#420: Cannabis e Machine Learning, una joint venture

I coltivatori e i venditori di cannabis stanno guadagnando e incassando con il machine learning

Indipendentemente dalla scala, i coltivatori e i venditori di cannabis stanno facendo affari in un ambiente notevolmente impegnativo. Mentre si occupano di misure regolamentari in costante evoluzione, devono anche navigare questioni di conformità lavorativa e restrizioni bancarie complesse. Oltre alle operazioni aziendali e della catena di approvvigionamento tipiche, questo mercato emergente è ancora insediato legalmente, economicamente e affronta condizioni meteorologiche sempre più severe. Di conseguenza, le aziende di prodotti cannabis e l’industria agricola in generale stanno cercando la capacità del machine learning di prevedere, ottimizzare e analizzare mentre abbracciano il futuro della tecnologia agricola.

Sfide nell’industria AgTech e cannabis

I produttori basati sulla cannabis devono affrontare questioni agricole complesse:

Coltivatori:

• Gestire parassiti e malattie
• Progettare piani nutrizionali efficienti
• Garantire condizioni ambientali ideali
• Ottimizzare la produzione mentre si minimizzano le spese generali
• Conformità regolamentare legale

Venditori:

• Comprendere e organizzare processi di distribuzione complessi
• Coordinare produttori, agricoltori, marchi e domanda dei clienti
• Prendere decisioni per la crescita e l’espansione future
• Strutture fiscali e regolamentazioni multistato

Per gestire il lato operativo della coltivazione, nonché per affrontare il lato di marketing della vendita, le aziende di prodotti cannabis possono ora sfruttare potenti dati. Questi dati alimentano software in grado di machine learning che possono prevedere il futuro attraverso algoritmi moderni e architetture di elaborazione dei dati.

Le seguenti caratteristiche degli ecosistemi basati su cloud stanno alimentando le soluzioni di machine learning:

• I sensori e l’hardware per l’estrazione delle informazioni sono più economici

  • La crescente popolarità e il successo delle soluzioni IoT rendono possibile distribuire, connettere e stabilire vaste reti di dispositivi intelligenti. Questi dati di streaming locali sono un componente cruciale per l’accuratezza dei modelli di dati predittivi.

• Le risorse di calcolo e archiviazione sono sempre più accessibili

  • La concorrenza tra i fornitori di servizi cloud invita all’innovazione e allo sviluppo a basso costo. Chiunque può costruire e distribuire soluzioni di machine learning nel cloud, a condizione di avere accesso a sufficienti dati. Inoltre, tutti i fornitori di servizi cloud utilizzano un modello di pagamento secondo l’uso, che consente ai clienti di pagare solo per ciò che utilizzano e richiedono.
    

• Gli algoritmi e i framework di elaborazione dei dati sono ampiamente disponibili

  • Molti compiti di elaborazione dei dati (dalla raccolta all’analisi) possono essere facilmente aggiornati e automatizzati con strumenti basati su cloud. Allo stesso modo, modelli di machine learning pre-addestrati e architetture di reti neurali possono essere riutilizzati utilizzando conoscenze vecchie su nuovi problemi.

Un tale ricco ecosistema di strumenti, framework e dispositivi di raccolta dati economici ha trasformato il machine learning in agricoltura in una soluzione fattibile e efficiente in termini di costo per le sfide più impegnative. Non sorprende che l’ottimizzazione guidata dai dati stia attualmente ridisegnando l’intero settore agricolo, ben oltre la coltivazione di cannabis.

Di seguito sono riportati alcuni modi brevi in cui le soluzioni di modellazione predittiva stanno essere applicate sia dai coltivatori di cannabis che dai venditori.

Per i coltivatori: modelli predittivi per miglioramenti operativi

Potenza

Comprendere con precisione la composizione chimica della pianta di cannabis è una necessità cruciale per rispettare le misure regolamentari. I modelli predittivi possono incorporare spettroscopia, tecniche di imaging a raggi X e machine learning per identificare con precisione i cannabinoidi e quindi etichettare le varietà di cannabis. Anche nei casi in cui i dati disponibili erano insufficienti, i ricercatori sono stati in grado di raggruppare le varietà di cannabis in categorie distinte (medicinale, ricreativa, combinata, industriale) in base alle loro proprietà chimiche. Tali modelli non solo consentono una migliore comprensione della potenza della cannabis in tutte le fasi della catena di approvvigionamento, ma rappresentano anche una garanzia di qualità e salute per i consumatori finali.

