Nuevas herramientas para la toma de decisiones en las explotaciones de leche

Otra oportunidad para el sector es la renovación de las métricas que se usan para gestionar vaquerías. Las hojas de cálculo con frecuencia están copadas de indicadores repetitivos y que conllevan a confusión y distracción. Por ejemplo, expresar la producción de leche por vaca en lactación es interesante, pero expresarla por vaca presente (lactantes más secas) sólo aporta ruido y no permite tomar ninguna decisión de manejo. Si la leche por vaca presente aumenta, puede ser bien porque la producción ha aumentado (deseable), pero también podría darse el caso que la producción de leche disminuyese, pero el número de vacas secas también se redujera y el resultado podría ser un aumento de producción de leche por vaca presente, lo que podría llevar a la conclusión que la ración de lactación está funcionando correctamente, pero en cambio existiría un margen de mejora (pues la producción por vaca lactante ha disminuido). Este tipo de indicadores, cuya evolución depende de dos o más factores no deben usarse para gestionar rebaños ni para tomar decisiones. Lo mismo ocurre con muchos otros indicadores. Otro ejemplo, es el coste por litro de leche. Este indicador puede llevar a decisiones erróneas pues mezcla unidades inconexas: litros y euros, y lo más importante, ignora el precio de la leche. En función del precio de la leche un descenso del coste por litro de leche puede ser positivo o negativo para la rentabilidad de la explotación (i.e., si el precio de la leche es alto, un mayor coste por litro de leche puede generar más beneficios). Otro error común es recopilar, calcular y fijarse en indicadores con sesgo y/o con una inercia elevada. Por ejemplo, calcular el intervalo entre partos e intentar usar esta métrica para tomar decisiones, o incluso para evaluar la evolución del rebaño, es una distracción y pérdida de recursos. El intervalo entre partos informa de algún problema reproductivo que ocurrió en la granja hace como mínimo 9 meses atrás y, por tanto, poco se puede hacer ahora para corregirlo. Además, el intervalo entre partos es un valor 'maquillado' o sesgado, que siempre es mejor que la realidad, pues las vacas que han abandonado el rebaño (i.e. por problemas reproductivos, baja producción...) no forman nunca parte de este índice.

Un indicador crucial en la producción de leche es el margen o ingresos sobre los costes de alimentación (ISCA). Estos últimos suelen representar más del 50% de los costes asociados a la producción de leche. El ISCA suele mostrarse en hojas de cálculo y con frecuencia casi nunca es un valor que se obtenga o se mire de forma diaria. El uso del ISCA para gestionar las explotaciones representa una gran oportunidad para mejorar su rentabilidad. La Figura 1 muestra como el ISCA diario en una explotación de leche pasa de ~9,000 € a ~6,000 € en un día, y se mantiene así durante 4 días. La producción de leche en el mismo periodo cambia poco (1.5 l) y es superior a la producción de unos 15 días atrás, pero el ISCA es muy inferior al de 15 días atrás. Si no se monitoriza el ISCA a diario, y sólo se presta atención a la producción de leche, esta explotación perdería más de 12.000 euros en 4 días y no se cambaría nada, pues si la granja se gestiona en base a la producción de leche, aparentemente, todo está correcto.

La industria láctea se ha regido, desde antaño, por la norma que más leche comporta más beneficios económicos, pero esta 'norma' no siempre es cierta. El motivo por el cual un aumento de producción no siempre implica un mayor beneficio económico radica en que las vacas se alimentan en grupo, y dentro de un mismo grupo, cuando se hace una inversión en alimentación para aportar más nutrientes, una proporción de las vacas del grupo no va a responder con más leche y esa proporción de vacas genera pérdidas económicas respecto a una ración menos densa (pues consumen una ración más cara y producen lo mismo), y sólo las vacas que responden con más leche generan más beneficios. La Figura 2 muestra como al pasar un grupo de 200 vacas de una ración para 42 litros de leche a una ración para 45 litros, el 83% de las vacas generan unos 10 céntimos menos diarios de ISCA, y sólo el 17% de las vacas responden con más leche y más ISCA. La producción media de leche en ese grupo aumenta, y si la granja se gestiona en base a la producción de leche, este cambio de ración se consideraría un buen resultado. Pero si miramos el ISCA, al pasar a una ración para 45 litros, se pierde beneficio pues la mayoría de las vacas no respondieron al aporte adicional de nutrientes.

