U.S. Hunger 如何用 Amazon Quick 连接管理层与数据
How U.S. Hunger connects leaders and data using Amazon Quick
美国非营利组织 U.S. Hunger 借助 Amazon Quick 让领导层直接探索组织数据,并将 SQL Server 数据每晚 2 点经定时刷新任务导入 SPICE 内存引擎。
对U.S. Hunger而言,为家庭提供食物不仅仅是把食物送到他们手中。这需要理解每一个请求背后的人、他们所面临的压力,以及让这一使命得以实现的业务。这意味着要在整个组织内连接信息。其使命是今天为家庭提供食物,并团结他们走向更健康的明天。
U.S. Hunger报告已交付超过2.5亿份餐食。其工作历史上已覆盖59个国家,目前主要集中在美美国。该组织报告称,四年间增长了约500%,而员工人数仅增长了15–20%。对于如此规模的精简团队来说,每一个小时和每一个决策都至关重要。
借助Amazon Quick,U.S. Hunger可以直接探索组织数据,同事们可以基于共享的定义开展工作,领导者可以将财务信息与家庭所报告的情况结合起来审视。U.S. Hunger的经验展示了这些能力如何融入一家精简非营利组织的日常工作。
从银行业到为家庭提供食物
Rick Whitted在银行业工作了30年,之后才跳槽领导U.S. Hunger。然而,他与食物不安全问题的联系早在这次职业转变之前就已开始。
当Rick和妻子二十多岁时,他离开职业生涯去创业。他们失去了一切。尽管他每天都去上班,他们仍依靠家人的帮助度日。他记得回到家时发现桌上放着一个食品柜盒子,是姨妈或祖父母留下的。看到那个盒子让他心碎。
20多年后,当董事会主席请他考虑领导U.S. Hunger时,他的妻子让他想起了那些日子,当时他们自己的家庭也需要帮助才能把食物摆上餐桌。对她来说,领导U.S. Hunger是一个帮助那些正在经历他们自己曾经历过的事情的家庭的机会。Rick哭了,回电话给主席,并接受了。
“我们今天服务的家庭,他们的故事就是我的故事。”
— Rick Whitted,U.S. Hunger总裁兼首席执行官
担任该职位六年多来,这种个人联系仍然是Rick领导力的核心。
从数据请求到直接探索
U.S. Hunger首次了解Quick是通过由Kat Esser主持的一场AWS社会企业家加速器活动。Rick看到了直接探索组织数据的机会,可以随着问题的出现而跟进,而不必每次都要求技术团队重新提取数据。
首席技术官(CTO)Ezekiel Brooks通过让Rick访问Full Cart的核心数据集帮助实现了这一点,Full Cart是U.S. Hunger的食品援助项目。Full Cart将捐赠者资助的食物直接送到有需要的家庭手中。Quick给了Rick按自己的节奏探索信息并提出后续问题的空间。该组织的数据成了他的沙盒。
数据来自Impact Manager,这是U.S. Hunger专有的基于云的数据平台,支持其食品援助工作。Quick通过每晚美东时间凌晨2点的定时刷新作业,将数据从SQL Server拉入其内存引擎SPICE。技术团队和一位从事研究数据的同事准备数据集并提供定义,帮助Rick解读信息。
图1:U.S. Hunger每晚美东时间凌晨2点将SQL Server数据刷新到SPICE,以便在Amazon Quick中进行分析
直接探索是起点,但一切豁然开朗的时刻来自另一个发现:Quick Spaces。
Quick成为企业工具的那一刻
对 Rick 而言,Spaces 改变了 Quick 在组织中能够扮演的角色。Space 为同事们提供了一个共享空间,让他们可以围绕特定业务领域相关的文档、定义和分析协同工作。
当领导者需要理解彼此的工作并共同做出决策时,这一点至关重要。关键绩效指标(KPI)的共享定义有助于他们就某项指标的含义达成一致。财务文档和规划工具为有关组织资源的讨论提供了背景。Rick 认为这是他的顿悟时刻:用 Quick 帮助领导团队共同运营组织。
“Quick 提供了与领导层思考问题方式的实时连接。我可以在财务模型上接着 CEO 停下的地方继续,或者看看他如何构建某个 KPI,而无需再安排一次会议。”
— Sarah Aranguibel,幕僚长,U.S. Hunger
领导团队汇集了一份共享的 KPI 文档,这份文档历时一年多,在 NetSuite、Salesforce、Impact Manager 及其薪资系统之间协同制定。文档记录了各项定义、指标来源以及目标。Rick 还使用 Quick 制定客户层级的定义,并在同一个 Space 中共享。
“凭借我们拥有的所有知识和数据,Space 尽可能减少噪音,并让我的讨论更加聚焦。”
— Rick Whitted,总裁兼首席执行官,U.S. Hunger
