Tecnificación y BIG DATA

Hace ya algún tiempo que sabemos que el mundo está dominado por los datos en prácticamente todos los ámbitos de la vida y han pasado a ser parte de nuestras rutinas diarias

Revisamos nuestras cuentas bancarias personales y profesionales con accesos y resúmenes sencillos de entender, usamos las redes sociales pendientes de la difusión que pueda tener una publicación y de cómo se comparte y quien la comenta, ofreciéndonos el marketing digital métricas detalladas al respecto.

Aplicaciones tan populares como Microsoft Office nos pueden ofrecer un resumen diario o semanal con las horas disponibles que tenemos esta semana en nuestro calendario, las respuestas que tenemos pendientes o incluso nos sugiere el tiempo que podíamos tener de concentración o aprendizaje.

Google, si lo permitimos, nos ofrece un resumen de nuestra cronología de viajes y tiempo que hemos pasado en cada sitio y las aplicaciones de salud, junto con los wearables, nos ofrecen información detallada de nuestra actividad, recorridos, composición corporal, frecuencia cardiaca o saturación de oxígeno.

Y en base todo eso, tomamos muchas decisiones personales sobre nuestras finanzas, salud o actividad profesional, que asumimos ya con naturalidad.

Este proceso aún no tiene su equivalente en el sector de la producción y la sanidad animal, ya que el uso que hacemos de los datos aún es bastante limitado y poco diferenciado en la práctica diaria de lo que hemos hecho durante las últimas décadas.

En gran medida, esta situación se explica por una confusa situación de partida en la que asumimos que los datos son lo importante y que simplemente basta con tenerlos, ya haremos algo con ellos.

Los datos en sí mismos no son nada (una enorme masa de números que reposan en un dispositivo de almacenamiento, incluyendo datos no numéricos como imágenes, videos o sonido e incluso tweets o posts) salvo que se transformen en algo comprensible para una mente humana como es la información.

Es muy frecuente que en empresas productoras y proveedoras, incluso en las muy grandes y multinacionales (y esto es lo sorprendente), exista un uso muy limitado de los datos para atender las necesidades del negocio, generalmente tanto peor cuanto más nos acercamos al día a día de la granja, lo que llamamos el “último Km” de la generación de conocimiento.

Esta situación frecuentemente les frena en la adopción de tecnologías y equipamientos que les serían de gran ayuda para mejorar su eficiencia y calidad de producción, favoreciendo su sostenibilidad.

Recientemente, la consultora Deloitte (2019) definió la relación entre digitalización y sostenibilidad en el sector agro, concluyendo que será imposible alcanzarla en sus tres dimensiones (económica, ambiental y social) sin implementar correctamente el proceso de digitalización (recordemos que este proceso es básicamente la utilización de herramientas digitales -las que producen datosdentro de un protocolo ordenado de trabajo).

Definió además que este proceso será rentable, pudiendo mejorar el EBITDA de las empresas (hasta un 30 %) si cambiamos la cultura de trabajo hacia el uso de los datos y los utilizamos correctamente, con técnicas estadísticas y de inteligencia artificial que generen conocimiento hasta ahora inexistente y servicios adaptados y personalizados de gran valor para cada nivel dentro de la empresa o hacia clientes y proveedores.

Cuando la información se lee y se entiende, se transforma en conocimiento que es la base para la toma de decisiones fundamentada en nuestra actividad profesional.

La confusión entre datos, información y conocimiento está aún demasiado presente en nuestra industria y, en cierta medida, bloquea el proceso de generación de conocimiento.

Para salvar este desafío, las empresas deben diseñar un sistema de gestión de la información que genere de manera regular (automática o semiautomática) el conocimiento que la empresa necesita a todos los niveles para mejorar la toma de decisiones, empezando por el personal de granja, continuando por veterinarios y consultores y terminando por la dirección, desde la media hasta la alta dirección.

Este sistema debe utilizar los datos recogidos por las personas y los generados por sensores y equipamientos y otras fuentes (reproducción, producción, sanidad, uso de antibióticos, bioseguridad o laboratorio entre otros) para ser procesados y analizados, tanto de manera individual como en las combinaciones que más sentido tengan (por ejemplo, reproducciónalimentación o sanidad-bioseguridad entre otras).

Siempre debe estar basado en los 5 pasos del sistema de gestión de la información (SGI), independientemente del tamaño y estructura de la empresa (Piñeiro, 2019).

