Module 4: Pluimvee

1 nov 2022

Achtergrond 

Op dit moment zijn data van verschillende stalcomputers en uit verschillende platforms niet goed te combineren. Dat geeft veel werk, omdat je als boer regelmatig je data handmatig moet overdoen in een systeem van een ketenpartij. Ook komt het voorspellen door slim combineren van data niet van de grond.  Voor het kunnen doen van gezondheidsvoorspellingen bijvoorbeeld, zou het bruikbaar kunnen zijn om het aantal voetzoollaesies te kunnen relateren aan staltemperatuur en of vocht. Om dit soort berekeningen te kunnen doen, moet data makkelijker te combineren zijn. 

Vanuit je eigen database kan je aan de ene kant makkelijker data delen met bijvoorbeeld je broederij of je slachterij, terwijl je zelf in de hand hebt wat je naar wie stuurt. En aan de andere kant kan data ook tweerichtingsverkeer worden, omdat je ook relevante gegevens van derden kan opvragen en verder verwerken.

Binnen de pluimveemodule keken we mee met het ontwikkelen van een eigen database om gegevens te verzamelen en te structureren, en verdere bewerkingen makkelijker te maken. Ook werd een dashboard ontwikkeld om gegevens te visualiseren. 

“Mijn pijn is dat ik verschillende merken apparatuur gebruik. De sample tijd is niet gelijk. Daarbij moet ik alles handmatig exporteren naar excel. Maar je komt niet exact uit als je grafieken over elkaar legt. We leven in 2022, waarom communiceert de 1 niet met de ander?!” – Robert

In de module werden verschillende kanten van het ontwikkelproces belicht: wat komt er kijken als je als boer je eigen data gaat organiseren? Hoe doe je dat? Hoe hou je het behapbaar? Wat levert het op?

 

Aanleiding

Dat het nu nog omslachtig en ingewikkeld is om met je eigen data aan de gang te gaan, komt voor een belangrijk deel omdat de meeste software pakketten voor boeren in feite een bijproduct zijn van IT die met een ander doel en voor een andere doelgroep is ontwikkeld. Robert: “De meeste dataontwikkelingen hebben een niet-boeren doel. Ze zijn gericht op het verzamelen van informatie voor bijvoorbeeld een voerfabriek of een geneesmiddelen fabrikant. Het primaire doel is zelden om te verzamelen en te laten zien wat er voor een boer echt nodig is”.

Een andere aanleiding voor Robert om zelf met data aan de slag te gaan is omdat hij vindt dat boeren zelf te weinig profiteren van de dataficering van de landbouw. De ontwikkelingen bij ketenpartijen en nieuwe spelers gaan op dit vlak veel harder. In de relatief wat kleinere pluimvee en varkenshouderij sectoren zie je bijvoorbeeld dat grote IT of chemie reuzen in data duiken en start-ups opkopen. Er vindt in hoog tempo een hoge mate van concentratie plaats, waarvan het de vraag is wat dit voor individuele pluimvee- en varkenshouders gaat beteken.

“Je merkt dat veel ketenpartijen om je heen zitten te hengelen naar die data. En dat die gebruikt wordt in het commerciële traject om geld te verdienen. Dat is logisch. Alleen als boer profiteer je er geen cent van.” –  Robert

 

Ontwikkelproces

Robert is aan de slag gegaan met een eigen MySQL database. Voor hem begon het werken met data met geordend data verzamelen. De eerste prioriteit was om met een specifieke tool een KPI te ontwikkelen als voorspelling van een mogelijke verstoring van een koppel kuikens. De stap ervoor, om (relevante) data te verzamelen (je wilt immers niet alles verzamelen), is nog minstens zo complex, kwam hij achter. En hier zit ook juist de crux met het later geautomatiseerd versturen van gegevens, om helder te krijgen welke gegevens anderen vragen en welke ook je eigen data analyse vooruit helpen. Inmiddels is hij vele stappen verder en blijkt dat lukraak data verzamelen veel ruimte kost en je bedrijf niet altijd vooruit helpt. Belangrijker is om eerst gericht op zoek te gaan naar welke data je kan helpen in de ondersteuning.

Een belangrijk uitgangspunt waar Robert met de technologie partner voor koos is om te beginnen met een basisset en een eerste versie van de tool te ontwikkelen. Want dan kan je laten zien wat de applicatie kan. De dataset uitbreiden kan later altijd nog. Daar speelt ook mee dat boeren op dit moment nog maar op een heel beperkte dataset werkelijk sturen. Je hebt niet perse veel indicatoren nodig, een hoop van wat technisch kan is in feite poespas is niet direct belangrijk.

