GESTIONAMOS LOS

Factores De Influencia Externos Al Rendimiento Canal

Debemos saber que en las ecuaciones que utilizamos para definir nuestro objetivo en el rendimiento canal, la constante de correlación (r o r2), es la medida estadística que nos explica qué tan cerca están los datos de la línea de regresión.

Si observamos el gráfico de los rendimientos en pollo mixto obtenidos en una planta veremos que, existiendo una correlación positiva, la constante r está muy lejos de ser cercana al 1, siendo que, a un mismo peso, la variabilidad de rendimientos es muy elevada.

En algunos análisis realizados, únicamente entre el 20 y el 40% del rendimiento canal se explica por el peso.

Esta variabilidad tan grande de rendimientos a un mismo peso expresa dos situaciones que debemos afrontar:

La fuerte influencia de factores durante el proceso de generación de este rendimiento.

La relativa fiabilidad de los datos.

Valor de la amplitud total Studentizada Significación de diferencias

Prob.0

Error standard de la media: 0,194

De este modo, como objetivo de disminución de dicha variabilidad, podemos incorporar un segundo indicador global como la constante de correlación (r o r²) comparada entre distintos periodos de tiempo para que el objetivo sea el acercamiento a 1 respecto a resultados anteriores.

Aunque es altamente improbable, puede suceder que la mejora de este índice no acabe reportando un incremento en valor absoluto de los rendimientos.

Reincidiendo en el Principio de Pareto, deberemos definir ese 20% de factores que nos explican el 80% de las consecuencias.

Sabemos que entre estos factores, aunque el peso es el principal podemos apuntar, entre otros:

El tiempo de ayuno en granja

El tiempo de transporte

El tiempo de espera en planta

Las condiciones de la zona de espera

Las condiciones climáticas o estacionalidad

La estirpe

La nutrición

El sexo Etc.

Para determinar su influencia, deberemos analizar estos indicadores en nuestra propias instalaciones, ya que son muy dependientes de las estructuras que disponga la empresa.

Por ejemplo, el efecto por el tiempo de espera previo sacrificio en el rendimiento será dependiente de las condiciones de control ambiental y comodidad de la misma.

0,171

*GLE: Grados de libertad

*SSR: Suma de residuos cuadrados

*LSR: Método de mínimos cuadrados

Figura 2. Ejemplo de análisis de varianza unifactorial de significación de la diferencia de rendimiento canal por tiempo total de ayuno previo al sacrificio en la planta. Fuente: Trouw Nutrition)

Asimismo, somos conocedores que existen “factores internos a la planta”, que son todos aquellos que se producen durante el proceso industrial de la elaboración de la canal y despiece, como por ejemplo:

Pérdidas de piel en escaldado y desplumado

Corte de cuello y patas

Extracción de grasa abdominal Sistema de refrigeración de la canal

Etc.

Si bien es cierto que su incidencia es muy relevante para la mejora del rendimiento, no son objeto de estudio de este artículo.

Si analizamos estadísticamente el efecto que tienen estos factores en los rendimientos de nuestra propia planta, podremos tomar acciones para reducir la afectación de estos en el rendimiento y disminuir la variabilidad de resultados a un mismo peso.

¿Cómo optimizar la rentabilidad en una planta de procesado de carne de pollo? Análisis de datos.

DESCÁRGALO EN PDF

Cuando dispongamos de los datos necesarios y ables, estructurados en soportes adecuados, podremos de nir los indicadores de negocio más importantes.

Con estos indicadores, desarrollaremos informes sencillos y e caces para cada grado de decisión.

Si los resultados se desvían de nuestros objetivos, podremos dar la señal de alerta en el menor tiempo posible. Con análisis de los datos previos y actuales, junto con el conocimiento de los equipos, podremos resolver las incidencias de la manera más e ciente.

Conclusiones

Las empresas y sus datos deben recorrer un camino paralelo para optimizar sus procesos, mejorar sus rendimientos y ser competitivos, tanto en costes como en calidad de su producto.

Además, no hay alternativa frente a este desafío. Los algoritmos de objetivos de predicción serán claves en la producción ganadera para desarrollar un proceso sostenible de mejora continua.

La cuarta revolución industrial ya está aquí y tus datos son el nuevo petróleo.