如今,市场上有各种各样的数据管理软件,几乎所有的养殖场都会选择其一在日常生产中使用。尽管这些软件得到了持续而广泛的应用,但并非所有的软件都意识到我们所输入数据的可靠性有多重要。
数据采集中最常见的误差
所有的养殖场都准确地记录了断奶仔猪的数量,这是最重要的生产数据。除此之外,养殖场数据采集的可靠性参差不齐。一些最常见的误差有:

- 没有记录所有的死胎。
- 将弱仔记录为死胎。
- 没有记录哺乳期仔猪死亡数量及死亡原因。
- 对仔猪死亡原因的记录不准确。
- 没有记录母猪之间仔猪寄养的情况。
- 对窝产仔数平均化,然后记录出生情况。
- 分娩后两到三天采集数据并记录此时仔猪数量。
- 无法记录或错误地记录母猪死亡的原因(比如,因跛行淘汰的母猪被记录为死亡)。
- 没有从数据库中将安乐死和淘汰的母猪去掉(幽灵母猪)。
数据采集不准确的最常见原因
大多数情况下,数据采集的问题都不是有意而为之的,只是操作者没有意识到数据可靠性的重要意义。以下是几个最常见的原因:
- 沿用了前任农场管理者的数据采集流程。
- 为了节省管理工作的时间。
- 生产奖励制度的设计有瑕疵。
- 员工获取最佳效果的自我要求不足。
- 没有立即(自动或手动)记录数据。
- 缺乏正确采集数据的培训。
- 记录数据时缺乏清晰的操作指南。
数据采集可靠性的重要意义
为提高生产数据,我们必须明确有巨大改善潜力的节点,数据的可靠性对于我们鉴别出这些重要节点非常关键。

让我们来看几个案例:
如果想提高窝断奶仔猪数,我们就要评估是降低断奶前死亡率还是增加活仔数更可行(图1)。

图 1. 增加断奶仔猪数量的决策树。
- 要增加活仔数,我们需要评估重要改善的节点是增加了产仔总数还是减少了死胎数。
- 如果没有记录全死胎数,我们可能会以为问题在于产仔总数较少(我们会重新查看授精过程中的管理流程),而当问题可能在于死胎过多时,我们应该检查分娩过程中的管理流程。
- 如果将弱胎记录为死胎,我们可能会认为问题在于活仔数较少,因此我们将采取措施降低断奶前死亡率。
- 如果寄养情况没有被记录下来,将很难分辨出哺乳期反复出现大量仔猪死亡的母猪,这些母猪应该淘汰。 由于这些母猪断奶时所带的仔猪来自其他母猪,它们较差的繁殖性能可能就无法得到关注。
- 如果我们淘汰多次返情的母猪但不记录淘汰的原因,i将会更难分辨并解决低分娩率的问题。
- 如果过多15日龄以上仔猪因挤压而死亡,我们几乎可以确定问题在于分娩舍温度的控制(舍内太冷或圈内太热)。但要明确这一问题,我们必须r记录仔猪死亡情况、死亡的真正原因以及死亡时间。
- 如果对从养殖场转移走的母猪记录不准确且没有将这些母猪从软件中删除,将会出现“幽灵猪”,即母猪不在养殖场但软件中仍然有记录。这些母猪会造成非生产天数(NPD,non-productive days)的增加,并浪费我们很长时间来寻找问题所在。
如何发现数据采集可靠性低
并非总能轻易地完全肯定地说养殖场的数据采集并没有它理应呈现的那么可靠,但有些迹象可以帮助我们发现它:
- 养殖场断奶前仔猪死亡情况最乐观,同时死胎情况最严重。这种情况下,他们是否将出生时活力低的仔猪记录为死胎?
- 养殖场出现产仔总数少且死胎数少的情况。他们是否记录了所有的死胎?
- 养殖场中不同胎次产仔总数曲线平缓(图2)。他们是否对窝产仔数均一化后才记录数据?

图 2. 每胎产仔总数。当不同胎次产仔总数曲线平缓时,我们必须验证产房数据记录的策略。
- 繁殖力分布:有没有窝产仔数比其他高出很多(常常超过25%)的?

图 3. 不同养殖场产仔总数的分布。如果出现窝产仔数超过25%的情况,我们应该检查是否对窝产仔数均一化后才记录数据。
- 如果我们分析产仔总数、活仔数和断奶数的数据偏差,产仔总数的误差值应该远高于活仔数的误差值,而活仔数的误差值友远高于断奶数的误差值(图4)。这在数据采集可靠性较低的养殖场并不常常发生。

图 4. 与产仔总数、活仔数和断奶仔数有关的繁殖力分布。
结论
管理软件的使用表现出很多的优势和实用特点,比如创建任务清单和生产报告。基于生产数据的分析,我们可以鉴别出有改善潜力的重要节点,旨在提高养殖场生产力,进而降低生产成本。

为通过使用有效的技术审查提高生产效果,输入管理软件的数据必须准确反映养殖场中发生的情况。