Wat de meest relevante data is, blijft lastig zeggen. In de pluimveehouderij gaat het dan snel om voer- en wateropname. Maar of je alléén boert (monitort) of met meerdere mensen, maakt bijvoorbeeld een groot verschil. En het aantal kippen dat op een weegschaal springt, kan ook een belangrijke indicator zijn. Het ligt er ook aan wat op jouw bedrijf van belang is. Voor Robert is temperatuur bijvoorbeeld minder te sturen, omdat hij een windstreekstal heeft, en dus is dat ook minder belangrijk om te monitoren. Verder geldt dat absolute cijfers minder belangrijk zijn dan afwijkingen ten opzichte van een normaal.

Screenshot Dashboard Farmer Intelligence

Resultaat

Naast een eigen database werd er ook een eerste versie van het dashboard ontwikkeld. In de laatste sessie binnen de module demo en in gesprek met technologiepartner is hier dieper op in gegaan. Aan bod kwamen onder andere hoe dagelijkse data uit de stalcomputers, gecombineerd met gezondheidsdata (in dit geval coccidiose tellingen), nieuwe inzichten oplevert over de reactie van een koppel dieren. Tevens zou dit kunnen dienen als voorspelling/referentie voor volgende koppels om een inschatting te maken of een koppel dreigt te ontsporen. Met name die voorspellende werking kan je bedrijf vooruit helpen in beheersing van problemen en daarmee een robuuste bedrijfsvoering.

Verder is er een hoop geleerd over het uitnutten van data die nu al binnen ieder pluimveebedrijf beschikbaar zijn. Data zijn niet alleen nuttig in retrospect – dat je door omstandigheid x gisteren, gevolg y vandaag kan verklaren. Maar de gegevens van voorgaande koppels kun je ook gebruiken om voorspellingen te doen. Dat is niet altijd even makkelijk, omdat bijvoorbeeld minder activiteit door tal van factoren verklaard kan worden (zoals minder daglicht in de stal betekent vaak minder activiteit). Toch kan je dankzij goede analyses voorspellen wanneer er in de stal iets mis dreigt te gaan. Wateropname per uur loopt bijvoorbeeld volgens een bepaald patroon op met activiteit. Als die 2 uit elkaar gaan lopen, en je systeem geeft je een seintje, dan kan je daar echt winst op boeken.

 

Conclusies

Een belangrijk conclusie is dat deze module het belang aantoonde van een boer in de rol van opdrachtgever.  Robert was in de de lead, en kon continu regie voeren en ervoor zorgen dat dit keer het primaire doel wel was om technologie op te leveren die data laat zien die voor een boer echt nodig zijn. Er is dus een wezenlijk andere tool gerealiseerd dan anders het geval zou zijn geweest. 

Wel was het nooit de bedoeling om een “robert-nijkamp-dashboard” te ontwikkelen. Het idee was om een combinatie te maken van een database en een flexibele slimme softwareschil, wat voor àlle pluimveehouders een werkbare oplossing zou bieden, waar iedereen wat aan zou hebben. Dat is voor nu nog een brug te ver gebleken. Niet alleen is de groep pluimveehouders die echt met data aan de slag wil nog te klein, zijn ze bovendien onderling nog te versnipperd, en is data hard werken voor een onzeker gewin. Ook loop je al snel tegen blinde muren en weerstand op. Of zoals een deelnemer het formuleerde: “we hebben meer taboes in de sector dan behoefte aan informatie. En zolang dat zo is, zitten we ons hier allemaal voor de gek te houden”.

Toch blijft de ambitie om samen als collectief boeren verdere stappen te nemen overeind staan. Technisch is voor data uitwisseling het ontwikkelen van (rest-)API’s bijvoorbeeld de meest ideale oplossing. Als je als individuele boer een partij daarvoor benadert, dan wijzen ze je direct weer de deur. Maar als je daar namens 5000 boeren om komt vragen, dan wordt het een ander verhaal.

Wat betreft het verdienmodel van het verbeterde datasysteem dat Robert nu op zijn bedrijf heeft draaien, zegt hij zelf niet te twijfelen over de winst op het vlak van efficiëntie en kostenbesparing: “Als ik zie wat ik aan uren kwijt ben aan data invoeren, aan controletijd, dan levert mijn nieuwe systeem mij alleen al op dat stuk enorme tijdwinst op. Dan kan dat maar zo in de 1000’en euro’s per jaar lopen”. Verder moet het gaan komen uit beslissingsondersteuning en betere dag-tot-dag voorspelling/monitoring. Dat gaat nog tijd kosten, en dat zal zeker sneller gaan als je volume gaat maken met een grote groep boeren. Je krijgt dan meer financiële armslag om sneller te ontwikkelen. 

 

Meer informatie