选择与问题相关的 Space 可以让对话聚焦于正确的文档。财务 Space 与 CTO、首席运营官(COO)和财务领导层共享,使同事们能够获取分析背后的工具和业务背景。
这些材料共同向同事们展示了组织衡量什么以及其背后的业务逻辑。
Quick 为团队日常所做的工作
U.S. Hunger 已为其高管领导层、技术团队、Full Cart 项目、财务、合规及支持职能的 17 位同事开通了 Quick 访问权限。对其 CEO 而言,聊天是主要的日常人工智能(AI)工作空间,而 Spaces 是他最常使用的功能。
改进通话报告
Rick 利用一个包含 Salesforce 通话报告的 Space,正在为技术团队起草说明:应包含哪些指标、数据来自哪里以及每项指标的含义。在 Quick 中,他可以直接对生成的草稿发表评论,并在纳入多项修改后重新生成。他可以在源报告旁边审阅和完善说明,而无需在 Word 和聊天之间来回移动文档和评论。
完成后,这些说明将指导会员参与团队的报告改进工作,帮助该项目的运营负责人和 COO 监控团队的工作。
研究与政策
U.S. Hunger 使用 Amazon Quick Research 来调查时事、为沟通提供信息,并将政策问题与其调查数据联系起来。CEO 还在探索如何让这些数据服务于更广泛的受众。借助 Quick Research 中的版本历史,他可以在完善调查时回顾早期版本。
理解粮食不安全状况需要了解谁在困境中挣扎以及这种挣扎背后的情况。2025 年 9 月,美国农业部(USDA)宣布将终止未来的《家庭粮食安全报告》。随着这一长期报告系列的终止,获取其他证据来源变得尤为重要。
U.S. Hunger 希望将其收集的信息开放到自身组织之外。它设想建立一个全国性的饥饿数据资源库,让研究人员和公众可以探索寻求援助家庭的经历。在提供这一访问的同时,该组织还计划推出一项可供企业购买的企业级服务,以帮助为其使命提供资金。
正如 Rick 所说,目标是让“我们用来帮助他人的数据”成为“反哺我们试图帮助的那些人的飞轮”。
高管洞察与财务规划
该全国性仪表板将粮食不安全与收入、教育、健康和社会需求结合在一起。筛选器帮助领导者审视不同人群,并将这些发现用于与潜在合作伙伴的对话,说明家庭为何需要帮助。
在财务规划方面,Rick 使用一个包含审计、现金流信息和董事会预算视图的 Space。一个偿债计算器和一份非营利财务健康工作表帮助他与 COO 分享自己的银行业经验。这些财务文件为起草审计脚注提供了背景信息。
由于该 Space 中存有十多年的财务文件,Rick 可以让 Quick 比较不同时期的模式,并探究有关当前运营的问题。他对原始材料的熟悉有助于他核对答案,并质疑证据不支持的结论。
这些工作流程共同帮助 Rick 利用 Quick 探索该组织使命的两个方面:理解需要支持的家庭,以及规划帮助 U.S. Hunger 提供支持的财务。
技术作为社会影响
把食物放进空食品柜满足了眼前的需求。要理解是什么让食品柜一直空着,就需要审视家庭内部的情况及其周围的压力,包括收入、住房、就业和健康。
U.S. Hunger 将结构化调查回答与自 2020 年以来收集的叙述性证词相结合。其记录包含超过 300,000 名申请人。这些记录背后是生命、生活经历和家庭。
图 2:U.S. Hunger 自 2020 年以来记录了 304,348 名申请人(左),91.2% 的申请人报告跳过餐食(右)
可负担性是核心主题。在所示问题的受访者中,90.1% 表示他们有时或经常负担不起均衡膳食。另外,97% 报告在支付食物、住房、医疗和取暖等基本开支方面有困难。
图 3:粮食不安全的频率(左上)、负担均衡膳食的能力(右上)、担心食物耗尽(左下)以及支付基本开支的困难(右下)
“实际上,关键在于可负担性。”
— Rick Whitted,U.S. Hunger 总裁兼 CEO
团队在提供数据的同时还提供业务定义。U.S. Hunger 使用称为 Z 代码的分类代码来归类所报告的社会和经济状况,包括粮食不安全、低收入和住房困难。这些视图共同构成了 Rick 所说的“一份关于饥饿的心电图读数。”
在这一视图中,粮食不安全是最常记录的 Z 代码,其次是低收入。其他主要类别涉及住房或财务状况。领导者可以审视伴随食物请求而来的压力,而不是孤立地看待食物需求。
图 4:在此视图中,食品不安全、低收入以及住房或财务状况是主要的 Z 代码类别。申请人可能拥有多个代码,因此这些百分比并非互斥,也不必合计为 100%。
另一个视图显示,所有申请人中有 44.7% 报告患病,79.1% 已参加医疗保险。在就业视图中,64.4% 的人表示他们不需要或不想获得寻找或保住工作的帮助。
这些发现表明,为什么需要结合家庭更广泛的情况来理解食品援助请求。拥有医疗保险并不一定消除财务压力,而寻找工作的帮助也并非每位申请人都在寻求。
图 5:独立的仪表板指标显示报告的患病情况和医疗保险参保情况
