Realiseren van een state-of-art dataplatform met bijbehorende data infrastructuur voor een grote tomatenproducent
Agrocare
AI consultant Den Bosch
Voor kwekers, verwerkers en toeleveranciers in Noordoost-Brabant: we bouwen een dataplatform voor BI en data science, zoals voor tomatenproducent Agro Care.
Een dataplatform om alle data van Agro Care centraal beschikbaar te maken voor BI en data science
Agro Care, een van de toonaangevende tomatenproducenten van Europa, was klaar voor de volgende stap: een schaalbare en stabiele data-omgeving. Onze opdracht: een dataplatform met een datawarehouse, met Databricks.
Hoe vind je bij een klacht van een supermarkt snel de kas, de lijn en de partij?
Een retailer meldt afwijkende kleur of een kortere houdbaarheid. De kwaliteitsmanager zoekt het partijnummer op in het ERP, de sorteerdata in de machine en de labuitslag in een spreadsheet. Wij zoeken uit welke koppeling dat zoekwerk als eerste weghaalt.
Teelt-, lijn- en labdata zeggen pas iets als ze samenkomen
Eén platform voor alle data
Klimaat, oogst, sortering, orders en labuitslagen op één plek. De opdracht bij Agro Care: alle data centraal, klaar voor BI en data science.
Prognoses voor oogst en afzet
Een model op teelthistorie, weer en orders doet een voorstel voor volumes, zodat planning en verkoop eerder weten wat er binnenkomt.
Keuring met camerabeelden
Een beeldmodel beoordeelt kleur, vorm of beschadiging op de sorteer- of verpaklijn en koppelt de afkeur aan de partij.
Beheer na de livegang
Pipelines, monitoring en een vaste eigenaar, zodat cijfers en modellen blijven kloppen bij een nieuw ras, product of klantspecificatie.
We volgen één partij van kas of grondstof tot bij de klant
-
Eén partij natrekken
Met teelt, kwaliteit en planning lopen we één partij na door klimaatcomputer, sorteermachine, ERP, lab en klachtenlijst.
-
Eén vraag toetsen
Afkeur, houdbaarheid of de volumeprognose: we toetsen op partijen uit eerdere seizoenen wat het model goed en fout voorspelt.
-
Aansluiten per lijn of locatie
Wat werkt, draait op Databricks of Fabric. De volgende lijn of locatie sluit aan op dezelfde partijdata.
Past dit bij een kwekerij, verwerker of toeleverancier?
Past als
Je teelt, verwerkt of levert in de voedselketen, klimaatcomputer, sorteermachine, ERP of lab leggen al data vast, en kwaliteit of planning hangt nog af van zoekwerk in losse systemen.
Past niet als
Partijen, afkeur en klachten worden nog niet of alleen op papier vastgelegd. Een model leert dan van te weinig. De eerste stap is een betere registratie, met afspraken over wie wat vastlegt.
Waar de omvang van afhangt
Het aantal bronnen en locaties, hoeveel seizoenen historie er is, een bestaand platform of nog niet, en wie het beheer doet: jullie eigen team of wij.
Te weinig seizoenen historie?
Een oogstprognose leert van eerdere teelten. Zijn er pas een of twee seizoenen vastgelegd, dan begin je met het platform en dashboards, en komt het model als de historie groeit.
Eerst het dataplatform, een voorspelling of kwaliteitscontrole met beelden?
Eerst het dataplatform
Kies dit als teelt-, lijn- en orderdata in losse systemen en spreadsheets staan. Ons advies: begin hier als elke vraag eerst zoekwerk kost. Zie data- en AI-platform.
Eerst een voorspelling
Kies dit als de data al samenkomt en planning of verkoop vooruit wil kijken naar oogst of vraag. Een model uit data science doet dan een voorstel.
Eerst kwaliteitscontrole met beelden
Kies dit als mensen aan de sorteer- of verpaklijn met het oog keuren en er plek is voor een camera. Lees wat computer vision daarvoor vraagt.
Het dataplatform en de modellen erop komen uit hetzelfde team
Sinds 2016 helpt Data Science Lab organisaties met data en AI. Als Databricks Partner en Microsoft Partner ontwerpen we het platform en bouwen we de modellen die erop draaien. Nieuwe ideeën proberen collega’s uit in ons interne lab.
Eén product en één vraag kiezen we samen in het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef Stoelwinder is je eerste aanspreekpunt. In het eerste gesprek bespreken we de bronnen in kas, lijn of lab en kiezen we de eerste vraag. Dat kan bij jou, bij ons in Amsterdam of online.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welke partij, lijn of klacht zoeken we nu nog met de hand uit?
