Existen diversas organizaciones que recolectan, almacenan y comparten datos en la agricultura como la FAO (FAOSTAT), el Banco Mundial, ODEPA (Oficina de Estudios y Políticas Agrarias) o INE (Instituto Nacional de Estadísticas), solo por mencionar algunos. Gracias a estas fuentes podemos conocer ciertos datos, como que en Chile hay 1,8 millones de hectáreas de cultivos (INE) o que se han consumido 243.896 toneladas de nitrógeno en el 2019 (FAO). Estos datos representan un ejemplo de cómo describir al agro en cifras. No obstante, hablando del sector privado, aún existe una gran diferencia de cómo las empresas grandes, medianas y pequeñas recolectan y administran sus datos.

Por un lado, las grandes empresas cuentan con profesionales de alto nivel, con dedicación exclusiva y la ambición de ser pioneros en sus compañías, impulsado por un profesionalismo en el área de análisis de datos. No obstante, existe poca transparencia y colaboración en el rubro sobre cómo afrontar de mejor manera el área analítica en la agricultura. Por otro lado, empresas medianas y pequeñas carecen de conocimientos, infraestructura y visión de la importancia de usar los datos para mejorar la toma de decisión en sus negocios. Esto ya lo decía Geoffrey Moore (autor y consultor): “Sin el análisis de datos, las empresas están ciegas y sordas, deambulando por la web como ciervos en una autopista”. Si bien estos dichos representan algo evidente, en el rubro agrícola aún se está al debe.

DATASETS

Contar con datos hoy en día no es solo necesario, sino que es fundamental para la sustentabilidad de las empresas. Un dato puede ser visto sencillamente como un número que podría significar un precio, una superficie, una cantidad, etc. Registrar estos valores en forma ordenada y sistemática nos abre la puerta a un sinfín de otros beneficios. El almacenamiento de estos datos terminará generando un conjunto de datos denominados como datasets, los que en general se expresan en un archivo de formatos tipo xls, csv, txt, etc. Al acumularse y crecer en información, estos datasets podrían llegar a generar el renombrado Big Data (grandes volúmenes de datos).

Normalmente estos datasets consisten en filas y columnas, que pueden o no tener cierto grado de estructura. Los valores en columnas se expresan comúnmente en variables, mientras que las filas, dependiendo del tipo de dataset, pueden tener diferentes rangos de información (series de tiempo, datos transversales o panel de datos). Aunque generarlos suene sencillo, es algo que muchas empresas agrícolas aún no tienen incorporado en su funcionamiento. Asimismo, muchas compañías que sí tienen esta información sistemáticamente guardada, no la usan ni analizan en profundidad para mejorar la toma de decisiones.

Crear estos dataset es un primer paso para luego almacenar las bases de datos con el fin de hacer más sencilla la extracción de información y entender mejor las relaciones entre las diferentes variables que tengamos, ya sean económicas, productivas, ambientales, sociales, etc. En la práctica podemos dividir el uso de los datos en dos fases, una descriptiva (exploratoria) y otra predictiva.

FASE DESCRIPTIVA

Esta etapa consiste en explorar la información para comprender mejor lo que ha ocurrido en el pasado con nuestras variables. En esta etapa buscamos describir nuestro proceso/negocio por medio de los datos. Es así como aparecen conceptos como promedio, máximo, mínimo, moda, media, distribución, correlación, desviación estándar, varianza, etc., lo que hace posible caracterizar nuestras variables, para así, volverse un punto de partida para predecir y estimar cómo serán los datos futuros.

FASE PREDICTIVA

Contando con buenas bases de datos podemos utilizar sofisticados modelos matemáticos para entender mejor el patrón. Por ejemplo, un modelo común y básico a usar es el de regresión lineal (simple o múltiple), el cual nos permite conocer y cuantificar la relación entre una o más variables.

También existen modelos de clasificación, que nos permite agrupar los datos según su similitud, o en forma inversa, separando datos según su grado de diferenciación. No obstante, hoy en día son los modelos de redes neuronales los más avanzados en su tipo, los que permiten usar algoritmos de deep learning para resolver predicciones complejas.

Con el uso apropiado de los datos, se podrá reducir la incertidumbre en nuestro negocio y estimar mejor el resultado de las metas futuras, lo que tiene un impacto directo en la optimización (ej: estimar bien una cosecha, optimizar mejor el número de trabajadores necesarios, tiempo de cosecha, materiales, espacio en bodega, margen de riesgo según la variación de precios, etc.). Sin embargo, aún existen muchas preguntas sobre si los modelos predictivos gozan de estabilidad en sus predicciones. O cómo podemos utilizar lo aprendido en un proceso para resolver un tipo de problema, en un escenario distinto, sin obviar otros obstáculos como los errores y sesgos típicos en interpretación, además de la imperiosa necesidad de incluir efectivamente la opinión de los agricultores. Esto nos deja un amplio horizonte de temas para seguir desarrollando esta nueva ciencia, que aún tiene mucho que avanzar.

Por último, la capacitación en el uso de datos en la agricultura aún está en sus inicios. Es importante que la agricultura avance en procesos de digitalización, con el fin de facilitar la comprensión y manejo de las diferentes variables en los sistemas agrícolas. Por otra parte, no es menor el gran potencial que existe en explotación del capital digital en la agricultura, el cual puede traer innumerables beneficios a todos. Por este mismo motivo, es esencial desarrollar esta área para contribuir así a una agricultura más sustentable y, de paso, aumentar nuestra seguridad alimentaria.

RECUADRO 1 Un ejemplo del potencial. Proyecto Jac

¿Qué? ¿Cuándo? ¿Cuántos? ¿Dónde? Son preguntas muchas veces difíciles de contestar para los agricultores, empresarios, trabajadores, académicos o estudiantes del área agrícola. El proyecto Jornales en la Agricultura de Chile (JAC), basado en el informe Matriz de labores de cultivos por macro zonas de ODEPA, nace con el fin de entregar una herramienta didáctica que permita al usuario tomar decisiones más informadas, oportunas y eficientes. Ofrece información sobre cuántos jornales diarios se requieren para uno o más cultivos, por zona geográfica y considerando niveles de producción de tecnología media. El Proyecto JAC también explora nuevas formas de analizar e informar la demanda por jornales que requiere cada cultivo para las distintas zonas del país. Genera alternativas de cultivos y demuestra sinergias y/o competencia por mano de obra. Está basado en fuentes oficiales gubernamentales (ingrese gratuitamente por medio de la web https://agroindata. netlify.app/).

RECUADRO 2 ejemplo esquemático de una red neuronal

Modelo de predicción de precios de cebolla por kilo más IVA a precios mayoristas, basado en series de tiempo y con aplicación de un algoritmo de predicción (fuente de datos: ODEPA).