Previsione del raccolto

Raccogliere dati locali e in tempo reale dai raccolti (umidità, temperatura, luce) è il primo passo per comprendere sia gli ambienti di crescita artificiali che naturali. Tuttavia, sapere cosa piantare e quali azioni intraprendere durante la crescita potrebbe non essere sufficiente. Incorporare una varietà di fonti di dati e costruire modelli complessi che tengano conto di centinaia di caratteristiche (dal tipo di suolo e dalle precipitazioni alle misure di salute a livello di foglia) migliora l’accuratezza dei modelli predittivi. I modelli producono quindi stime di resa numeriche che forniscono ai coltivatori soluzioni ottimizzate per il miglior ritorno sugli investimenti.

Previsione delle minacce

Le prestazioni storiche dei raccolti non sono un indicatore affidabile per le minacce e le malattie future. Invece, modelli di previsione automatizzati possono essere utilizzati per tenere i raccolti sotto costante monitoraggio sia in ambienti naturali che artificiali. I modelli di previsione delle minacce si basano su una varietà di tecniche, che vanno dal riconoscimento delle immagini all’analisi dei dati meteorologici temporali. Ciò consente al sistema di prevedere le minacce future, rilevare anomalie e aiutare i coltivatori a riconoscere i primi segni. Agire prima che sia troppo tardi consente loro di minimizzare le perdite e massimizzare la qualità del raccolto.

Per i venditori: sfruttare i dati storici dei clienti per l’ottimizzazione del marketing e della catena di approvvigionamento

Valore del cliente nel tempo

Il valore del cliente nel tempo (CLTV) è una delle misure cruciali che influenzano gli sforzi di vendita e marketing. Gli algoritmi predittivi moderni sono già in grado di prevedere le future relazioni tra individui e aziende. Questi algoritmi possono classificare i clienti (ad esempio, spesa bassa, spesa alta, spesa media) in cluster diversi o anche prevedere stime quantificabili delle loro future spese. Una tale comprensione fine-grana dei clienti e delle loro abitudini di spesa fornisce ai venditori un modo per identificare e coltivare facilmente i clienti ad alto valore.

Segmentazione dei clienti

La segmentazione si trova alla base degli sforzi di marketing mirati. Sia le soluzioni preconfigurate che gli algoritmi personalizzati sono in grado di distinguere tra centinaia di caratteristiche dei clienti rilevanti. Queste caratteristiche possono essere progettate da tutti i tipi di fonti di dati interne ed esterne: dati di attività web, storia degli acquisti precedenti, anche dati di attività sui social media. I dati risultanti raggruppano i clienti in base a un set di caratteristiche che condividono. Ciò consente non solo la micro-targetizzazione degli sforzi di marketing, ma migliora anche l’efficienza dei canali di distribuzione.

La joint venture tra cannabis e machine learning sta facendo fumo?

Come qualsiasi impresa agricola, coltivare e vendere una coltura come la cannabis comporta una varietà di sfide. Il machine learning sta rimuovendo le barriere alla produzione e alla distribuzione efficienti. Le aziende stanno guardando oltre l’analisi manuale per analizzare i vincoli e i parametri coinvolti nelle prestazioni operative. Stanno passando al machine learning per ottimizzare i loro sforzi. Allo stesso tempo, il lato di marketing della vendita di cannabis sta diventando sempre più complesso e digitale, un altro appello a portare il potere dei big data. Mentre i gusti dei consumatori diventano sempre più sofisticati, la varietà di prodotti e la concorrenza diventano più feroci. Rimuovere l’incertezza futura in tutte queste aree con le capacità di previsione, rilevamento delle anomalie, ottimizzazione multi-variabile e altro ancora attraverso il machine learning sta aiutando le aziende di cannabis a guadagnare enormi profitti.

Viviamo in un mondo in cui i dati stanno guidando una rivoluzione in tutti i settori: il settore pubblico, la sanità, la manifattura e la catena di approvvigionamento. Gli sviluppi nel settore agricolo non fanno eccezione: le soluzioni guidate dai dati stanno guidando l’innovazione aiutando gli agricoltori con le loro decisioni più impegnative. Gli strumenti predittivi vengono utilizzati per sfruttare i dati locali raccolti in tempo reale, eliminando così la paura dell’incertezza dai processi operativi. L’ottimizzazione agricola guidata dai dati sta già ridisegnando l’intero settore della cannabis.