Modelizando datos

27 Feb Modelizando datos

Modelizando los “datos clave” en torno a las empresas del negocio agroalimentario.

Una nueva forma de comprender el “comportamiento” de los negocios agroalimentarios

 

 

Puede resultar sugerente, para avistar la importancia de “algunos datos en particular”, comenzar con una imagen muy agrícola. No te asustes: quién ha pisado campo, y quién no, va a entenderlo bien.

Los negocios, podría decirse, se parecen a las campañas agrícolas. Desde la siembra hasta la cosecha se suceden unos meses. Y ese es el tiempo para actuar buscando lograr el producto de calidad, con valor añadido, esperado. Los agricultores reciben un “producto” de un proveedor. Y, lo transforman mediante inputs; que si riego, que si fertilizantes, que si fitosanitarios, que si labores… Al final, el producto “transformado” acaba vendiéndose, como producto acabado:  en un súper, o a un intermediario, qué se yo.

Se parecen algunos negocios a las campañas agrícolas en que demandan unas decisiones durante un tiempo. Y según la decisión tomada el resultado final es uno u otro. Son pocos momentos, pocas acciones las que realizar sobre el cultivo: se cuentan con los dedos de las manos. El momento de siembra, cuándo y cuánta dotación de agua, qué dosis para fertilizar, cuándo y cómo tratar, bioestimulantes quizá, quizá aclareo u otra labor… y poco mas. Y algo parecido ocurre en los negocios. Estrategia, pricing, marketing y comercialización, planificación logística; sus derivadas… y poco más.

Las decisiones clave en cada negocio, para acertar con el modelo y lograr una empresa rentable, suelen ser pocas y “definitorias”. Como en una campaña agrícola. Y esto hace que sean “algunos pocos datos clave” los que nos ayudan a decidir el negocio. Como en una campaña agrícola.

Esto hace que los comités de dirección y/o departamentos tomadores de decisiones vayan poniendo el foco, es una realidad, en disponer de los “datos útiles” para decidir e ir olvidando la gestión por intuiciones o inercias.

 

Algunos datos clave en los negocios agroalimentarios

Partiendo de esta tesis, me preguntaba: ¿Cuáles son esos “pocos datos clave”? Y sobre las preocupaciones de algunos conocidos del sector he ido anotando.

Uno de los quebraderos de cabeza más habituales en industrias agroalimentarias (desde encurtidos, mermeladas…hasta fábricas de snacks, gazpachos, zumos…) suele ser la planificación de la producción. En concreto, la planificación de la recepción de producto primario y la optimización de los procesos en fábrica. Lo óptimo suele pasar por no dejar de hacer funcionar las máquinas, lo cual supone coordinar a un buen número de proveedores de materia prima. Conocer  con anticipación, en esta situación,  los volúmenes recibidos podría suponer una facilidad para dicho plan, y por ende un potencial ahorro de costes. Pues bien: estimar la oferta de producto primario de productores de alimentos ya es posible mediante la modelización.

Igualmente útil, puede resultar este dato para la coordinación comercial y de marketing de una empresa productora. Empresas globales con áreas geográficas y amplias ventanas temporales de producción  pueden aprovechar, y mucho, este dato, pues conocer con anticipación las fechas y cantidades (tn) de producto disponible dentro de un mes puede aportar una ventaja competitiva en la negociación de ventas y la planificación de campañas.

Otro ejemplo, sobre la industria de insumos en torno al sector agroalimentario en este caso, es la muy interesante y ya empleada por algunos, información sobre riesgos de plagas y enfermedades por zonas geográficas. En los negocios de fitosanitarios, directamente condicionados por la presencia de las plagas y enfermedades de los cultivos, el marketing: cuándo, dónde y mediante qué canal publicitar los productos; es determinante. Por eso, de nuevo, se puede hablar de dato clave en referencia a la modelización geográfica del riesgo durante la campaña de las plagas y enfermedades. Dato clave porque puede ajustar la campaña de marketing de determinados productos de forma definitoria. Pues bien: estimar el riesgo de ciertas plagas y enfermedades ya es posible mediante la modelización.