Beschrijf de vraag in teelt, verwerking of afzet. Je krijgt antwoord per mail, of we plannen een eerste gesprek, bij jou, bij ons of online.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Bij telers komt data uit de klimaatcomputer, zoals temperatuur, licht, watergift en energie, uit de gewasregistratie en uit de sorteermachine, die gewicht en klasse per partij vastlegt. Bij verwerkers komt ze uit het ERP, de lijnbesturing, het laboratorium en de HACCP-registraties, de vastgelegde controles op voedselveiligheid.
Die bronnen draaien vaak bij verschillende leveranciers, soms in de cloud van de machinebouwer. Het eerste werk is uitzoeken wat je kunt exporteren of via een API kunt ophalen, en hoe vaak.
De Europese algemene levensmiddelenverordening (178/2002) vraagt dat je minstens je directe leverancier en je directe afnemer kunt aanwijzen: één stap terug, één stap vooruit. Wil je bij een klacht ook weten uit welke kas, van welke lijn en met welke grondstof een product kwam, dan moet je intern partijnummers aan elkaar koppelen.
Op een dataplatform wordt het partijnummer de sleutel tussen teeltregistratie, sorteermachine, ERP, labuitslagen en klachten. Meestal zit het werk niet in de techniek, maar in de afspraak wie welk nummer wanneer vastlegt. Dat hoort bij data governance.
Een beeldmodel leert van gelabelde voorbeelden: goed of afgekeurd (classificatie), of waar een beschadiging zit (detectie en segmentatie). Of het werkt, hangt af van de lastige gevallen: natte producten, glans, een nieuw ras of een andere verpakking. Die horen in de trainings- en testset.
Leg vooraf vast welke fout erger is: een gemiste afwijking of goed product dat wordt afgekeurd. Na de livegang controleert iemand regelmatig een steekproef, zodat je merkt wanneer het model gaat afwijken. Zo’n model houden we draaiende via beheer en doorontwikkeling.
Ja, als er genoeg vergelijkbare seizoenen zijn vastgelegd. Een model voor oogstvolume rekent met plantdatum, ras, licht, temperatuur en de oogst tot nu toe in de teelt. Voor de afzet komen orders, acties van retailers en het weer erbij. Hoe retailers zelf naar vraag en voorraad kijken, lees je bij data en AI voor retail.
Vergelijk elke voorspelling met een eenvoudige maatstaf, zoals dezelfde periode vorig jaar. Wint het model daar niet van, dan is het nog geen verbetering. Bij een nieuw ras is er weinig historie; laat de teler dan meekijken als controle.
Op onze site staat geen case van een bedrijf uit Den Bosch of Noordoost-Brabant. Een van onze agrifoodcases is Agro Care, een van de toonaangevende tomatenproducenten van Europa, met het hoofdkantoor in Wateringen.
We hebben ook geen vestiging in Brabant: ons enige kantoor staat aan de Westerdoksdijk in Amsterdam. Afspreken kan bij jou, bij ons of via een videogesprek.
De Jheronimus Academy of Data Science (JADS) is een samenwerking van de provincie Noord-Brabant, de gemeente ’s-Hertogenbosch, Tilburg University en de TU/e, met de Mariënburg-campus in Den Bosch. Binnen het thema AgriFood & Nature brengt JADS onderzoek, onderwijs en bedrijven samen.
Op 28 januari 2026 ging daar Data*Grow van start, van Growers United, LetsGrow.com, de Open Universiteit en JADS, over data in de hightech groente- en fruitteelt. Daar gebeuren onderzoek en opleiding. Wij bouwen de toepassing in je eigen bedrijf en houden die in productie.
AgriFood Capital, de regionale ontwikkelmaatschappij van Noordoost-Brabant, zit op de Agri&Food Plaza in Den Bosch. Met Brainport Development voert het Next Tech Food Factories uit, waarin voedselverwerkers, hightech leveranciers en machinebouwers digitale technologie ontwikkelen en testen, zoals slimme sensoren, kunstmatige intelligentie en robots.
Het MKB Team Noordoost-Brabant maakt met ondernemers een actieplan, onder meer rond data, AI en cyber. Zulke programma’s helpen verkennen, testen en partners vinden. Wat wij doen, is het platform of model bouwen dat daarna in je eigen proces draait.
Als het probleem in de registratie zit. Wie partijen met de hand of te laat invoert, krijgt van een model alleen sneller verkeerde antwoorden. Begin dan bij de invoer. Gaat het vooral om wat er gisteren gebeurde, dan is een Power BI-dashboard op de bestaande data genoeg.
Meet een weegschaal of kleursorteerder al wat je wilt weten, dan heb je geen camera met model nodig. En wil je alleen verkennen of iets technisch kan, dan past een fieldlab van een regionaal programma soms beter dan een adviestraject.