#420: Cannabis und Machine Learning, ein Joint Venture

Cannabis-Anbauer und -Verkäufer kommen mit Machine Learning ins Rollen und machen Umsatz

Unabhängig von der Größe kommen Cannabis-Anbauer und -Verkäufer in einem bemerkenswert herausfordernden Umfeld Geschäfte machen. Während sie mit ständig wechselnden regulatorischen Maßnahmen zu kämpfen haben, müssen sie auch komplexe Arbeitsrechtfragen und Bankbeschränkungen meistern. Neben den typischen Geschäfts- und Lieferkettenoperationen ist dieser aufstrebende Markt rechtlich, wirtschaftlich und angesichts zunehmend schwerer Wetterbedingungen noch immer unruhig. Als Ergebnis suchen Cannabis-Produktunternehmen und die Landwirtschaft im Allgemeinen nach Machine Learnings Fähigkeit, vorherzusagen, zu optimieren und zu analysieren, während sie die Zukunft der landwirtschaftlichen Technologie annehmen.

Herausforderungen in der AgTech- und Cannabis-Industrie

Cannabis-basierte Produzenten müssen komplexe landwirtschaftliche Probleme meistern:

Anbauer:

• Schädlinge und Krankheiten bekämpfen
• Effiziente Ernährungspläne entwerfen
• Ideale Umweltbedingungen sicherstellen
• Die Ausbeute optimieren und die Overhead-Kosten minimieren
• Rechtliche regulatorische Einhaltung

Verkäufer:

• Komplexe Vertriebsprozesse verstehen und organisieren
• Hersteller, Bauern, Marken und Kundenbedarf koordinieren
• Entscheidungen für zukünftiges Wachstum und Expansion treffen
• Mehrstufige Steuerstrukturen und -vorschriften

Für die Bearbeitung der betrieblichen Seite des Anbaus sowie für die Bearbeitung der Marketing-Seite des Verkaufs können cannabis-basierte Produktunternehmen nun leistungsstarke Daten nutzen.Diese Daten betreiben machine-learning-fähige Software, die die Zukunft vorhersagen kann, indem sie moderne Algorithmen und Datenverarbeitungsarchitekturen nutzen.

Die folgenden Merkmale von Cloud-Ökosystemen ermöglichen Machine-Learning-Lösungen:

• Sensoren und Hardware für die Informationsgewinnung sind günstiger

  • Die zunehmende Popularität und der Erfolg von IoT-Lösungen ermöglichen es, umfangreiche Netze von intelligenten Geräten zu deployen, zu verbinden und zu etablieren. Diese lokalisierten Datenströme sind ein entscheidender Bestandteil für die Genauigkeit von Vorhersagemodellen.

• Rechen- und Speicherressourcen sind immer erschwinglicher

  • Der Wettbewerb zwischen Cloud-Anbietern fördert Innovation und Entwicklung zu niedrigen Kosten. Jeder kann ML-Lösungen in der Cloud erstellen und deployen, solange er Zugang zu ausreichenden Daten hat. Darüber hinaus verwenden alle Cloud-Anbieter ein pay-as-you-go-Modell, das es den Kunden ermöglicht, nur für das zu zahlen, was sie nutzen und benötigen.

• Algorithmen und Datenverarbeitungsframeworks sind weit verbreitet

  • Viele Datenverarbeitungsaufgaben (von der Erfassung bis zur Analyse) können leicht mit Cloud-basierten Tools aktualisiert und automatisiert werden. Ebenso können vorgefertigte ML-Modelle und neuronale Netzwerkarchitekturen mit altem Wissen auf neue Probleme angewendet werden.

Ein solches reiches Ökosystem an Tools, Frameworks und günstigen Datenerfassungsgeräten hat ML in der Landwirtschaft zu einer machbaren, kosteneffizienten Lösung für die härtesten Herausforderungen gemacht. Kein Wunder, dass datengetriebene Optimierung derzeit den gesamten Agrarsektor neu gestaltet, weit über den Cannabis-Anbau hinaus.

Nachfolgend einige kurze Beispiele, wie Vorhersagemodell-Lösungen von beiden Cannabis-Anbauern und -Verkäufern eingesetzt werden.

Für Anbauer: Vorhersagemodelle für betriebliche Verbesserungen

Potenz

Ein genaues Verständnis der chemischen Zusammensetzung der Cannabis-Pflanze ist eine entscheidende Notwendigkeit, um regulatorische Maßnahmen zu respektieren. Vorhersagemodelle können Spektroskopie, Röntgenbildgebungstechniken und Machine Learning einsetzen, um Cannabinoide genau zu identifizieren und damit Cannabis-Sorten zu kennzeichnen. Selbst in Fällen, in denen die verfügbaren Daten unzureichend waren, konnten Forscher Cannabis-Sorten in verschiedene Kategorien (medizinisch, Freizeit, kombiniert, industriell) nach ihren chemischen Eigenschaften einordnen. Solche Modelle ermöglichen nicht nur ein besseres Verständnis der Cannabis-Potenz in allen Stufen der Lieferkette, sondern stellen auch eine Sicherheits- und Gesundheitsgarantie für die Endverbraucher dar.

