Кейсы по применению BI в агробизнесе: подборка от РСХБ

Современные решения в области бизнес-аналитики (BI) и искусственного интеллекта ^[1] (AI) позволяют агрокомпаниям перейти от формальной отчетности к управлению, основанному на данных. Я – Галина Галкина, работаю в департаменте аналитических систем компании R-Style Softlab (группа компаний Россельхозбанка). В этой статье предлагаю рассмотрим, как цифровые инструменты помогают оптимизировать процессы в животноводстве и птицеводстве.

Как бизнес-аналитика помогает в управлении агробизнесом 

Одна из особенностей агробизнеса — быстрое накопление массивов данных, за которыми скрываются важные закономерности. BI-аналитика — это инструмент, который позволяет трансформировать сухие цифры в визуальное представление для принятия обоснованных решений. Данные классифицируются и собираются в единую аналитическую систему, при этом компания переходит в режим data-driven управления, где каждое решение подкреплено конкретными показателями.

Внедрение бизнес-аналитики приносит агробизнесу три ключевые ценности:

1. Стратегическое планирование. Визуализация данных позволяет наглядно отслеживать выполнение стратегического плана и выявлять отклонения на ранних стадиях, что дает возможность своевременно корректировать курс.

2. Улучшение производственных процессов. Оперативное сопоставление фактических данных с нормативными значениями помогает выявлять закономерности, сильные и слабые стороны в работе различных подразделений.

3. Оптимизация расходов и повышение рентабельности. Анализ отклонений от нормативных или плановых показателей позволяет принимать взвешенные решения по управлению затратами, что делает бизнес более эффективным и прибыльным.

Кроме того, накопленные данные становятся основой для прогнозирования. С их помощью можно моделировать будущее компании, оценивать влияние рыночных трендов на жизнеспособность бизнеса и прогнозировать результаты по различным метрикам.

Практические кейсы применения бизнес-аналитики в агросфере

Создание дашбордов на основе данных применимо для любого направления в АПК, как это может работать в молочном животноводстве, выращивании КРС и птицеводстве можно узнать из наших кейсов.

Молочное животноводство

Пример дашбордов для руководителей

Информационная панель по ключевым показателям молочной фермы включает:

• данные о выручке от реализации, 

• себестоимости продукции, 

• объемах реализации, 

• средней цене и себестоимости в расчете на единицу продукции. 

Результат: дашборд позволяет оценить факторы, влияющие на финансовые показатели.

Например, в представленном кейсе было выявлено, что рост выручки в четвертом квартале был обусловлен в первую очередь повышением цены, а не увеличением объемов реализации. Одновременно рост себестоимости был связан с увеличением расходов на корм. Система также позволяет детализировать показатели в табличной форме по месяцам и подразделениям.

Пример дашбордов по эффективности

Отчет визуализирует ключевые метрики:

• в динамике по месяцам, такие как IOFC (выручка от реализации за вычетом расходов на корм), 

• продуктивность в расчете на голову в день 

• стоимость рационов. 

Результат использования: анализ показал, что рост IOFC в конце года был связан с увеличением выручки. Учитывая, что стоимость рационов на голову также росла, для снижения рисков необходимо обратить внимание ^[2] на повышение продуктивности.

Пример финансового дашборда

Финансовый дашборд используется для:

• анализа структуры расходов по статьям

• сопоставления плановых показателей с фактическими. 

Результат использования: анализировать как общие расходы, так и себестоимость в расчете на единицу продукции стало проще. Дашборд позволяет провести анализ выполнения плана по себестоимости в целом и по отдельным статьям затрат в динамике.  Детализирована структура основной статьи переменных затрат на корм.

Пример дашборда по оперативной отчетности

Оперативная отчетность позволяет анализировать:

• отклонения от нормативных или плановых показателей в разрезе текущего отчетного периода и структурных подразделений. 

В представленном кейсе отчет показывает фактические и прогнозные значения по надоям молока, а также факторы, влияющие на достижение прогноза (продуктивность и поголовье).

Результат использования: анализ выявил, что невыполнение прогноза и снижение надоев было связано с внеплановым выбытием животных и недостижением плановой продуктивности. Для выяснения причин можно детализировать отчет до уровня отдельной секции и даже отдельных животных, просмотреть динамику надоев и продуктивности за текущий отчетный период и сравнить показатели с предыдущим периодом.

Пример дашборда по оценке эффективности рационов

BI-система также используется для визуализации и проверки гипотез. В представленном кейсе оценивалось влияние различных рационов на показатели надоя, продуктивности и веса животных. Две группы получали разные рационы, причем одна группа — более дорогой. 

Результат использования: анализ показал, что применение более дорогой схемы кормления было оправдано, так как привело к повышению продуктивности и показателей выручки и прибыли на одну голову. Система позволяет анализировать эти показатели как в целом за период, так и в динамике по неделям или дням.

Выращивание КРС

Пример оперативного отчета по секции

Для мониторинга выращивания крупного рогатого скота используется оперативный отчет по секции на определенную отчетную дату, который позволяет проанализировать: 

• показатели веса, среднесуточного привеса в динамике

• отклонения от нормативных значений по определенным категориям

Результат использования: детализация информации до уровня секции и отдельных животных позволяет оценивать динамику и выполнение нормативных показателей по привесу и своевременно реагировать ^[3] на отклонения. 

