Síndrome Respiratória das Aves: quadro de etiologia múltipla
10/05/2024Probióticos com efeitos positivos no desempenho zootécnico de frangos de corte e redução de pododermatites, arranhões e hematomas
26/08/2024Da mesma maneira que vários outros negócios do setor primário, a atividade avícola está cada vez mais competitiva em todos os seus segmentos. Desta forma, para manter-se e/ou crescer de maneira sustentável neste negócio, é preciso que a gestão produtiva, comercial, econômica e financeira seja a melhor possível.
Gerir é sobretudo saber tomar decisões. E a tomada de decisões se torna mais efetiva quando baseada em fatos e dados. Portanto, saber explorar a base de dados extraindo informações para a criação de conhecimento, identificação de oportunidades e geração de inteligência são cruciais neste processo.
Os dados por si não geram valor. Saber interpretar, analisar e extrair respostas dos dados é onde os gestores de companhias avícolas realmente deveriam focar a atenção. E tudo começa com fazer as perguntas corretas (o que quero saber?). A definição de quais serão os indicadores de performance (KPIs) que nortearão a tomada de decisões determinará as variáveis que deverão fazer parte da composição da base de dados a ser utilizada. Obviamente a qualidade da base de dados passa a ser condição básica e essencial para que possa ser utilizada na geração das respostas analíticas esperadas.
Uma boa base de dados pode ser considerada aquela que atende aos 6 Vs: volume, variedade, velocidade, veracidade, valor e variabilidade. Quanto mais importante o indicador para a tomada de decisões, maior é a importância da qualidade dos dados relacionados com o mesmo. Exemplificando, se o peso corporal é um importante indicador para a tomada de decisões, temos que obedecer a um procedimento básico na geração e utilização dos dados relacionados com essa variável:
- O que quero saber?
- Peso corporal médio e uniformidade do lote:
- comparativo com referências (padrão da genética, meta da empresa, dados históricos do produtor, etc.);
- relação com outras variáveis (origem do lote, genética, nutrição, tipo de instalação/equipamentos, relação com outros parâmetros produtivos, sazonalidade, estado sanitário, manejo, etc.);
- previsão do resultado/comportamento futuro em razão do resultado atual do indicador e;
- ações a serem tomadas em razão do resultado atual do indicador.
- Peso corporal médio e uniformidade do lote:
- Que dados devo ter em minha base de dados?
- Dados referentes aos lotes atuais e passados (data nascimento, origem, genética, peso inicial, idade das matrizes, etc.)
- Dados do KPI definido:
- qual o grau de acurácia na tomada desta medida?
- onde/Como tomar as amostras de peso corporal?
- quando a amostra deve ser tomada?
- qual a frequência da medida desta variável?
- Dados do local de alojamento:
- localização;
- tipo/qualidade da instalação;
- tipo/qualidade dos equipamentos;
- parâmetros ambientais (temperatura, umidade, ventilação, etc.).
Com base nas variáveis contidas na base de dados, podemos gerar 4 tipos de relatórios analíticos que didaticamente podem ser descritos de acordo com a figura abaixo:
A análise descritiva informa o estado atual do indicador em observação, utilizando os dados dos parâmetros relacionados à mesma. Em nosso exemplo do peso corporal, teríamos o peso médio e a percentagem de uniformidade ou o coeficiente de variação, atual e/ou comparativos com padrões e metas. Estas informações podem ser demonstradas em tabelas ou gráficos, em painéis de controle customizáveis a cada perfil de usuário. A análise diagnóstica permite a compreensão das relações com outras variáveis da base de dados, possibilitando a identificação da possibilidade de causa-efeito entre as mesmas. Nesta análise, poderíamos verificar se os pesos corporais estão relacionados com as instalações (localização/ tipo/ configuração da ambiência), sazonalidade (temperaturas/ umidades/etc.), lote (fornecedor/ genética/ idade da matriz etc.) e demais variáveis produtivas ou não produtivas. As correlações podem ser medidas por unidades como o R2 (coeficiente de correlação) e as relações de causa-efeito ilustradas, por exemplo como diagrama de Ishikawa.
A análise preditiva proporciona uma previsão de um cenário futuro, considerando os padrões das respostas de lotes anteriores nas mesmas condições de produção. Na construção deste cenário futuro, são utilizadas ferramentas de predição matemática, com modelos de regressão que podem ser utilizados em processo de aprendizado de máquina (ML), tornando os modelos cada vez mais robustos à medida que são alimentados com mais informações validadas pelo sistema. Assim, se verificamos que o lote apresenta baixo peso corporal, com desuniformidade de maturidade sexual, e estamos no outono, podemos esperar baixa produtividade de ovos, com atrasos na idade de chegada ao pico de produção e possivelmente ovos menores que o padrão da linhagem.
E por fim, análises prescritivas que nos ajudam a decidir o que fazer agora, diante do cenário atual e futuro. Mudanças específicas no programa alimentar e de luz, por exemplo, poderiam ser possíveis alternativas para mitigar os problemas descritos no exemplo acima.
Na ordem de grandeza do potencial de criação de valor, temos as análises de maior complexidade, representando as maiores possibilidades de ganho.
Análise descritiva < Análise diagnóstica < Análise preditiva < Análise prescritiva
Várias são as áreas onde a exploração inteligente da base de dados pode gerar valor às atividades das empresas avícolas. Seguem algumas delas:
A cultura das “data driven companies” (empresas orientadas por dados) não é invenção recente. Conhecemos a história de sucesso das empresas que seguiram as orientações de William Edwards Deming, renomado estatístico, professor, consultor e autor que teve um impacto profundo na gestão de qualidade e nos processos industriais ao longo do século XX. Até sua morte, em 1993, Deming continuou a ensinar, consultar e escrever sobre gestão de qualidade e métodos estatísticos. Seu legado perdura através das organizações que adotam seus princípios, como o PDCA (Plan, Do, Check, Act), também conhecido como ciclo de Deming, e sua abordagem sistemática para melhorar a qualidade e eficiência dos processos. Deming é lembrado não apenas como um estatístico brilhante, mas como alguém que transformou profundamente a maneira como o mundo empresarial encara a qualidade e a gestão. Suas frases continuam atuais como nunca:
“Você não pode gerenciar o que não pode medir.”
“Você não pode melhorar aquilo que não mede.”
Desde a publicação dos postulados de Deming, as ferramentas de análises de dados evoluíram enormemente, facilitando o processamento das bases de dados gigantescas que temos atualmente nas empresas avícolas. Assim, devemos zelar pela qualidade destas bases brutas de dados e sobretudo transformá-las em informações acionáveis que resultam em melhorias na eficiência, qualidade, conformidade e lucratividade na atividade de produção animal. Sendo um recurso estratégico, pode proporcionar benefícios substanciais para os produtores e para a indústria de proteína animal como um todo.