Ertragsvorhersage

Die Erfassung von lokalisierten, Echtzeit-Daten von Pflanzen (Feuchtigkeit, Temperatur, Licht) ist der erste Schritt, um sowohl künstliche als auch natürliche Wachstumsbedingungen zu verstehen. Allerdings reicht es nicht aus, zu wissen, was angebaut und welche Maßnahmen während des Wachstums zu ergreifen sind. Die Einbeziehung verschiedener Datenquellen und die Erstellung komplexer Modelle, die hundreds von Merkmalen (von Bodentyp und Niederschlag bis hin zu Maßen für die Gesundheit der Blätter) berücksichtigen, verbessert die Genauigkeit von Vorhersagemodellen. Die Modelle geben dann numerische Ertragschätzungen aus, die den Bauern optimierte Lösungen für die beste Rendite liefern.

Bedrohungsvorhersage

Die historische Leistung von Pflanzen ist kein zuverlässiger Indikator für zukünftige Bedrohungen und Krankheiten. Automatisierte Vorhersagemodelle können verwendet werden, um Pflanzen in natürlichen und künstlichen Umgebungen ständig zu überwachen. Bedrohungs-Vorhersagemodelle verlassen sich auf eine Vielzahl von Techniken, von Bilderkennung bis hin zur Analyse von Wetterzeitreihendaten. Damit ermöglichen sie es dem System, zukünftige Bedrohungen vorherzusagen, Anomalien zu erkennen und den Bauern zu helfen, frühe Anzeichen zu erkennen. Das Ergreifen von Maßnahmen, bevor es zu spät ist, ermöglicht es ihnen, Verluste zu minimieren und die Pflanzenqualität zu maximieren.

Für Verkäufer: Historische Kunden-Daten für Marketing- und Lieferketten-Optimierung nutzen

Kundenlebenswert

Kundenlebenswert (CLTV) ist eines der entscheidenden Maße, die Verkaufs- und Marketingbemühungen beeinflussen. Moderne Vorhersage-Algorithmen können bereits zukünftige Beziehungen zwischen Einzelpersonen und Unternehmen vorhersagen. Diese Algorithmen können Kunden entweder in verschiedene Klassen (z. B. geringe Ausgaben, hohe Ausgaben, mittlere Ausgaben) einordnen oder sogar quantifizierbare Schätzungen ihrer zukünftigen Ausgaben vorhersagen. Ein solches feines Verständnis von Kunden und ihren Ausgabegewohnheiten bietet Verkäufern eine Möglichkeit, leicht hochwertige Kunden zu identifizieren und zu pflegen.

Kunden-Segmentierung

Segmentierung liegt an der Grundlage gezielter Marketingbemühungen. Sowohl vorgefertigte Lösungen als auch maßgeschneiderte Algorithmen können zwischen hunderten von relevanten Kundenmerkmalen unterscheiden. Diese Merkmale können aus allen Arten von internen und externen Datenquellen erstellt werden: Web-Aktivitätsdaten, Kaufhistorie, sogar soziale Medien-Aktivitäten. Dieses Ergebnis ermöglicht es, Kunden nach einer Reihe von Merkmalen zu gruppieren, die sie teilen. Damit lassen sich nicht nur gezielte Marketingbemühungen durchführen, sondern auch die Effizienz der Vertriebskanäle verbessern.

Ist das Joint Venture zwischen Cannabis und Machine Learning nur Rauch?

Wie jedes landwirtschaftliche Unterfangen kommt der Anbau und Verkauf einer Pflanze wie Cannabis mit einer Vielzahl von Herausforderungen. Machine Learning entfernt die Barrieren für effiziente Produktion und Verteilung. Unternehmen schauen über manuelle Analysen hinaus, um die Einschränkungen und Parameter zu analysieren, die an der betrieblichen Leistung beteiligt sind. Sie wechseln zu Machine Learning, um ihre Bemühungen zu optimieren. Gleichzeitig wird die Marketing-Seite des Cannabis-Verkaufs immer komplexer und digitaler, ein weiterer Anruf, um die Macht von Big Data zu nutzen. Da die Vorlieben der Verbraucher immer raffinierter werden und die Vielfalt der Produkte und der Wettbewerb immer heftiger wird, hilft die Beseitigung zukünftiger Unsicherheiten in all diesen Bereichen durch die Fähigkeiten von Vorhersage, Anomalie-Erkennung, Multi-Variablen-Optimierung und mehr durch Machine Learning den Cannabis-Unternehmen, enorme Gewinne zu erzielen.

Wir leben in einer Welt, in der Daten eine Revolution in allen Branchen anführen: öffentlicher Sektor, Gesundheit, Fertigung und Lieferkette. Entwicklungen im Agrarsektor sind keine Ausnahme: datengetriebene Lösungen treiben Innovationen voran, indem sie den Bauern bei ihren schwierigsten Entscheidungen helfen. Vorhersage-Tools werden verwendet, um lokale Daten in Echtzeit zu nutzen, damit Unsicherheit aus betrieblichen Prozessen entfernt wird. Digitale, datengetriebene landwirtschaftliche Optimierung gestaltet bereits den gesamten Cannabis-Markt um.