Por otro lado, el paradigma actual de la nutrición del vacuno lechero asume que todas las vacas Holsteins, a los ojos de los nutricionistas, se comportan de forma similar. La nutrición de las vacas se basa en un único modelo (el NRC 2001 o ahora el NASEM 2021 o el INRA) para todas las vacas. Pero en realidad, cada vaca tiene su genética, come una ración distinta (destrío), y está sometida a un manejo distinto en función del patio y la explotación donde se encuentre. Con la abundancia de datos que existen hoy en día en las explotaciones se abre la oportunidad de generar un modelo predictivo de la respuesta y necesidades nutricionales de cada vaca de forma individual. Aquí es donde entra el nuevo cambio de paradigma con la aparición de nuevos sistemas que: 1) integran datos diariamente y de forma automática en una base de datos, 2) generan nuevos indicadores útiles y claves a tiempo real, 3) generan un modelo predictivo de necesidades nutricionales para cada vaca en cada patio de cada explotación, y 4) optimizan la respuesta animal para mejorar el rendimiento económico y minimizar el impacto ambiental. Es como pasar de vestir con una camisa talla única para todos, a una vestir una camisa personalizada (una camisa de la talla que corresponde). Estos sistemas no sólo integran datos a tiempo real y los almacenan en potentes bases de datos que permiten analizar todos los valores desde ópticas distintas, sino que además pueden usar inteligencia artificial para predecir las necesitades nutricionales y la respuesta productiva de cada una de las vacas en la explotación. Una vez se predice con fiabilidad la respuesta animal, se puede optimizar la ración a ofrecer o el manejo a ejercer para maximizar el benefició, ya sea económico, reproductivo, de salud, o productivo.

Por ejemplo, la inteligencia artificial puede determinar cuántos grupos de vacas con raciones distintas se debería usar en una explotación, cuándo hay que mover una vaca de un patio a otro para maximizar el rendimiento económico y mantener la condición corporal, y sobre todo a qué nivel de producción se debe formular la ración de cada grupo de vacas (o el rebaño entero en el caso que no se usen grupos). La decisión de cuándo mover una vaca de un grupo a otro sin el uso de inteligencia artificial es extremadamente complicada y en numerosas ocasiones las vacas se mueven de un grupo a otro fuera del momento óptimo. Con la inteligencia artificial se consigue mover las vacas en el momento adecuado, y aunque pueda existir una pequeña pérdida de leche, el ISCA generado por la vaca que ha cambiado de grupo aumenta (Figura 3).

En la actualidad, raramente se raciona optimizando el coste, y se da prioridad a las restricciones de nutricionales por parte del nutrólogo y le modelo que se use. Esta práctica, aunque suele resultar en producciones de leche elevadas, puede no conllevar un retorno económico máximo. Como se ha descrito anteriormente, aumentos de producción de leche no siempre resultan en mayores retornos económicos. Lo ideal sería racionar usando optimizadores de programación lineal, como se hace en las fábricas de piensos, para conseguir aportar todos los nutrientes necesarios al mínimo coste respetando restricciones de disponibilidad y uso de ingredientes. Pero en la práctica esto ocurre en pocas ocasiones, en parte por la dificultad de usar optimizadores con el modelo Cornell, por ejemplo. Las nuevas tecnologías de inteligencia artificial, facilitan el uso de optimizadores para formular raciones a mínimo coste, pues las restricciones del problema a solucionar son concretas y medibles (existen un sin fin de parámetros en el modelo Cornell que son valores tabulados, (i.e., talla única), y no medibles, que dificultan la optimización. Por ejemplo, con frecuencia se analizan las materias primas para determinar el contenido en humedad, proteína, etc... y se actualizan estos valores antes de formular. Pero, valores como la fibra efectiva, por ejemplo, no se actualizan. Con la inteligencia artificial el valor nutricional integral de cada ingrediente se puede estimar en cada explotación en función de la respuesta productiva de las vacas. Por lo tanto, el valor nutricional de los ingredientes determinado con inteligencia artificial se ajusta más a su valor real en una granja en particular en comparación con la evaluación nutricional de un laboratorio o un NIR, pues este último sólo evalúa la composición química y no tiene en cuenta la respuesta de los animales.

