาใหญ่ๆ ในโลกของเรา

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

ฉันอยู่ในภาคเอกขนมา 2 ปีแล้ว

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

ฉันได้เห็นว่าบริษัทต่างๆ สามารถทำอะไรได้บ้าง และฉันได้เห็นสิ่งที่บริษัทต่างๆ ไม่ได้ทำ

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

และฉันคิดว่ามันมีสามทางหลัก ที่จะช่วยปิดช่องโหว่นี้ได้

by donating data, by donating decision scientists

โดยการบริจาคข้อมูล, โดยการบริจาคนักวิทยาศาสตร์ข้อมูล

and by donating technology to gather new sources of data.

และโดยการบริจาคเทคโนโลยี ที่จะช่วยรวบรวมที่มาใหม่ๆ ของข้อมูล

This is data philanthropy,

นี่คือการทำบุญด้วยข้อมูล

and it's the future of corporate social responsibility.

และมันคืออนาคตของการมีส่วนร่วม ต่อการรับผิดชอบต่อสังคม

Bonus, it also makes good business sense.

นอกจากนี้ มันยังสนับสนุน ต่อการทำธุรกิจด้วย

Companies today, they collect mountains of data,

บริษัททุกวันนี้เก็บข้อมูลมากมายมหาศาล

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

ดังนั้นสิ่งแรกที่พวกเขาทำได้ คือเริ่มต้นบริจาคข้อมูลเหล่านั้น

Some companies are already doing it.

บางบริษัทก็เริ่มต้นทำไปแล้ว

Take, for example, a major telecom company.

ยกตัวอย่างเช่น บริษัทสื่อสารยักษ์ใหญ่แห่งหนึ่ง

They opened up their data in Senegal and the Ivory Coast

พวกเขาเปิดเผยข้อมูลของเขา ในเซเนกัลและไอวอรี่โคสต์

and researchers discovered

และนักวิจัยได้ค้นพบว่า

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

ถ้าคุณดูรูปแบบของสัญญาณที่ส่งมาถึง เสารับสัญญาณมือถือ

you can see where people are traveling.

คุณจะเห็นว่าผู้คนเดินทางไปไหนบ้าง

And that can tell you things like

และนั่นสามารถบอก สิ่งต่างๆ กับคุณได้ อย่างเช่น

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

เชื้อมาลาเรียจะแพร่ไปที่ไหนบ้าง และคุณสามารถคาดการณ์มันได้

Or take for example an innovative satellite company.

หรือตัวอย่างเช่น บริษัทดาวเทียมนวัตกรรมสูงแห่งหนึ่ง

They opened up their data and donated it,

พวกเขาเปิดเผยข้อมูลและบริจาคมัน

and with that data you could track

และด้วยข้อมูลที่คุณสามารถติดตามได้

how droughts are impacting food production.

ว่าความแห้งแห้งกำลังส่งผล อย่างไรต่อการผลิตอาหาร

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

ด้วยสิ่งนี้ จริงๆ แล้วคุณสามารถระดม ทุนหาเงินช่วยเหลือได้ก่อนวิกฤติจะเกิด

This is a great start.

นี่เป็นการเริ่มต้นที่ดี

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

มีข้อมูลเชิงลึกสำคัญที่ ถูกซ่อนอยู่ในข้อมูลของบริษัท

And yes, you need to be very careful.

และใช่แล้ว คุณต้องระมัดระวังอย่างมาก

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

คุณต้องเคารพความกังวลด้านความปลอดภัย อย่างเช่น การไม่เปิดเผยข้อมูล

But even if the floodgates opened up,

แต่แม้ว่าถ้าประตูกั้นทั้งหมดถูกเปิด

and even if all companies donated their data

และแม้ว่าถ้าทุกบริษัท บริจาคข้อมูล

to academics, to NGOs, to humanitarian organizations,

ให้สถาบันการศึกษา ให้กลุ่มองค์กรอิสระ ให้องค์กรด้านมนุษยธรรม

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

มันก็ยังไม่พอที่จะควบคุม ผลกระทบของข้อมูล

for humanitarian goals.

สำหรับเป้าหมายทางมนุษยธรรม

Why?

ทำไมน่ะหรอ

To unlock insights in data, you need decision scientists.

ในการเข้าถึงข้อมูลเชิงลึกจากข้อมูลทั่วๆไป คุณต้องจำเป็นต้องมีนักวิทยาศาสตร์ข้อมูล

Decision scientists are people like me.

