In einem fesselnden Vortrag auf der MJBizCon 2024 sprach der Fluence Data Scientist Dr. Jason Matlock eine der dringendsten Herausforderungen der Cannabisbranche an: wie man Daten effektiv nutzen kann, um den Anbau zu verbessern, ohne von der Komplexität überwältigt zu werden. Da die Cannabisbranche immer mehr zur Massenware wird und die Gewinnspannen immer enger werden, ist die Fähigkeit, datengestützte Entscheidungen zu treffen, für den Erfolg immer wichtiger geworden.
"Der Schlüssel dazu ist die Erkenntnis, dass das Sammeln von Daten nicht dasselbe ist wie die Gewinnung von Erkenntnissen", betont Matlock. "Es gibt viele Unternehmen, die Daten sammeln und darin ertrinken. Sie haben alle möglichen Aufzeichnungen, aber sie lernen nichts aus diesem Material."
Verständnis der Datenwissenschaft im Cannabisanbau
Matlock räumt mit dem weit verbreiteten Missverständnis auf, dass Datenwissenschaft komplexe KI-Systeme oder neuronale Netze erfordert. Stattdessen stellt er die Datenwissenschaft als einen zugänglichen Prozess dar, der damit beginnt, die richtigen Fragen zu stellen. Einfache Visualisierungstools wie Boxplots und Liniendiagramme können bei strategischem Einsatz oft aussagekräftige Erkenntnisse liefern.
Arten der Datenanalyse
In der Präsentation werden zwei grundlegende Arten der Datenanalyse im Anbau beschrieben:
- Untersuchung: befasst sich mit bestimmten Ereignissen oder Ergebnissen und versucht zu verstehen, warum etwas passiert ist, um Erfolge zu wiederholen oder Misserfolge zu verhindern
- Prozessüberwachung: Konzentriert sich auf die Sicherstellung der konsistenten Ausführung bekannter Best Practices
Fallstudien zur Analyse von Cannabisdaten
Um zu demonstrieren, wie
Grundsätze der Datenwissenschaft effektiv im Cannabisanbau angewendet werden kann, stellte Dr. Matlock zwei überzeugende Fallstudien vor. Diese Beispiele zeigen sowohl die investigative Analyse als auch die Prozessüberwachung in realen Szenarien und veranschaulichen, wie eine systematische Datenerfassung und -analyse komplexe Anbauherausforderungen lösen kann. Die erste Fallstudie befasst sich mit einem Problem des Temperaturmanagements, das gängige Annahmen in Frage stellt, während die zweite innovative Ansätze zur Standardisierung von Entlaubungsmethoden untersucht. Beide Fälle verdeutlichen den praktischen Wert datengestützter Entscheidungsfindung in modernen
Cannabisanbau.
Fallstudie 1: Untersuchung zum Wärmemanagement
Zur Veranschaulichung dieser Konzepte schilderte Matlock ein praktisches Beispiel, bei dem es um die Forderung eines Kunden nach
Fluence-Befestigungen die übermäßige Hitze in ihrem Gewächshaus verursachten. Durch eine systematische Datenanalyse mit Hilfe einfacher Boxplots fand das Team heraus, dass die Temperaturunterschiede auf die Lage des Raums und die Isolierung und nicht auf die Einbauten zurückzuführen waren. Diese Fallstudie zeigt, wie die richtigen Fragen und ein methodischer Ansatz zu unerwarteten Erkenntnissen und Lösungen führen können.
Fallstudie 2: Überwachung des Entlaubungsprozesses
Das zweite Beispiel betraf die Prozessüberwachung bei der Entblätterung, einer wichtigen, aber arbeitsintensiven Anbaumaßnahme. "Woher wissen wir, ob die Entblätterung standardisiert und unter Kontrolle ist? fragt Matlock. "Wenn es so wichtig ist und wir so viel dafür investieren, warum wissen wir dann nicht objektiv, ob wir diese Praxis erfolgreich standardisieren?"
Er stellte zwei mögliche Messmethoden vor:
- Überwachung des Lichteinfalls in das untere Kronendach
- Automatische Bildgebung zur Zählung sichtbarer Knospenstellen
Die Wahl zwischen diesen Methoden hängt von der Betriebsgröße und den Ressourcen ab, was zeigt, wie Data-Science-Lösungen auf unterschiedliche Anbauumgebungen zugeschnitten werden können.
Prozess der Umsetzung
In der Präsentation wurde ein klarer Prozess für die Implementierung von Data Science in der Landwirtschaft skizziert:
- Beginnen Sie mit spezifischen, geschäftskritischen Fragen
- Anwendung des Systemverständnisses zur Ermittlung relevanter Metriken
- Entwicklung geeigneter Datenerhebungsmethoden
- Daten verarbeiten, um aussagekräftige Muster hervorzuheben
- Analysieren Sie die Ergebnisse und ergreifen Sie Maßnahmen
- Wiederholen Sie den Zyklus, um die Auswirkungen zu messen.
Schlussfolgerung
"Datenwissenschaft ist im Kern dazu gedacht, zugänglich und befähigend zu sein", so Matlock abschließend. "Fangen Sie einfach an, stellen Sie gezielte Fragen, messen und verfeinern Sie, was am wichtigsten ist, und Sie werden erfolgreich sein. Man kann immer noch einen Schritt weitergehen, aber wenn man nicht an diesem Punkt anfängt, wird man sich mit ziemlicher Sicherheit verirren."
Die Präsentation zeigte eindrucksvoll, dass Datenwissenschaft im Cannabisanbau keine fortgeschrittenen Abschlüsse oder komplexen Systeme erfordert. Stattdessen ist ein methodischer Ansatz erforderlich, um Fragen zu stellen und zu beantworten, die sich direkt auf den Geschäftserfolg auswirken. Durch die Befolgung dieses systematischen Prozesses und den Beginn mit einfachen, fokussierten Metriken können Anbauer jeder Größe damit beginnen, Daten zu nutzen, um ihren Betrieb und ihr Endergebnis zu verbessern.
Diese praktische Herangehensweise an die Datenwissenschaft bietet Cannabisanbauern einen klaren Weg nach vorn in einem zunehmend wettbewerbsintensiven Markt, in dem Effizienz und Konsistenz für den Erfolg von größter Bedeutung sind. Die Betonung auf Zugänglichkeit und Intentionalität setzt einen erfrischenden Kontrapunkt zur oft überwältigenden Welt der Big Data und der künstlichen Intelligenz und macht datengesteuerte Entscheidungsfindung für Betriebe jeder Größe erreichbar.
Über den Autor
Dr. Jason Matlock verfügt über mehr als 10 Jahre Erfahrung in der Cannabisbranche, darunter
kommerzieller AnbauPlanung und Bau von Anlagen sowie Beratung zur Unternehmensentwicklung. Er zeichnet sich dadurch aus, dass er bei der Bewältigung betrieblicher Herausforderungen wirtschaftliche, logistische und gartenbauliche Überlegungen integriert und ausgleicht. Dr. Matlock hat nachweisliche Erfolge bei der Planung und Durchführung von Forschungsversuchen mit Beteiligung von Landwirten in landwirtschaftlichen Betrieben vorzuweisen und ist in der Lage, statistische Analysen biologischer Datensätze durchzuführen und die Ergebnisse in leicht interpretierbaren Formaten zu präsentieren.
