Module 1: De Data Kluis (Deel II)

1 nov 2022

“Digitaal hebben boeren niet veel stappen gezet. De periferie wel”

De leergang Data & Technologie was een proces voor boeren om te leren van andere boeren. Module 1 behandelt het concept van een boerendatakluis. Het vormde de kop en de staart van de leergang. In deze afsluitende blogpost laten we zien wat we hebben geleerd. Aan het woord zijn Eric Dortmans en Nicole Bartelds, twee initiatiefnemers van de stichting Boer&Data.

Datakluis?

Aan basis van de module over de datakluis ligt de overtuiging dat de datavoorziening voor de boer niet op orde is. Met datavoorziening bedoelen we dat er een plek is waar je veilig al je data kunt neerzetten, en dat betekent, dat je er zelf optimaal gebruik van kunt maken,  zonder dat je ongerust over je schouder hoeft te kijken dat anderen kunnen meekijken. Een goede datavoorziening betekent ook , dat je niet vast komt te zitten in 1 systeem, en waar je zelf data uit systemen van derden naar toe kan halen. Een plek van waaruit de je de vrijheid en verantwoordelijkheid hebt om je eigen afweging te maken met wie je welke data wil delen. 

De datakluis is een aardige metafoor voor één plek waar alle data samenkomt en waar je baas bent over de data over je bedrijf. Maar de data moet natuurlijk niet alleen veilig opgeborgen worden, maar ook gebruikt kunnen worden. Eric: “Dat is wat we bedoelen met een boerendashboard. Wel één toegangspunt, maar achter de schermen wordt data van allerlei verschillende bronnen gebruikt, die samen in slimme toepassingen gebruikt kunnen worden. Data ergens instoppen is leuk. Maar het draait erom dat je het voor je laat werken”.

Dus niet alleen een kluis, maar ook een marktplaats.

“Alle nieuwe dataontwikkelingen hebben een niet-boeren doel. Ze zijn gericht op een integratie om info te verschaffen, of een voerfabriek of een geneesmiddelenfabrikant. Nooit een doel om te laten zien wat er voor een boer nodig is, je krijg nooit het complete overzicht.” (quote webinar)

 

Functionaliteiten

Om het concept van de datakluis verder te onderzoeken, doken we tijdens de leergang in drie lopende dataprojecten van boeren. In verschillende webinars en in open forum discussies hebben we, in discussies tussen boeren en technologie aanbieders, met en van elkaar geleerd over de functionaliteiten van een boerendatakluis.

Een belangrijk inzicht is bijvoorbeeld dat de roep om een datakluis voor boeren, vanuit technologie partijen meteen wedervragen oproept:

  • Welk soort data ( bestandsformaten) wil je in de kluis opslaan?
  • Wat voor manieren ( koppelingen) wil je hebben om de data in de kluis te stoppen?
  • Wat voor manieren wil je hebben om de data er weer uit te halen?
  • Hoe wil je het weer kunnen visualiseren, uit de kluis kunnen halen?
  • Welke andere functionaliteit moet er minimaal aanwezig zijn?

 

Nicole legt uit dat het moeilijk is om daar in algemene zin antwoorden op te geven. Voor de akkerbouw is het bijvoorbeeld belangrijk om je keuzes/beslissingen (bijv. bemesting, plantdichtheid), of omstandigheden (weer, vochttoestand etc.) te koppelen aan de ontwikkeling van het gewas en de opbrengst. Daar komen al een hoop databronnen bij kijken. Ook in dit geval blijkt weer dat het niet alleen gaat om het verzamelen en beheren van data, maar dat je in de context van je eigen bedrijfsactiviteiten er inzichten uit kunt halen.

Eric: “Welke data en in welk format is voor iedere sector of usecase weer anders. Je zal technische eisen moeten toespitsen. Al heb je op enig moment natuurlijk ook de basis te pakken, van waaruit je dan kan gaan werken, en stap voor stap nieuwe bronnen en functionaliteit kan gaan toevoegen aan het dataplatform. Al is het gezien de complexiteit en variëteit van data in de landbouw ook heel aannemelijk dat er – zeker in het begin verschillende gespecialiseerde platforms ontwikkeld zullen worden”. 

Onafhankelijk van welke partijen oplossingen gaan bouwen, is het verstandig om een lijst met concrete requirements/standaarden te hebben, zodat de ontwikkeling niet alle kanten op schiet. Dan ontstaat er namelijk weer een nieuwe laag van applicaties die niet met elkaar kan communiceren. Dan wordt het lastig om er overkoepelend data uit te halen, bijvoorbeeld voor AI toepassingen of benchmarking. 

De drie lagen architectuur van een boeren datakluis

Conclusies

De leergang is wat betreft dit gedeelte benaderd vanuit de use-case gaat van de akkerbouw. Daarin hebben we het probleem van de versnippering in de akkerbouw willen aankaarten. Wanneer we terugkijken op alle modules van de leergang, dan is er ook een link te leggen naar de andere sectoren, want daar speelt dezelfde problematiek.

Dan kun je concluderen dat ieder bedrijf toegang tot een geïntegreerde ‘datakluis’ nodig heeft, waar alle relevante informatie bij elkaar komt om op een efficiënte en verantwoorde wijze je bedrijf te runnen. Dat bovenop die datakluis is er een dashboard nodig waarop je in een oogopslag de meest relevante data overzichtelijk bij elkaar hebt. 

