Conheça as vantagens no uso de advanced analytics para monitoramento climático frente aos modelos tradicionais
As POCs, ou provas de conceito, são desafios recorrentes na trajetória da SciCrop.
Para nós, elas são sempre grandes oportunidades de sanar as dores de nossos clientes através da apresentação de soluções concretas baseadas em big data analytics, neste caso, através de nosso serviço de algoritmos sob demanda.
Nos últimos meses, trabalhamos na proposição de modelos de monitoramento e previsões climáticas baseados em machine learning para otimizar o plantio em grandes fazendas de tabaco, de uma tradicional empresa atuante no segmento, situadas na região Sul do Brasil.
O projeto evidenciou a enorme diferença de acurácia entre soluções climáticas tradicionais e os modelos elaborados com advanced analytics por nossos especialistas.
O Desafio: determinar a confiança do atual modelo de previsões pluviométricas utilizado e propor melhorias a longo prazo.
Em todas as culturas, independentemente do gênero, o clima é o fator mais impactante em termos de produtividade, e para o tabaco, não é diferente.
Especialmente, tratando-se de tabaco, ganhar previsibilidade sobre condições de pluviosidade é fundamental para planejar operações de manejo, visto que o espécime depende de chuvas regulares para atingir seu pleno desenvolvimento.
Na tentativa de obter essa antevisão, o cliente apoiava-se em uma solução “tradicional” de previsões que não correspondia de forma satisfatória à incidência de chuvas.
Era necessário avaliar a precisão do modelo corrente e trabalhar em proposições para atingir um maior grau de confiança no futuro.
A Solução: proposição de modelo preditivo baseado em advanced analytics e comparação de acurácia
Utilizando machine learning e dados pluviométricos históricos de mais de 10 municípios, datados de 2010-2017, nosso modelo estabeleceu previsões dos mm de chuva nos próximos 30, 60, 90 dias dos anos seguintes.
Com base nestas previsões, realizamos um comparativo de acurácia entre o nosso modelo, o modelo utilizado pelo cliente e os reais índices pluviométricos.
Os resultados mostraram uma grande disparidade em termos de precisão, sendo o modelo da SciCrop aproximadamente três vezes mais assertivo que o contratado pelo cliente.
Mediante a esta disparidade, propusemos uma API capaz não só de fornecer um panorama pluviométrico mais fiel à realidade, como capaz de indicar as diferenças dos índices entre regiões, conferindo hiperlocalização aos resultados.
O Resultado: diagnóstico do problema e a perspectiva de uma solução concreta
Utilizando-se da expertise em analytics, a SciCrop apresentou, com base em indicadores estatísticos, a baixa confiabilidade do modelo em uso, entregando um diagnóstico preciso sobre o problema enfrentado pelo cliente.
Ainda nesta POC, fomos além da constatação: mostramos ao cliente o conceito de previsões climáticas hiper localizadas e de como a aplicação de advanced analytics pode superar um dos principais modelos tradicionais de previsão pluviométrica do mercado.
Não deixe com que suas equipes agrícolas tomem decisões baseadas em informações duvidosas.
Entre em contato com a SciCrop e passe a contar com as últimas tecnologias em análise de dados para guiar as ações estratégicas em sua propriedade rural ou empresa.