นักวิทยาศาสตร์ข้อมูลคือคนอย่างฉัน

They take the data, they clean it up,

พวกเขาเอาข้อมูลไป จัดระเบียบมัน

transform it and put it into a useful algorithm

ดัดแปลงมันและทำให้มันเป็น ชุดคำนวณที่ใช้งานได้

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

นั่นเป็นทางเลือกที่ดีที่สุด ที่จะจัดการความต้องการของธุรกิจ

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

ในโลกของความช่วยเหลือทางมนุษยธรรม เรามีนักวิทยาศาสตร์ข้อมูลอยู่น้อยมากๆ

Most of them work for companies.

ส่วนใหญ่พวกเขาทำงานในบริษัทเอกชน

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

ดังนั้นสิ่งที่สองที่บริษัทต่างๆ ต้องทำ

In addition to donating their data,

นอกเหนือจากการบริจาคข้อมูล

they need to donate their decision scientists.

พวกเขาต้องบริจากนักวิทยาศาสตร์ข้อมูลด้วย

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

ถึงตอนนี้ บริษัทต่างๆ อาจจะบอกว่า "อ่า! อย่าเอานักวิทยาศาสตร์ข้อมูลไปจากเรา

We need every spare second of their time."

เราต้องใช้พวกเขาตลอดเวลา"

But there's a way.

แต่มันมีวิธีค่ะ

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

ถ้าบริษัทเอกชนจะบริจาคเวลา ของนักวิทยาศาสตร์ข้อมูลซักช่วงหนึ่ง

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

มันจะเข้าท่ามากกว่า ที่จะกระจายเวลาเป็นช่วงๆ

over a long period, say for example five years.

ออกเป็นระยะเวลากว้างๆ อย่างเช่น ซัก 5 ปี

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

นี่อาจจะเป็นเวลาแค่ ไม่กี่ชั่วโมงต่อเดือน

which a company would hardly miss,

ซึ่งบริษัทเองก็แทบจะไม่เสียอะไร

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

แต่สิ่งที่มันจะทำได้นั้นสำคัญมาก ความร่วมมือในระยะยาว

Long-term partnerships allow you to build relationships,

ความร่วมมือในระยะยาวทำให้คุณ สามารถสร้างความสัมพันธ์

to get to know the data, to really understand it

ทำให้คุณรู้จักข้อมูล ทำให้คุณเข้าใจมันจริงๆ

and to start to understand the needs and challenges

และทำให้คุณเริ่มเข้าใจ ความจำเป็นและความท้าทาย

that the humanitarian organization is facing.

ที่องค์กรเพื่อมนุษยชนกำลังเผชิญอยู่

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

ที่โรม ที่โครงการอาหารโลก สิ่งนี้กินเวลาเรา 5 ปี

five years.

5 ปี

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

ใน 3 ปีแรก โอเค นั่นอาจจะเป็นสิ่งที่เราแก้ไม่ได้

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

ส่วน 2 ปีถัดไปหลังจากนั้น จะเป็นการปรับแก้และดำเนินการกับเครื่องมือ

like in the operations in Iraq and other countries.

อย่างปฏิบัติการในอิรัค และประเทศอื่นๆ

I don't think that's an unrealistic timeline

ฉันไม่คิดว่านั่น เป็นระยะเวลาที่ไม่สมจริง

when it comes to using data to make operational changes.

ถ้ามันเป็นเรื่องของการใช้ข้อมูล ในการสร้างการเปลี่ยนแปลงทางปฏิบัติ

It's an investment. It requires patience.

มันคือการลงทุน มันต้องใช้ความอดทน

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

แต่ประเภทของผลลัพธ์ ที่มันสามารถผลิตออกมานั้นปฏิเสธไม่ได้เลย

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

ในกรณีของเรา มันคือความสามารถ ที่จะเลี้ยงชีวิตคนได้เพิ่มขึ้นเป็นหมื่นๆ คน

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

เมื่อเรามีข้อมูลที่บริจาคมา เรามีนักวิทยาศาสตร์ข้อมูลที่ได้รับบริจาคมา

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

และจริงๆ แล้วเรามีหนทางที่สาม ที่บริษัทเอกชนจะช่วยได้

donating technology to capture new sources of data.