U.S. Hunger 一直在努力整理其数据,以更好地了解家庭面临的压力。Quick 帮助团队将这些信息中的模式可视化。Rick 将其中一种模式描述为早期预警信号:在家庭陷入每日或每周的食品不安全之前,周期性地难以获得足够的食物。
“我们当时正走在这条路上,但 [Quick] 确实帮助我们更快地将其可视化并呈现出来。”
— Rick Whitted,U.S. Hunger 总裁兼首席执行官
对 Rick 来说,这正是技术成为一种社会影响形式的体现。Quick 帮助 U.S. Hunger 透过食品杂货请求看到其背后的压力。养活一个家庭满足了当下的需求。理解这些压力是帮助该家庭走向更健康明天的一部分。
给其他非营利组织的信息
“501C 是一种税务认定。你仍然是一家公司,这意味着你是一家企业。而如果你是一家不拥抱技术的企业,你就会被落下——或者你的使命会让你付出更多代价。”
— Rick Whitted,U.S. Hunger 总裁兼首席执行官
非营利组织仍然有业务要运营。其领导者需要了解现金流,就绩效指标的含义达成一致,并将运营决策与其使命联系起来。U.S. Hunger 使用 Quick 将这些工作整合在一起。财务文件为 Rick 提供了规划的背景。共享的 KPI 定义为同事提供了共同参考。仪表板帮助领导者审视食品请求背后的情况。
起步并不需要连接所有系统。历史财务文件和 Rick 已经需要回答的问题为他提供了一个实用的起点。其他非营利组织可以从对其工作重要的问题以及他们已有的相关信息开始。
了解组织的人仍然是主题专家。他们提供背景信息、核对答案,并决定什么行动是合理的。Quick 帮助他们审视证据并将其纳入这些决策。
“这不是把人类带入 AI 循环,而是把 AI 带入人类循环。”
— Rick Whitted,U.S. Hunger 总裁兼首席执行官
U.S. Hunger 和 Amazon Quick 的下一步
U.S. Hunger 正在 2026 年第四季度开发企业 KPI 框架。Boomi 已经连接了 NetSuite、Salesforce 和 Impact Manager。该组织计划使用 Boomi 将研究数据、历史分析和企业 KPI 引入 Amazon Redshift,后者将通过计划性的 SPICE 作业向 Quick 提供数据。图 6 展示了支持该计划扩展的架构。
图 6:U.S. Hunger 规划的企业 KPI 架构将来自业务系统的数据通过 Boomi 引入 Amazon Redshift,以便在 Amazon Quick 中进行分析
该图展示了一条规划中的管道,将来自 Impact Manager、NetSuite、Salesforce、Paylocity、ThriveLink 和 iQpay 的信息通过 Boomi 引入 Amazon Redshift。随后,计划运行的 SPICE 作业将数据提供给 Quick。
U.S. Hunger 的下一步是探索如何将其饥饿数据打造为面向研究人员、公众和企业的全国性资源。Rick 已请求 AWS 协助推进这项工作。这一雄心将技术的作用扩展到内部数据分析之外:在帮助家庭的过程中积累的知识可以支持研究,并创造收入以帮助更多家庭。
结论
U.S. Hunger 的目标始终是今天为家庭提供食物,并让他们团结起来迈向更健康的明天。直接的数据探索、共享的高管背景信息、研究和财务分析,帮助其领导者既了解他们所运营的组织,也了解处于其使命核心的家庭。
观看视频
在 Quick-witted 播客第 8 集“From Silos to Solutions”中,聆听 Rick Whitted 的更多分享。他讨论了 U.S. Hunger 如何使用 Amazon Quick,以及技术在其使命中发挥的作用。
进一步了解 U.S. Hunger,并探索 Amazon Quick 功能和 客户案例。
关于作者
Rick Whitted
Rick 是 U.S. Hunger 的首席执行官,带领该组织发展成为应对食物获取、健康结果和健康社会驱动因素的国家级平台。在他的领导下,该组织每年提供超过 2000 万份餐食,同时大规模推进以数据为依据、以合作为驱动的解决方案。
Michelle Ye
Michelle 是 Amazon Web Services 的产品营销经理,专注于 Amazon Quick。她与各行业的客户合作,分享他们如何利用 AI 改变日常工作。
Sinisa Mikasinovic
Sinisa 是 Amazon Web Services 的高级解决方案架构师,已在该公司工作 10 年,帮助客户将业务挑战转化为切实可行的云解决方案。他的工作涵盖云架构、数据分析和生成式 AI,重点帮助团队采用支持其业务目标的技术。
来源:AWS Machine Learning Blog · aws.amazon.com





