Fikk du ikke kjøpt ekstra MTB?

Hvor stor forbedring på tilvekst måtte de oppnå for å få samme økonomiske resultat som ved å kjøpe ekstra MTB?

Vi vet at det kan være stor forskjell på hvor flinke de ulike selskapene og lokalitetene er på tilvekst. Det kan være mange grunner til dette som for eksempel miljø, antall avlusninger, sultedager, mens noen har med håndverket det er å fôre å gjøre. Si at dette selskapet i stedet for å kjøpe MTB la inn 6 millioner i året i tiltak for å forbedre produksjonen.

Tabell 4: Break-even resultat om en kjøper ekstra MTB i forhold til om man heller bruker penger på tiltak for å øke tilveksten.

En forbedring på 0,21 i TGC vil altså gi samme økonomiske resultat som om en kjøper MTB uten å forbedre tilveksten.

Hva om vi klarer å forbedre oss ytterligere?

Vi vet at flere oppnår meget god vekst under de rette betingelsene. Det er også vanligvis slik at de som oppnår god tilvekst også oppnår bedre fôrfaktor, så jeg har lagt inn en 0,02-forbedring på biologisk fôrfaktor per 0,2 TGC.

For å illustrere et slikt best case-scenario har vi her justert opp TGC og MTB utnyttelsen med 10%, samt redusert FCR og dødelighet med 10% fra beste scenario over. Det er det som skal til for å oppnå over 1600 tonn per konsesjon. Vi sier ikke at det er enkelt, men det er selskap som får det til. Vi ser fra tabellen over at relativt små forbedringer i tilvekst og fôrfaktor kan ha stor effekt på inntjeningen. I dette eksemplet har vi brukt moderate verdier både på tilvekst, fôrfaktorer og gjennomsnittlig utnyttelse av MTB volumet. Vi vet fra rapporter at selskap har vært i nærheten av 1600 tonn per konsesjon, og vi har utallige rapporter på bedre fôrfaktorer og mye bedre tilvekst.

Tabell 6: Best case scenario mot kjøpt MTB

Avlsselskapene dokumenterer en 10-12% bedring mellom hver generasjon. Dessverre ser det ikke ut til at dette gjenspeiles i praksis i markedet, men dette skyldes sannsynligvis mange driftsforstyrrelser.

Fôringsprestasjonsanalyse er et verktøy for å ta ut potensialet i fisken din

Spillfree sin hovedrolle er å fremskaffe målinger for å styrke presisjonen og minimalisere «spill». Vi i Spillfree har søkelys på selve fôringsoperasjonen. Det hjelper ikke å ha alle de andre variablene under kontroll om du ikke har en fôringsmetodikk som gir fisken akkurat den fôrmengden den vil ha hver dag. Ikke for mye eller for raskt, da blir det «spill» og fôrfaktor, og ikke for lite slik at du ikke klarer å utnytte det genetiske potensialet til tilvekst som er i fisken.

«The Spillfree Way»-metodikken for kontinuerlige forbedringer i «tilvekstproduksjonen»,  består blant annet av videodokumentasjon av fôringsprosessen. Videodokumentasjon er en praksis der man filmer fôringen som gjennomføres i oppdrettsanlegget. Dette gjøres ved at det installeres en programvare som sørger for opptak av utvalgte tidssekvenser i løpet av måltidet. Dette kan gjøres med det utstyret du allerede har og krever ikke noen nye investeringer i hardware. Videosekvensene kategoriseres, klassifiseres og analyseres etter standardisert metodikk og benyttes i kontinuerlig evaluering og rådgivning tilbake til oppdretter.

Vi mener at dette vil gi våre kunder raskere tilvekst og lavere fôrfaktor. Sentralt i prosessen med å måle prestasjonsutvikling er å ha tilgang til lokalitetenes øvrige data. Sammen med våre videoanalyser gir denne tilgangen mulighet for dypere prestasjonsanalyser til bruk i løpende forbedring. Dette vil gi enda større innhold i våre møter med kundene, og vi vil dokumentere hvordan Spillfree hjelper deg med å oppnå bedre resultater.

Veien videre med videodokumentasjon

I vårt videoarkiv har vi nesten 1,8 millioner videoer, og disse har vært viktige for at vi nå kan ta det neste skrittet innen fôringsoptimalisering, nemlig bruk av kunstig intelligens. La oss først definere kunstig intelligens og maskinlæring.

Kunstig intelligens: blir vanligvis definert som evnen til en maskin til å utføre kognitive funksjoner vi assosierer med menneskelige sinn, som oppfatning, resonnement, læring og problemløsning. Eksempler på teknologier som muliggjør at AI kan løse forretningsproblemer, er robotikk og autonome kjøretøy, datavisjon, språk, virtuelle agenter og maskinlæring.

Maskinlæring: De fleste av de siste fremskrittene innen AI er oppnådd ved å anvende maskinlæring på svært store datamengder. Maskinlæringsalgoritmer oppdager mønstre og lærer hvordan de skal foreta prediksjoner og anbefalinger ved å behandle data og erfaringer, i stedet for å motta eksplisitte programmeringsinstruksjoner. Algoritmene tilpasser seg også i respons på nye data og erfaringer for å forbedre effektiviteten over tid.

McKinsey Analytics

Les mer om Spillfree og AI: Spillfree på AI-landslaget.

I denne artikkelen har vi forsøkt å gi deg et eksempel på hvordan du kan beregne lønnsomhetseffektene av å kjøpe ekstra MTB. Vi har også gitt deg innspill på at det finnes alternative måter å øke lønnsomheten på. Mange tiltak kan kombineres. Vi i Spillfree har tro på å starte med videodokumentasjon av fôringsprosessene. Dette skaper et viktig fundament for kontinuerlige forbedringer støttet av kunstig intelligens og maskinlæring. Teknologien kan brukes å bistå fôringsoperatører og -ledere i deres viktige arbeid i oppdrettsnæringen.