บริจาคเทคโนโลยี ที่จะนำมาซึ่งแหล่งข้อมูลใหม่ๆ

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

คุณเห็นไหมคะ มีอะไรมากมาย เราแค่ไม่มีข้อมูล

Right now, Syrian refugees are flooding into Greece,

ตอนนี้ ผู้อพยพชาวซีเรีย กำลังไหลเข้าสู่ประเทศกรีซ

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

และหน่วยงานผู้ลี้ภัยของ UN พวกเขามีงานล้นมือ

The current system for tracking people is paper and pencil,

ระบบติดตามคนปัจจุบัน คือกระดาษและดินสอ

and what that means is

และนั่นมันหมายถึง

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

เมื่อแม่และลูกๆ ทั้งห้าคนของเธอ เดินเข้ามาที่ค่าย

headquarters is essentially blind to this moment.

สำนักงานนี้จะตาบอดไปเลยในช่วงเวลานั้น

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

นั่นเป็นสิ่งที่จะเปลี่ยนไปใน ไม่กี่สัปดาห์ข้างหน้า

thanks to private sector collaboration.

ขอขอบคุณความร่วมมือจากภาคเอกชน

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

เรากำลังจะมีระบบใหม่จาก เทคโนโลยีติดตามที่ได้รับบริจาค

from the logistics company that I work for.

มาจากบริษัทด้านโลจิสติค ที่ฉันทำงานด้วย

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

ด้วยระบบนี้ เราจะมีข้อมูลเป็นสาย

so you know exactly the moment

ดังนั้นเราจะรู้ช่วงเวลาที่แน่นอนว่า

when that mother and her children walk into the camp.

เมื่อไหร่ที่แม่คนนั้นและลูกๆ ของเธอ เดินเข้ามาในค่าย

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

และมากไปกว่านั้น คุณจะรู้ ว่าเธอจะมีเครื่องอุปโภคบริโภค

this month and the next.

เพียงพอสำหรับเดือนนี้ และเดือนหน้าหรือไม่

Information visibility drives efficiency.

การเปิดเผยข้อมูลทำให้ เกิดประสิทธิภาพ

For companies, using technology to gather important data,

สำหรับบริษัทเอกชน การใช้เทคโนโลยี มาเก็บรวบรวมข้อมูลสำคัญ

it's like bread and butter.

มันเป็นแหล่งรายได้หลัก

They've been doing it for years,

พวกเขาทำกันมาหลายปีแล้ว

and it's led to major operational efficiency improvements.

และมันนำมาซึ่ง การปรับปรุงประสิทธิภาพของกระบวนการ

Just try to imagine your favorite beverage company

ลองจินตนาการดูว่า บริษัทเครื่องดื่มในดวงใจของคุณ

trying to plan their inventory

กำลังวางแผนสินค้าในคลังของเขา

and not knowing how many bottles were on the shelves.

และการไม่รู้ว่าบนชั้นวาง มีเครื่องดื่มอยู่กี่ขวด

It's absurd.

นั่นมันพิลึกมาก

Data drives better decisions.

ข้อมูลทำให้เกิด การตัดสินใจที่ดีขึ้น

Now, if you're representing a company,

ณ ตอนนี้ ถ้าคุณเป็นตัวแทนของบริษัทเอกชน

and you're pragmatic and not just idealistic,

และคุณปฏิบัติงานจริง ไม่ใช่แค่คิดอยู่ในอุดมคติ

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

คุณอาจกำลังพูดกับตัวเองอยู่ว่า "โอเค นี่มันดีหมดเลย มัลลอรี่

but why should I want to be involved?"

แต่ทำไมฉันต้องอยาก เข้าไปเกี่ยวข้องด้วยล่ะ"

Well for one thing, beyond the good PR,

อย่างหนึ่งเลยก็คือ มันเหนือกว่า การประชาสัมพันธ์ที่ดี

humanitarian aid is a 24-billion-dollar sector,

การช่วยเหลือมนุษยชนนั้นคิดเป็น ขนาดตลาด 24,000 ล้านดอลล่าร์

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

และจะมีคนมากกว่า 5,000 ล้านคน อาจจะเป็นลูกค้าในอนาคตของคุณ

that live in the developing world.

