El valor de la gestión de datos en la toma de decisiones en la industria avícola

Como muchas otras empresas del sector primario, la avicultura es cada vez más competitiva en todos sus segmentos. Por eso, para mantener y/o crecer de forma sostenible en este negocio, la gestión productiva, comercial, económica y financiera debe ser la mejor posible.

La gestión consiste sobre todo en tomar decisiones. Y la toma de decisiones es más eficaz cuando se basa en hechos y datos. Por lo tanto, saber explotar la base de datos para extraer información que permita crear conocimiento, identificar oportunidades y generar inteligencia es crucial en este proceso.

Los datos por sí solos no generan valor. Saber interpretar, analizar y extraer respuestas de los datos es donde los directivos de las empresas avícolas deben centrar realmente su atención. Y todo empieza por hacerse las preguntas adecuadas (¿qué quiero saber?). Definir los indicadores de rendimiento (KPI´s) que guiarán la toma de decisiones determinará las variables que deben formar parte de la base de datos a utilizar. Obviamente, la calidad de la base de datos se convierte en una condición básica e imprescindible para que pueda utilizarse para generar las respuestas analíticas esperadas.

Una buena base de datos puede considerarse aquella que cumple las 6 V´s: volumen, variedad, velocidad, veracidad, valor y variabilidad. Cuanto más importante sea el indicador para la toma de decisiones, mayor será la importancia de la calidad de los datos relacionados con él. Por ejemplo, si el peso corporal es un indicador importante para la toma de decisiones, tenemos que seguir un procedimiento básico a la hora de generar y utilizar datos relacionados con esta variable:

• ¿Qué quiero saber?
  • Peso corporal medio y uniformidad del lote
    • Comparación con referencias (estándar genético, objetivo de la empresa, datos históricos del productor, etc.);
    • Relación con otras variables (origen del lote, genética, nutrición, tipo de instalación/equipo, relación con otros parámetros de producción, estacionalidad, estado sanitario, manejo, etc.);
    • Predicción de resultados/comportamientos futuros en función del resultado actual del indicador; y
    • Medidas que deben adoptarse en función del resultado actual del indicador.

• ¿Qué datos debo tener en mi base de datos?
  • Datos de lotes actuales y pasados (fecha de nacimiento, origen, genética, peso inicial, edad de las reproductoras, etc.)
  • Datos del KPI definido:
    • ¿Cuál es la precisión de esta medición?
    • ¿Dónde/cómo deben tomarse las muestras de peso corporal?
    • ¿Cuándo debe tomarse la muestra?
    • ¿Con qué frecuencia debe medirse esta variable?
  • Datos del lugar de alojamiento:
    • Ubicación;
    • Tipo/calidad de la instalación;
    • Tipo/calidad de los equipos;
    • Parámetros ambientales (temperatura, humedad, ventilación, etc.)

¿Cómo utilizar/explotar esta base de datos?
A partir de las variables contenidas en la base de datos, podemos generar 4 tipos de informes analíticos que pueden describirse didácticamente como se muestra a continuación:

El análisis descriptivo proporciona información sobre el estado actual del indicador objeto de observación, a partir de los datos de los parámetros relacionados con él. En nuestro ejemplo del peso corporal, tendríamos el peso medio y el porcentaje de uniformidad o coeficiente de variación, actual y/o comparaciones con estándares y objetivos. Esta información puede mostrarse en tablas o gráficos en cuadros de control personalizables según el perfil de cada usuario.

El análisis de diagnóstico permite comprender las relaciones con otras variables de la base de datos, lo que permite identificar la posibilidad de causa y efecto entre ellas. En este análisis podríamos comprobar si los pesos corporales están relacionados con las instalaciones (ubicación/tipo/configuración del ambiente), la estacionalidad (temperaturas/humedad/etc.), el lote (proveedor/genética/edad de la reproductora/etc.) y otras variables productivas o no productivas. Las correlaciones pueden medirse mediante unidades como R2 (coeficiente de correlación) y relaciones causa-efecto ilustradas, por ejemplo, como un diagrama de Ishikawa.

]El análisis predictivo proporciona una previsión de un escenario futuro, teniendo en cuenta los patrones de respuesta de lotes anteriores en las mismas condiciones de producción. Para construir este escenario futuro se utilizan herramientas matemáticas de predicción, con modelos de regresión que pueden utilizarse en un proceso de aprendizaje de máquina (ML), haciendo que los modelos sean cada vez más robustos a medida que se alimentan con más información validada por el sistema. Así, si vemos que el lote tiene un peso corporal bajo, con una madurez sexual desigual y es otoño, podemos esperar una baja productividad de huevos, con retrasos en la edad a la que la producción alcanza su punto máximo y posiblemente huevos más pequeños que el estándar de la línea.

Y, por último, análisis prescriptivos que nos ayuden a decidir qué hacer ahora, dado el escenario actual y futuro. Cambios concretos en el programa de alimentación e iluminación podrían ser posibles alternativas para mitigar los problemas descritos en el ejemplo anterior.
En el orden de magnitud del potencial de creación de valor, los análisis más complejos representan las mayores posibilidades de ganancia.

Análisis descriptivo < Análisis diagnóstico < Análisis predictivo < Análisis prescriptivo

Hay muchas áreas en las que la utilización inteligente de bases de datos puede generar valor para las empresas avícolas. He aquí algunas de ellas:

La cultura de la “data driven companies” (empresas impulsadas por los datos) no es un invento reciente. Conocemos la historia de éxito de las empresas que siguieron el ejemplo de William Edwards Deming, el reputado estadístico, profesor, consultor y autor que tuvo un profundo impacto en la gestión de la calidad y los procesos industriales a lo largo del siglo XX. Hasta su muerte en 1993, Deming siguió enseñando, consultando y escribiendo sobre gestión de la calidad y métodos estadísticos. Su legado perdura a través de las organizaciones que adoptan sus principios, como el PDCA (Planificar, Hacer, Comprobar, Actuar), también conocido como ciclo de Deming, y su enfoque sistemático para mejorar la calidad y la eficacia de los procesos. Deming es recordado no sólo como un brillante estadístico, sino como alguien que transformó profundamente la forma en que el mundo empresarial ve la calidad y la gestión. Sus frases siguen más vigentes que nunca:

“No se puede gestionar lo que no se puede medir.”
“No se puede mejorar lo que no se mide.”

Desde la publicación de los postulados de Deming, las herramientas de análisis de datos han evolucionado enormemente, facilitando el tratamiento de las enormes bases de datos de que disponemos actualmente en las empresas avícolas. Así, debemos asegurar la calidad de estas bases de datos en bruto y, sobre todo, transformarlas en información que generen acciones que redunde en mejoras de la eficiencia, la calidad, el cumplimiento y la rentabilidad en la producción animal. Como recurso estratégico, puede aportar beneficios sustanciales a los productores y a la industria de las proteínas animales en su conjunto.

Autor: Ricardo Ito
Gerente de negócios