Prepara tu próxima cosecha.
Anticipa el corte. Organiza las cajas y el equipo con tiempo.
Así se repartiría el corte.
| Día de corte | Volumen total | Comercial | Personas |
|---|
El cuajado bajó. Revisa este sector.
En dos grupos de flores seguidos hasta evaluar cuajado, pasó de 80 de 100 a 60 de 100: una reducción de 20 puntos porcentuales.
Repite el muestreo y revisa polinización, riego y condiciones de floración con tu asesor. Registra lo que encuentres para decidir el ajuste.
Ver el muestreo que originó la alerta
Son dos grupos comparables del mismo sector dentro del caso ficticio. La categoría «atención media» es ilustrativa. Esta observación orienta la revisión y no atribuye por sí sola una causa ni descuenta kilos del plan.
Un plan para tu próxima semana.
De dónde sale este plan y cómo se adaptaría a tu huerto
En esta demostración
La proyección inicial de 1,850 kg, el 86% comercial y la variación de ±200 kg son supuestos del caso. El margen es un escenario de sensibilidad, no un intervalo estadístico de confianza. Cambiar los supuestos recalcula los recursos.
El corte se calcula sobre todo el volumen; las cajas, sobre la parte comercial. Las cajas son el mínimo por volumen total: al empacar por día o presentación puede hacer falta redondear por separado. No incluye personal de selección, empaque o transporte.
Las jornadas redistribuyen el mismo volumen: no simulan un cambio de maduración. La calidad comercial es una proporción supuesta; no se diagnostica con temperatura o humedad.
Para operar en tu huerto
El estudio inicial combina variedad, estructura y edad de las plantas, muestreos de floración, cuajado y madurez, clima, cosechas y criterios comerciales del comprador. Con el asesor se establecen referencias y se contrastan las estimaciones con el corte real.
La arquitectura propuesta reúne ese historial por lote y fecha, entrena modelos de Machine Learning en Python y entrega predicciones mediante una API. Las reglas operativas convierten la estimación en recursos. La precisión se comprueba con periodos y huertos que el modelo no haya visto.
Los sensores aportan condiciones ambientales; los muestreos de campo aportan información de frutos. El demo de sensores y este caso de cosecha son escenarios separados.