Птицеводство

Пример оперативного отчета по открытым партиям

Для птицефабрики разработан оперативный отчет, который включает основные показатели по открытым партиям от момента заселения до закрытия каждой партии. Отчет формируется на определенную отчетную дату и отражает ключевые показатели по: 

• плотности поголовья

• сохранности

• конверсии 

Результаты использования: для большинства показателей установлены нормативы, и отчет наглядно показывает отклонения от нормативных значений, что позволяет быстро выявлять проблемные партии и разбираться с причинами отклонений.

Пример аналитического отчета по закрытым партиям

Отчет включает информацию по 13 ключевым метрикам по уже закрытым партиям, привязанным к дате закрытия, в т.ч.:  

• среднесуточный привес, средний вес, конверсия, сохранность; 

• финансовые показатели, такие как себестоимость одного килограмма и стоимость одного килограмма кормов. 

Результаты использования: система позволяет анализировать показатели по каждой метрике в динамике и в разрезе подразделений. С помощью переключателя можно переходить между различными показателями, что делает работу с отчетами более удобной.

Пример оперативного отчета по себестоимости

Дашборд по себестоимости продукции в расчете на один килограмм содержит несколько таблиц с возможностью переключения между ними. 

Результаты использования: можно просматривать детализацию затрат по периодам в разрезе детальных статей затрат, а также анализировать затраты в разрезе подразделений, площадок и кроссов.

Пример прогнозирования веса птицы с использованием AI 

Особый интерес ^[4] представляет кейс по применению BI-системы для визуализации прогноза веса птицы. Источниками данных являются прогноз веса на базе математической модели и фактические данные из системы управления выращиванием птицы. Подробнее о построении модели можно прочитать в нашем блоге на Хабре.  ^[5]

Результаты использования: отчет показывает не только результат прогнозирования веса на конец выращивания по каждой партии, но и содержит фактические показатели на отчетную дату, что позволяет сопоставлять факт и прогноз.

Показатели детализированы по партиям, и можно углубиться в анализ информации по конкретной партии по дням выращивания. Прогнозная модель использует исторические данные по подразделениям, учитывает фактические данные за прошедший период и формирует прогноз до конца выращивания. Информация аккумулируется в BI-системе, которая визуализирует результаты.

Перспективы развития BI-аналитики в агропромышленном комплексе

Интеграция с интернетом вещей (IoT)

Развитие технологий бизнес-аналитики в агропромышленном секторе не ограничивается  описанными выше кейсами. Одним из перспективных направлений является интеграция BI-систем с интернетом вещей (IoT). 

Датчики влажности почвы, температуры воздуха, системы мониторинга состояния животных генерируют огромные объемы данных, которые при правильной обработке с использованием BI-инструментов могут значительно повысить эффективность принятия решений.

Новые источники данных для анализа:

• Датчики влажности почвы

• Системы мониторинга температуры

• Трекеры состояния животных

В молочном животноводстве умные ошейники, отслеживающие активность и состояние здоровья коров, в сочетании с продвинутой аналитикой позволяют прогнозировать оптимальное время для осеменения, выявлять начало заболеваний еще до появления явных симптомов и корректировать рационы питания в зависимости от индивидуальных особенностей животных.

Предиктивная аналитика

Предиктивная аналитика становится неотъемлемой частью современных BI-решений для агробизнеса. Алгоритмы машинного обучения ^[6] способны анализировать исторические данные и выявлять неочевидные закономерности, что позволяет более точно прогнозировать урожайность, продуктивность животных, потребность ^[7] в ресурсах и потенциальные риски.

Возможности машинного обучения:

• Анализ исторических данных

• Выявление неочевидных закономерностей

• Точное прогнозирование урожайности, продуктивности животных, потребности в ресурсах, потенциальных рисков

В птицеводстве, например, предиктивная аналитика позволяет заблаговременно выявлять партии с повышенным риском снижения сохранности, что дает возможность внести корректировки в условия содержания и кормления до того, как проблемы приведут к серьезным потерям.

Мобильная аналитика

Мобильные приложения для BI-систем делают аналитику доступной специалистам «в поле». Руководитель фермы или зоотехник может получать актуальную информацию о ключевых показателях непосредственно на смартфон или планшет, находясь в любой точке хозяйства. Это особенно ценно для крупных агрохолдингов с территориально распределенными подразделениями, где оперативность принятия решений напрямую влияет на эффективность бизнеса.

Преимущества мобильных BI-приложений:

• Доступ к данным в любой точке хозяйства

• Моментальное получение актуальной информации

• Оперативность принятия решений

Компьютерное зрение

Интеграция BI-систем с технологиями компьютерного зрения ^[8] открывает новые возможности для мониторинга здоровья и поведения ^[9] животных. Например, в свиноводстве и птицеводстве камеры, анализирующие поведенческие паттерны, в сочетании с алгоритмами распознавания образов позволяют автоматически выявлять агрессивное поведение ^[10], снижение активности или другие признаки проблем со здоровьем животных. Эти данные, визуализированные с помощью BI-инструментов, помогают специалистам принимать обоснованные решения по корректировке условий содержания.

Облачные BI-решения

Важным трендом является развитие облачных BI-решений, которые делают современную аналитику доступной не только для крупных агрохолдингов, но и для средних и малых хозяйств. 

Доступность технологий позволяет:

• Минимизировать инвестиции

• Оплачивать только используемые ресурсы

• Быстро начать цифровизацию

По прогнозам аналитиков, в ближайшие 5 лет доля хозяйств, использующих BI-технологии, может вырасти с текущих 15-20% до 50-60%, что будет способствовать повышению конкурентоспособности отечественного АПК на глобальном рынке.