• No results found

Big Data in de vleeskuikenhouderij

N/A
N/A
Protected

Academic year: 2021

Share "Big Data in de vleeskuikenhouderij"

Copied!
2
0
0

Bezig met laden.... (Bekijk nu de volledige tekst)

Hele tekst

(1)

2018

Het lijkt simpel om routinematig vastgelegde

data (Big Data) te gebruiken om meer inzicht te

krijgen in hoe factoren in de diverse schakels

van de vleeskuikenketen elkaar beïnvloeden.

Het gaat daarbij niet alleen om beschikbare

informatie op het vleeskuikenbedrijf, maar

ook over informatie van andere schakels in

de productie- en consumptieketen. Met ICT

en complexe data-analyse ziet Wageningen

University & Research kansen én uitdagingen

voor de sector in het verbinden van deze kennis

en informatie.

Big Data: nog niet zo simpel

Bij de ontwikkelingen in de Big Data is het stellen van de juiste vragen van belang. Waar is relevante data beschikbaar? En van wie is het? Uiteindelijk moet dit leiden tot nieuwe kennisproducten voor de pluimvee-houder of zijn directe omgeving.

Bij gebruik en analyse van data zijn drie factoren van belang, namelijk de hoeveelheid data (Big Data wijst op veel data), de snelheid waarmee het opgevraagd kan worden, en de diversiteit (wel/niet gestructureerd in één database). Daarnaast spelen ook de kwaliteit en complexiteit een belangrijke rol om er de juiste informatie uit te kunnen halen.

‘Een gezonde vleeskuikenketen’

In het project ‘Gezonde vleeskuikenketen’ verken-nen een aantal ketenpartners (Aviagen, 2Sisters Storteboom, Broederij Munsterhuis, Broederij Elshuis, De Hoop, de Heus, Avined) met Wageningen Livestock Research hoe je routinematig verzamelde data in de vleeskuikenketen met elkaar kunt verbinden. Daarmee willen we antwoord geven op de vraag óf, en zo ja, hóe factoren in de voorschakels (opfok en productie vleeskuikenouderdieren en broederij) de ge-zondheid, het welzijn en de technische prestatie op het vleeskuikenbedrijf kunnen beïnvloeden.

Big Data in de

(2)

Oktober 2017

Big Data in de vleeskuikenhouderij | 2018 Databronnen

Al direct bleek dat op veel plaatsen in de vleeskuiken-keten data vastgelegd worden. Maar het koppelen van deze data blijkt niet eenvoudig. Dat komt bijvoorbeeld doordat unieke kenmerken, waardoor data met elkaar verbonden kunnen worden, niet standaard in iedere database worden vastgelegd. Deze ervaringen hebben geleid tot een advies over het uniform inrichten van databestanden in de vleeskuikenketen.

Invloed voorschakels

Met de beschikbare data van de projectpartners is een analyse uitgevoerd. Daaruit bleek dat het traject van het leggen van het ei op het vermeerderingsbedrijf

Contact

Wageningen Livestock Research Postbus 338 6700 AH Wageningen www.wur.nl/livestockresearch Ingrid de Jong T +31 (0)317 48 05 89 E ingrid.dejong@wur.nl

tot en met het plaatsen van een eendagskuikens veel invloed heeft op de uiteindelijke gezondheid en de prestatie van het vleeskuikenkoppel, naast het management op het vleeskuikenbedrijf. Op basis van deze analyse zijn nieuwe gegevens verzameld en on-derzoeken we verder welke factoren van invloed zijn op gezondheid en technische prestatie van een vlees-kuiken. Maar ook welke kenmerken van belang zijn om nog (additioneel) vast te leggen.

Referenties

GERELATEERDE DOCUMENTEN

 Toepassing Social Media Data-Analytics voor het ministerie van Veiligheid en Justitie, toelichting, beschrijving en aanbevelingen (Coosto m.m.v. WODC), inclusief het gebruik

online verkoop waarin staat dat die richtlijn van toepassing moet zijn ‘op digitale inhoud die is verwerkt in goederen als huishoudelijke apparaten of speelgoed waarin de

De blanke lezer wordt niet uitgesloten als publiek, maar moet zich ervan bewust zijn dat hij niet hetzelfde sentiment deelt als de groep die Wright beoogd heeft, waardoor hij niet

General disadvantages of group profiles may involve, for instance, unjustified discrimination (for instance, when profiles contain sensitive characteristics like ethnicity or

Vervolgens kunnen verschil- lende technieken worden gebruikt om data te verkennen, zoals descriptieve statistische analyses (gemiddelde, modus, mediaan en spreiding),

Opgemerkt moet worden dat de experts niet alleen AMF's hebben bepaald voor de verklarende variabelen in de APM's, maar voor alle wegkenmerken waarvan de experts vonden dat

Table 6.2 shows time constants for SH response in transmission for different incident intensities as extracted from numerical data fit of Figure 5.6. The intensities shown

Doordat het hier vooral gaat om teksten worden (veel) analyses door mid- del van text mining -technieken uitgevoerd. Met behulp van technieken wordt informatie uit