Hoe dat dashboard eruit ziet, zal voor elk bedrijf anders zijn en dus configureerbaar moeten zijn. Voor de een is de meest actuele weersdata essentieel, terwijl een ander vooral wil weten of er nieuwe satelliet- of dronedata beschikbaar is, of de opbrengstdata verwerkt is. Terwijl een veehouder juist bijvoorbeeld stalgegevens direct inzichtelijk wil hebben. Een dashboard heeft bovendien de functie om via een eenvoudige interface bij de achterliggende data en analyses te komen.

Dat het een absolute voorwaarde is dat je zelf controle  hebt en houdt over je data en welke data je met wie deelt, dat als je kiest voor een andere leverancier voor bepaalde functionaliteit je historische data behouden blijft, zodat niet de data of je toegang tot de data verloren gaat.

Op dit moment is er voor telers nog geen platform beschikbaar dat helemaal voldoet aan de wens om de data van je eigen bedrijf op één plek te bundelen. Er leven volgens Nicole ook nog veel onduidelijkheden. Zo wordt bijvoorbeeld vaak gezegd “Maar we hebben toch JoinData?” Maar daar gaat vooral data in om die in de keten wordt gebruikt. Ik wil juist inzicht krijgen doorde data, die in de keten over mijn bedrijf verzameld wordt te combineren met mijn eigen data”.

Tijdens de leergang werd ook benadrukt dat er onderscheid gemaakt moet worden tussen management data en data voor verantwoording. Als ondernemer weet je heel goed dat er soms wat mis gaat. Je registratiemoment wijkt af omdat er een urgent probleem was, of sensoren zijn niet goed gekalibreerd. Dan heb je behoefte aan een veilige ruimte. Eric: “Ik wil pas data delen op het moment dat ik zeker weet dat het niet tegen me wordt gebruikt of dat het mijn positie in de keten verzwakt”. 

Er is wel veel in ontwikkeling. Commerciële partijen zien de vraag ontstaan en springen in. Voorbeelden zijn de bedrijfsmanagementsystemen die doorontwikkeld worden. Ook wordt vanuit het Ministerie in elkaar opvolgende PPS projecten in publieke infrastructuur geïnvesteerd. Maar uit de leergang blijkt ook het belang van eigen boereninitiatieven, om zelf de handschoen op te pakken en met nieuwe/lokale IT partijen aan oplossingen te werken. 

Want alhoewel data hard werken is, het zoals met trekkerdata soms snel heel complex kan worden, is het sowieso strategisch van belang dat boeren een start maken met het slim opslaan en bewaren van bedrijfsrelevante data. Daarmee creëer je mogelijkheden om in de toekomst belangrijke zaken op te sporen. En als je de data hebt, dan zijn ze van jou. Dan kan je ze onder je eigen voorwaarden aan 3e partijen ter beschikking gaan stellen. 

Alleen langs deze weg kan je als boer in een gelijkwaardige positie komen te staan. Al zal onderlinge samenwerking daar ook heel hard bij nodig zijn. Neem bijvoorbeeld API’s, als de meest ideale vorm van datakoppeling. Geen bedrijf gaat werken aan een API voor 1 boer. Als boeren daar gezamenlijk in gaan optreden, dan krijg je veel meer voor elkaar. 

“Zelf een Facebook bouwen lukt niet. Maar wel een tool die zij niet hebben, die hen geïnteresseerd maakt om verbinding te zoeken” (quote webinar)

Nicole benadrukt dat we ook moeten kijken naar eenvoudige toepassingen om echt gebruik te maken van de data in de ‘kluis’ en meerwaarde te halen uit data: “Ik merk dat de datavoorbereiding voor nadere analyse nu 80% van de tijd kost. Pas wanneer je de data in een vorm hebt die geschikt is voor analyse, dan begint het ‘echte’ werk en daar zit pas de praktische toepassing. De meeste boeren willen gewoon dat dit opgelost is en data bruikbaar is voor gebruik in bijvoorbeeld een dashboard”. 

Deze uitdaging is hardnekkig in de landbouw omdat de gebruikelijke data analyse en data science toepassingen (Business intelligence software, data analytics platforms, data workflows, Python, R, QGIS enz.) voor de meeste boeren niet laagdrempelig genoeg zijn. Bovendien valt door het gebrek aan standaardisatie van data en formaten veel van dit werk niet te automatiseren. Volgens Eric zit daar dan ook een belangrijke uitdaging: “we moeten ervoor gaan zorgen dat de complexiteit ‘onder de motorkap zit’ en het voor de gebruiker eenvoudig is om te gebruiken en eenvoudig om te begrijpen en te interpreteren”.

De uitdaging zit in het vinden van die systeem-ontwikkelaars die deze punten onderschrijven en samen met boeren aan deze oplossingen willen werken. Waarbij meerwaarde voor de boer voorop moet staan, uitgedrukt in bijv. minder uren besteden aan data-verzamelen of ordenen van losse bestandjes, maar ook betere sturing op bodemgebruik, mestaanwending of diergezondheid.

 

Meer informatie