Pero además de la inteligencia artificial, usar herramientas de análisis y monitorización diaria de la explotación en cambio de usar una hoja de cálculo permite saber el margen económico bruto (después de los costes de producción de leche), la eficiencia de producción, la eficiencia del uso de la proteína, la ingestión de materia seca, el coste de alimentación, etc... de cada patio o grupo de la explotación, a tiempo real y sin esfuerzo o dedicación de personal para consolidar los datos. Estas herramientas también permiten hacer un seguimiento de stocks de materias primas junto con la evolución de sus nutrientes y costes y llevar la contabilidad de las materias primas con alta precisión y comodidad. Evidentemente, estas herramientas también permiten gestionar los carros de alimentación de la explotación y monitorizar desviaciones de ingredientes, nutrientes, y euros por patio y repartidor. Estas desviaciones, que con frecuencia son ignoradas tiene un impacto relativamente grande sobre la producción de leche. La Figura 4 muestra como desviaciones en la inclusión de varios ingredientes en el carro con respecto a la ración teórica formulado por el nutrólogo tienen un impacto negativo en la producción. Finalmente, este tipo de tecnología permite hacer comparaciones entre explotaciones (benchmarking) de forma absolutamente confidencial para ver qué hacen otras granjas y qué rendimientos obtienen y cómo los consiguen (qué niveles de proteína, fibra, forraje, densidad animal, número de grupos...).

A pesar de la complejidad aparente de estas nuevas herramientas de integración de datos y proceso con inteligencia artificial, en la práctica son sencillas de usar y requieren un mínimo esfuerzo por parte del ganadero para poder acceder, en un único lugar, a todos los datos relevantes sobre la explotación: economía, producción, salud, reproducción, y genética. Con frecuencia se suele pensar que este tipo de tecnología es para granjas de gran tamaño, sin embargo, lo importante no es el tamaño, sino la mentalidad de los ganaderos y sus consultores, y la voluntad de progresar a partir de la analítica objetiva de datos técnicos. De hecho, tomar una decisión equivocada sobre, por ejemplo, inseminar una vaca en una granja pequeña tiene mayores repercusiones que equivocarse en una granja grande, pues los errores se diluyen con el tamaño de la explotación (hay más vacas para compensar la pérdida económica de una decisión errónea sobre un animal).

El futuro está aquí, y la producción de leche se basará cada vez más en modelos específicos dinámicos para cada granja y menos en un modelo empírico único y estático para todas vacas del mundo. Hace ya casi 5 años que apareció algoMilk (www.algomilk.com), que ha sido la plataforma pionera en el campo de integrar, procesar, y analizar con inteligencia artificial las explotaciones de leche y que ya está presente en 9 países, pero están ya apareciendo otras plataformas similares a algoMilk e irán apareciendo más. Estamos viviendo una revolución parecida a la que ocurrió cuando aparecieron los carros mezcladores, o más recientemente, la incorporación del genoma en la gestión de las explotaciones.

Referencias

• Bach, A. 2023. Changes in milk production and estimated income over feed cost of group-housed dairy cows when moved between pens. J. Dairy. Sci. 106:4108-4120.
• Bach, A. 2024. Back to basics: precision while mixing total mixed rations and its impact on milking performance. J. Dairy Sci. Communications. 5:102-106.
• Bach, A., M. Terré, and M. Vidal. 2020. Decomposing efficiency of milk production and maximizing profit. J. Dairy Sci. 103:5709-5725.