Ayer festivo Día del Trabajo reducimos la actividad a medio gas. Quedé en El Ejido a tomar café con un paisano, Manuel Valverde, socio de AGrowingData, y con su otro socio, Javier Borondo, que están instalados con su empresa en el CADE de Almería. Pero la noticia no está en quiénes son, sino en lo que hacen. Llevaba Manuel dos años hablándome de un proyecto, ya convertido en realidad empresarial y que desmenuzaré tras largo tiempo de espera. Ojo porque puede suponer un antes y un después en nuestra concepto del modelo hortofrutícola. Argumentos no faltan.
Actualmente se está produciendo un auge en la ciencia de datos. Muchos perfiles académicas están virando hacia el Big Data y el análisis de datos para tomar decisiones en cualquier ámbito de la economía. Sin embargo, en ocasiones tal profusión estadística y de información es genérica, careciendo de la segmentación necesaria, es decir, adoleciendo de un objetivo claro y preciso. No es el caso de AGrowingData que tiene su fin centrado en la agricultura con un equipo de casi una decena de profesionales, al frente del cual hay un agrónomo, como Manuel Valverde, y un doctor en sistemas complejos, llamémosle Big Data o análisis de datos, Javier Borondo.
Este investigador madrileño es pionero en este campo. Profesor por la UOC (Universidad Abierta de Cataluña) en Ciencia de Datos y miembro del grupo de investigación de Sistemas Complejos por la Politécnica de Madrid ha participado en los primeros proyectos que se han realizado en España por grandes compañías que adelantándose a los tiempos han comprendido que para no fallar en la toma de decisiones hay que usar las matemáticas y las estadísticas para impedir el error. Esto mismo llevado a la agricultura nos abre nuevos escenarios.
AGrowingData estudia proyectos para casas de semillas, casas de fertilizantes o de control biológico, incluso para empresas de la comercialización. En la entrevista me intereso especialmente por esto último. ¿Os imagináis poder cuantificar producto fresco en origen y demanda en destino para casar ambas? Las posibilidades que mi mente barajan son inmensas, sobre todo pensando en evitar crisis de precios o por lo menos reducir sus efectos todo lo posible. Producir lo que el mercado come, ni más ni menos.
I.- Sector productor y exportador
AGrowingData analiza el aforo de producción por un lado y la demanda prevista por el otro. Ambos eslabones de la cadena. Se agradece empezar a caminar sin ir a ciegas. Para hacer ese mapa de mercado y detectar posibles fluctuaciones se utilizan distintos parámetros que van desde las producciones locales, regionales, nacionales y de otros países (incluida la competencia), los comportamientos de los consumidores y otras variables que tampoco hay que detallar ya que forman parte de la propiedad más intelectual de AGrowingData. Y todo eso en una comparativa con datos históricos. Javier y Manuel insisten aquí en que “el histórico es lo más importante porque es de lo que los algoritomos aprenden para conformar patrones”.
Y ahí tienen entre Almería y Madrid a un equipo de matemáticos, físicos, agrónomos e ingenieros de distintas disciplinas analizando datos para hacer un dibujo con márgenes muy bajos de error. ¿Es una puerta abierta al sector o no?
II.- Sector de la industria auxiliar
Pero ese casamiento no solo lo podemos ver desde la producción, comercialización y exportación hortofrutícola, sino que tiene gran interés para otra tipología de empresas, como las auxiliares.
Por ejemplo, las casas de semillas. Actualmente la mejora genética requiere unos 8-10 años para la obtención de una nueva variedad. En los últimos meses tal vez hayáis oído hablar de la novedosa tecnología CRISPR-Cas 9, rápida y económica, y que reduce ese número de años. Pues bien, los trabajos de AGrowingData son complementarios a la mencionada tecnología y permitirían disminuir aún más los años necesarios para obtener nuevas variedades. Los algoritmos de AGrowingData permiten adelantarse y saber, por ejemplo, en qué zonas o en qué condiciones no funciona determinada variedad, con lo cual se pueden acelerar algunos ensayos. Una combinación entre factores ambientales y genética de la que se beneficia el productor, ya que dispone de mejores variedades vegetales en menos tiempo.
También se aplica a empresas de control biológico o de abonos ajustando demanda de esos productos y oferta de los mismos. Un modelo predictivo – en base a variables como meteorología, precios hortícolas, precios de los productos (ya sean bichos o fertilizantes) o superficie cultivada, entre otros – capaz de cuantificar la demanda, permitiendo así ajustar la producción y adecuar la logística.
Es el comienzo de algo nuevo. Lo iremos viendo.
Ana Rubio