Denne uken tar vi for oss et problem vi har reflektert mye over siste par år etter å snakket de 10 største oppdretterne i Norge samt flere av de største oppdretterne i Chile: Ingen har lykkes i å ta i bruk programvare basert på optimering!"Maks et par ganger per år til budsjettstøtte / what-if scenarioanalyse " sier selskaper vi har snakket. Dette til tross for at programvare for optimering av produksjon i oppdrett har vært på markedet i 10+ år...Nå er det ikke et mål i seg selv at man skal ta i bruk optimering, men når dette hver dag leverer betydelig verdi og er i aktiv bruk i "alle andre" større bransjer som olje og gass, kraft, transport, landbruk, skogbruk, hvorfor ikke i havbruk? Tilbakemelding fra oppdrettere med erfaring med bruk av verktøy for produksjonsplanlegging basert på optimering peker på tre problemområder:
Data: Fra "Shit in → Shit out" til automatisering
Tilbakemeldingene vi får er at det har vært særdeles krevende å få oversikt over alle data og antakelser som inngår i optimeringen i verktøy som tidligere har vært i markedet, og umulig å holde disse ved like fra uke til uke. Dette har ledet til følgende problem:
Vår løsning i Bioplan er å automatisere så mye som mulig av input data og å validere vekk dårlige data (dvs om du prøver å gi Bioplan dumme data, så spør den deg om du egentlig vil det). Eksempler på dette er
Fokus: Fra "ekstramodul" til kjernemodul
Dersom en algoritme/pc skal anbefale deg hva du skal gjøre, må den gi deg anbefalinger som kan brukes. Dette høres jo veldig selvsagt ut, men "the devil is in the details". Tilbakemelding fra oppdrettere på optimeringsverktøy som har vært i bruk er at de f.eks. ikke klarer å ta hensyn til faktorer som er sentrale drivere for slakt, som for eksempel lokalitets MTB. Dersom selskapene bak disse verktøyene har fått tilbakemelding på slike ting, hvorfor har man ikke tatt tak i det? Det er vanskelig å vite, men manglende vilje som følge av manglende evne eller fokus kan være en årsak.
Vår løsning er å ha et stort og dyktig nok data science team, samt en grunnleggende tro på at det er mye penger å hente i å lykkes med å få et optimeringsverktøy for dag til dag beslutningsstøtte til å fungere. Vi har derfor brukt mye tid på å etablere vårt data science team som består av et kjerneteam, samt et utvidet eksternt team:
Brukergrensesnitt: Fra tregt til responsivt
Samtlige vi har vært i kontakt med har beskrevet verktøy de har erfaring med som tidkrevende å sette opp, sette seg inn i og å gjøre endringer. Dette innebærer at disse verktøyene er lite egnet til kortsiktig planlegging og også krevende til langsiktig planlegging. Vår løsning har vært å lage en flytende grense mellom manuell planlegging og optimering og å visualisere verdi av alternative valg slik at man kan justere på resultat fra optimeringen og å lettere forstå effekten av dette.
Hvordan vet vi at vi har lykkes i å løse disse utfordringene? Det er krevende å eksakt beregne verdi fra Bioplan, men en bekreftelse på at Bioplan er relevant og oppleves å gi verdi er hyppig bruk. To eksempler på det er
I aktiv bruk for mellomlang - langsiktig planlegging
Eksempel 2: Firda Seafood Group
Å gå for Bioplan vil være den beste investeringsbeslutningen selskapet ditt gjør i 2022. Sterk påstand og det er særdeles krevende å beregne ulike selskap sin ROI med å implementere Bioplan. Men, integrering av automatiske vekst og dødelighetsmodeller i en optimeringsalgoritme som gir relevante anbefalinger hver uke gir alene trolig en ROI på 300%-1500%.Er du til tvil? Gi oss en sjanse så skal vi vise at Bioplan kan levere verdi fra dag 1 :)