ที่จะอาศัยอยู่ในโลกที่กำลังพัฒนา

Further, companies that are engaging in data philanthropy,

นอกจากนี้ บริษัทที่มีส่วนร่วม ในการบริจาคข้อมูล

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

พวกเขาจะพบข้อมูลเชิงลึก ที่ซ่อนอยู่ในข้อมูลของพวกเขา

Take, for example, a credit card company

อย่างเช่น บริษัทเครดิตการ์ดแห่งหนึ่ง

that's opened up a center

ที่เปิดศูนย์

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

ที่ทำงานเหมือนกับศูนย์รวมนักวิชาการ สำหรับหน่วยงานอิสระและภาครัฐ

all working together.

ทุกคนทำงานร่วมกัน

They're looking at information in credit card swipes

พวกเขาศึกษาข้อมูล การรูดเครดิตการ์ด

and using that to find insights about how households in India

และใช้ข้อมูลนั้นในการหาข้อมูลเชิงลึก เกี่ยวกับการที่ชาวบ้านในอินเดีย

live, work, earn and spend.

อาศัย,ทำงาน,หาเงินและใช้เงิน

For the humanitarian world, this provides information

สำหรับโลกของมนุษยธรรม สิ่งนี้นำมาซึ่งข้อมูล

about how you might bring people out of poverty.

เกี่ยวกับการที่คุณจะ ดึงผู้คนออกจากความยากจนได้อย่างไร

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

แต่สำหรับบริษัท มันกำลังบอก ข้อมูลเชิงลึกของลูกค้าคุณ

and potential customers in India.

และความเป็นไปได้ ของลูกค้าในอินเดีย

It's a win all around.

ทุกคนมีแต่ได้

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

ณ ตอนนี้ สำหรับฉัน สิ่งที่ฉัน รู้สึกตื่นเต้นเกี่ยวกับการช่วยด้วยข้อมูล

donating data, donating decision scientists and donating technology --

ทั้งบริจาคข้อมูล บริจาคนักวิทยาศาสตร์ข้อมูล และบริจาคเทคโนโลยี

มันคือสิ่งที่มีความหมาย สำหรับคนทำงานรุ่นใหม่อย่างฉัน

it's what it means for young professionals like me

who are choosing to work at companies.

คนที่กำลังจะเลือกเข้า ทำงานที่บริษัทเอกชน

Studies show that the next generation of the workforce

ผลการศึกษาแสดงให้เห็นว่า แรงงานของคนรุ่นถัดไป

care about having their work make a bigger impact.

สนใจเกี่ยวกับการทำงาน ที่สร้างผลกระทบที่ยิ่งใหญ่

We want to make a difference,

เราต้องการสร้างความแตกต่าง

and so through data philanthropy,

และด้วยการบริจาคข้อมูล

companies can actually help engage and retain their decision scientists.

บริษัทสามารถช่วยสร้างความผูกพันธ์ และรักษานักวิทยาศาสตร์ข้อมูลไว้ได้

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

และนั่นเป็นเรื่องที่สำคัญสำหรับวิชาชีพ ที่กำลังมีความต้องการในตลาดสูง

Data philanthropy makes good business sense,

การบริจาคข้อมูลเป็นเรื่องดีสำหรับธุรกิจ

and it also can help revolutionize the humanitarian world.

และมันยังสามารถช่วย ปฏิวัติโลกของมนุษยธรรม

If we coordinated the planning and logistics

ถ้าเราประสานงาน การวางแผนและการขนส่ง

across all of the major facets of a humanitarian operation,

ให้ครอบคลุมแง่มุมหลักๆ ของการปฏิบัติการในด้านมนุษยธรรม

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

เราสามารถให้อาหาร ให้เครื่องนุ่งห่ม และที่อยู่อาศัย ให้กับคนกว่าแสนคนได้

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

และบริษัทเอกชนต้องก้าวออกมา รับบทบาทสำคัญที่ฉันรู้ว่าเขาทำได้

in bringing about this revolution.

ในการทำให้เกิดการปฏิวัติครั้งนี้

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

คุณอาจจะเคยได้ยินคำพูดที่ว่า "อาหารเพื่อความคิด"

Well, this is literally thought for food.

แต่สิ่งนี้มันคือความคิดสำหรับอาหารจริงๆ

It finally is the right idea at the right time.

และในที่สุดมันก็เป็นความคิดที่ถูก ในเวลาที่ถูกซักที

(Laughter)

(เสียงหัวเราะ)

Très magnifique.

สวยงามมาก (ภาษาฝรั่งเศส)

Thank you.

ขอบคุณค่ะ

(Applause)

(เสียงปรบมือ)