Un ejemplo más, y por no tratar de agotar el tema: tarea tan ambiciosa como ilusoria; podría encontrarse en los servicios en torno a las empresas productoras. Es el caso de las proveedoras de maquinaria, cuyos beneficios por ventas, leasings y rentings, está condicionado (entre otros) por los servicios de reparación y mantenimientos. Los tractores se deterioran. Y las revisiones son una obligación. Parece de interés, de cara a la planificación de mantenimientos, disponer de un dato para seguimiento de la edad, incidencias, necesidades de reparación de los tractores en el Parque Móvil actual. Otro ejemplo más de “dato clave” para la gestión de un negocio.

La ciencia y su trabajo para lograr una veraz modelización

Dicho esto, la pregunta surge natural: ¿Cómo es posible disponer de estos “datos clave” en el momento adecuado para tomar la decisión? La ciencia de los datos, la estadística, y las nuevas capacidades informáticas de gestión de datos, las tecnologías de gestión de Big Data, y los procesos de automatización de recogida de datos, están ya ofreciendo esta capacidad: modelizar los “datos clave” para tomar las decisiones.

Modelizar consiste, muy simplificadamente, en elaborar una fórmula tras cuyo cálculo, introducidos los datos de las incógnitas, devuelva un dato muy parecido a la realidad. Ese dato clave que queremos conocer. Si modelizamos un dato/indicador en base a otros datos que lo “explican” y disponemos, podremos anticipar-predecir nuestro dato/indicador. Es una cuestión de volumen de datos: cuantos más datos más capacidad de análisis; y de su “calidad”: cómo explican, cuánto de relacionados están con el objetivo a calcular.

Muchos datos ayudan. Es una cuestión de estadística: de tamaño de la muestra; a obtener fórmulas/modelos más fiables. Muchos datos: muchísimos. Por eso se habla de Big Data, y por eso se hace complicado gestionar tal volumen de bits en un ordenador particular. Y se tiene a trabajar en la “nube”. Por eso merece la pena invertir en recoger información, en automatizar el almacenamiento de los datos del negocio.

Así, de una forma relativamente sencilla: recopilando la información de esos datos, variables, que en principio pensamos está relacionada con nuestro dato/indicador relevante, limpiando los datos, analizando las correlaciones, seleccionando las variables más relacionadas y entrenando la fórmula-modelo, llegamos a un “servicio de información” que aporta el dato clave en el momento necesario: para que el departamento o persona correspondiente pueda tomar una mejor decisión.

 

La importancia de adecuar los hábitos de decisión

No obstante, disponer de la información adecuada y fiable en el momento adecuado no lo es todo. Tomar decisiones basadas en datos supone en algunos casos un cambio de rutina, adquirir un hábito. Lo cual implica definir la nueva forma de proceder, y repetir…y repetir. Las ventajas de una modelización del “dato clave” para una decisión sólo tendrán impacto si las personas convenientes definen en su día a día el papel de este modelo. Y amoldan su toma de decisiones al nuevo dato disponible.

Por eso puede resultar fundamental la simplicidad o sencillez del entregable del modelo. No suelo tener tanto interés en conocer la fórmula, como el dato en la presentación y formato esclarecedor. Quizá esta sea una de las cualidades a valorar a la hora de plantear una inversión en transferencia tecnológica de la gran oferta disponible hoy día en el mercado: la usabilidad, la sencillez. La tecnología debería servir para simplificar,  no debería añadir más quebraderos de cabeza a quien ya tiene muchas preocupaciones encima.

Y yo me pregunto: ¿Existe un dato para ti lo suficientemente valioso, que condicione tus decisiones, para plantearte modelizarlo? ¿Sabrías explicarlo en base a otros datos que sí dispones?

 

Josemaría Oleaga

Ingeniero en Dpto. Agronómico de bynse