Figura 1. Los 5 pasos de sistema de gestión de la información.

Un buen sistema de gestión de la información también debe estar preparado para generar la información necesaria en los 5 niveles del mismo proceso sin tener que empezar de nuevo para alcanzar cada uno de ellos.

El primer nivel es el de la generación de alertas: cuando un indicador sobrepasa o no alcanza un determinado nivel (porcentaje de mortalidad, nacidos vivos, temperatura, coliformes fecales en agua, etc.) el sistema genera la alerta normalmente en formato de texto y de entrega rápida (SMS o e-mail).

El segundo nivel es el de la monitorización y se refiere a ver que está ocurriendo en un determinado lapso temporal, alcanzando muchas veces el tiempo real o semi-real, sobre todo cuando se trata de datos generados automáticamente por un equipamiento.

Este nivel de información lo cubren los dashboards o visualizadores de gran popularidad en los últimos tiempos (Power BI, Tableau, o Quickview, entre otros).

Estos dos niveles son bastante frecuentes en el sector, pero no resuelven completamente las necesidades de información a cualquier nivel ya que en muchas ocasiones no sabemos hasta qué punto las medias o tendencias observadas son realmente fiables o significativas. Para eso tenemos que ir a un tercer nivel.

En el tercer nivel, mediante la aplicación manual, automática o semiautomática de técnicas estadísticas sencillas o complejas, incluyendo algunos algoritmos de machine learning, nos darán la seguridad que necesitamos sobre las diferencias numéricas o evoluciones temporales de los indicadores que nos interesan.

El cuarto nivel nos da un grado más de calidad en la información al aportar la probabilidad de que un suceso ocurra mediante técnicas de analítica predictiva, por ejemplo:

Los riesgos de brote de enfermedad

Que una cerda sea una excelente productora o no

Que los nacidos vivos mejoren nuestro sistema productivo

Que una granja contribuya en mayor o menor medida a la diseminación de enfermedades dentro de nuestro sistema productivo

El último nivel, que aún no existe en la práctica de nuestro sector, es el de analítica predictiva donde se adjunta el protocolo de actuación en caso de que suceda un determinado hecho, aunque llegará en los próximos años (Figura 2).

Figura 2. Niveles de información necesarios en un sistema de gestión de la información.

Para pasar de datos a información y, finalmente, a conocimiento necesitamos el sistema 5 + 5 que incluye los 5 pasos de un sistema de gestión de la información que generará los 5 niveles deseados de la misma.

Este SGI debe ayudar a las personas en su trabajo diario, no generarles más carga de trabajo, en muchos casos, de disciplinas en las que carecen de formación. Es por ello que conviene ampliar nuestro conocimiento como veterinarios y consultores, apoyándonos en profesionales de otras áreas que nos ayuden en este proceso de 5+5 que puedan atender esta necesidad creciente de forma rápida y eficiente.

Por tanto, y para generar un valor a nuestra actividad en base al buen uso rutinario de los datos y no simplemente acumularlos como es aún demasiado frecuente, debemos implementar un sistema de gestión de la información que genere la información necesaria para mejorar la toma de decisiones y los resultados de nuestras empresas y clientes.

Tenemos una enorme cantidad de datos de más calidad que nunca y son un gran activo que debemos poner a funcionar en nuestro beneficio, ya que nos permitirán plantearnos cuestiones hasta ahora imposibles de atender, entre otras:

¿Cómo sé cuáles de mis primíparas me darán mejor rendimiento a lo largo de su vida productiva?

¿Qué granjas están contribuyendo más a diseminar enfermedades en mi sistema productivo?

¿Cómo se espera que evolucione la mortalidad de reproductoras en las granjas que controlo? ¿En qué factores debo actuar de manera prioritaria para controlarla?

¿Qué granjas son las mejores cuando combino las variables de más interés para mi empresa (por ejemplo, nacidos vivos, mortalidad pre-destete y mortalidad de cerdas)?

¿Qué probabilidad tiene una cerda en mi granja de llegar al 5º parto? ¿Cómo puedo mejorarla?

¿Qué tolvas me generan un índice de conversión más bajo en mis granjas?

¿Qué relación hay entre la incidencia de diarrea post destete y la CMI de los antibióticos de elección?

Todas estas preguntas y muchas más ya están recibiendo respuestas en base a la forma de trabajo descrita. Como profesionales del sector no debemos desaprovechar la oportunidad que el buen uso de los datos nos ofrece.