Análisis 360 grados de la cadena de producción ganadera | Elastic Blog
User Stories

Análisis 360 grados de la cadena de producción ganadera

Introducción

El riesgo se puede definir como cualquier acción que ocasione disrupción, de acuerdo a la planificación efectuada de las actividades. No importa las acciones preventivas que se tomen, siempre habrá un riesgo remanente para mitigar y controlar. La organización no solo debe ser dinámica en rápida respuesta a una amenaza, sino debe aprender a transformar muchas de ellas en verdaderas oportunidades de crecimiento.

En el último tiempo, el riesgo ha ido mutando en cuanto a importancia y esencia, para dejar de ser meramente operacional y dirigirse hacia la recolección, almacenamiento, procesamiento y obtención de información. Hoy día, la mayoría de las organizaciones van detrás de esta tendencia adaptando sus operaciones sin percibir que la verdadera ventaja está no sólo en un sistema ágil que alerte situaciones inesperadas o anómalas mediante los algoritmos de Machine Learning, sino también en la predicción de las situaciones y condiciones a futuro. Actualmente podemos integrar todos nuestros datos y convertirlos en información.

De qué depende todo ello? De contar con un Sistema Estratégico de información para la toma de decisiones que no solo brinde información sobre los indicadores del negocio en tiempo real, sino que además, genere el conocimiento sobre aspectos no considerados y desconocidos.

El sector cárnico en la actualidad

Los mercados externos han demostrado un crecimiento positivo fomentado por el aumento de los permisos de exportación y los aranceles. Por ejemplo, luego de 17 años, Argentina volverá a exportar carne de res cruda a Estados Unidos, a partir del levantamiento de las restricciones establecidas por el Departamento de Agricultura Norteamericano. La industria Argentina de carne vacuna, históricamente tuvo una presencia dominante tanto a nivel nacional como internacional. Tradicionalmente en el contexto internacional, la carne vacuna argentina es sinónimo de alta calidad, lo que la hace atractiva para muchos mercados (Kosher, Rusia, China, Marruecos, etc.), exigiendo un cierto grado de excelencia incorporado en el producto y mitigando riesgos.

Objectivos

Generar una solución de alto desempeño basada en el Elastic Stack que incluya información de todas las etapas en el proceso de la producción cárnica, es decir, desde la cría de ganado hasta la identificación-simulación de procesos en la producción de cortes vacunos de alta calidad, contemplando también un análisis de sentimientos identificando la imagen de la empresa en las redes sociales.

Tecnologías y soluciones

En la actualidad la termografía de ganado se aplica como una herramienta sin contacto, no invasiva. Utilizarla como medio de control en el ambiente donde se han aclimatado los animales, para evitar las variaciones por estrés, permitiría manejar mejor el uso de antibióticos, control de residuos, disminuir la emanación de gas metano y mejorar en la gestión de la producción.

Gracias a esta tecnología, integrada a una arquitectura de Big Data basada en Elasticsearch, se obtienen imágenes de múltiples animales en tiempo real y en una sola sesión se puede detectar lesiones, infecciones en articulaciones, molestias en los nervios y daños en la piel. Se ha demostrado que este tipo de imágenes permite detectar mastitis y cambio de temperatura sutiles asociados a fiebre aftosa, estrés, daños y abscesos de pie, ahorrando tiempo de exámenes y diagnóstico. Esta información es ingestada mediante Logstash, desde los remotos campos de cría al Data Warehouse. Considerando los distintos problemas de IT en feedlot, como por ejemplo ancho de banda, se pensó en una solución de escasos recursos por ejemplo MQTT, junto a un diseño que prevenga la pérdida de paquetes utilizando una arquitectura “remitente-indexador” mediante dos instancias de Logstash.

Figura 1. Arquitectura de Big Data Basada en Elasticsearch

En la propia unidad de negocios, los autores han desarrollado una solución separando la base transaccional de soporte de las operaciones diarias, de la información utilizada para las decisiones estratégicas. Empleando además las características del Elastic Stack, se adiciona información sobre la geolocalización del productor mediante coordenadas cartesianas que permiten generar información antes desconocida como por ejemplo la relación del rinde-calidad con la zona, lluvia, estación, pronóstico del tiempo o temperatura, detección de posibles anormalidades en costos de transporte. También, mediante el algoritmo de Machine Learning podemos dar un simple click para desembocar en Google obteniendo una búsqueda predefinida que utilice datos -por ejemplo geo- conociendo los posibles orígenes del problema, es decir, el límite de las prestaciones los define nuestra imaginación: podremos implementar posiblemente todo lo que imaginemos.

Figura 2. Tablero de mando de zonas, análisis de tendencias, rutas de transporte entre otras

En cuanto al análisis de sentimiento mencionado anteriormente, los autores han ingestado la información en Twitter coincidente con ciertos patrones de búsqueda. Estos tweets son analizados y calificados, permitiendo generar la información de la imagen que posee la empresa en los usuarios. El seguimiento de dicha información tiene un gran valor en la actualidad donde a una organización no le es suficiente producir con estándares de calidad sino adicionarle un valor que haga a los usuarios sentir que ese producto es prácticamente definido de acuerdo a sus necesidades o que sus inquietudes son resueltas. En síntesis, la información generada en las redes sociales es monitoreada permanentemente de acuerdo a los KPI´s definidos, permitiendo alertas en tiempo real que posibiliten a la gerencia adoptar las medidas necesarias ante desvíos inesperados o reaccionar frente a acciones de la competencia.

Figura 3. Análisis de sentimientos en Redes Sociales

Figura 4. Monitoreo del sentimiento en redes sociales

Finalmente, un aspecto clave es la seguridad de la información permitiendo el resguardo y la protección, manteniendo la confidencialidad, disponibilidad e integridad de los datos. Estos estándares son satisfechos por Elasticsearch tanto en la opción local como en la nube. Los datos en un DW estarán centralizados, por lo que la seguridad debe ser una solución de mejora continua.

Conclusiones

Al desacoplar los sistemas (operacional y estratégico) se mejora excepcionalmente el desempeño. Utilizar Elasticsearch significa emplear una solución de mejora constante que brinda los más elegantes dashboard utilizando los últimos algoritmos de Machine Learning, sin desatender la seguridad e integridad en todas las fases: generación, ingesta, almacenamiento, indexación y visualización de la información. Además, permite implementar una arquitectura lambda que trabaje tanto en el procesamiento/visualización en lotes como en tiempo real.

Con Elasticsearch, todas las capas de una arquitectura de Big Data serán satisfechas.


Colaboradores en este proyecto

Santiago Alfonso Bueno, Claudio Gerarduzzi, Denisse Quintana Belmar, Javier Fabián Winokur