Desde el terreno

La infraestructura que ha hecho posible diez años de impacto

La infraestructura que ha hecho posible diez años de impacto

21 de julio de 2026 / Fundación Avícola Mundial / Compartir:

Diez años después: lo que nos ha enseñado el programa « PMI » sobre cómo crear sistemas avícolas sostenibles 

La Iniciativa de Multiplicación Avícola (PMI) es el modelo de programa insignia de « Fundación Avícola Mundial» (WPF), un enfoque impulsado por el sector privado que fomenta el desarrollo de cadenas de valor avícolas autosuficientes en las comunidades rurales. En esencia, el modelo funciona a través de una cadena sencilla: las incubadoras producen pollitos de un día, las unidades de cría los crían durante cuatro a seis semanas y los pequeños productores compran esas aves jóvenes para criarlas con el fin de obtener huevos y carne. Cada eslabón de la cadena es un negocio real que genera ingresos reales, y esa lógica comercial es lo que hace que el modelo sea sostenible mucho después de que finalice la participación directa de « WPF».

Un elemento fundamental del modelo « PMI » es la raza avícola de doble propósito (DPP), una raza que se sitúa a medio camino entre las razas comerciales y las gallinas autóctonas locales. Las aves de la raza « DPP » crecen más rápido que las gallinas de pueblo, producen más huevos y se desarrollan bien en entornos rurales con pocos recursos. La introducción de esta raza en nuevos mercados y la creación de las cadenas de valor que la respalden es la labor del programa « PMI ». Suena sencillo. En la práctica, rara vez lo es.

Tras una década de funcionamiento del programa « PMI », el equipo de « WPF » ha aprendido más de lo inesperado que de cualquier cosa que saliera según lo previsto. Hemos pedido a miembros del equipo de los ámbitos de programas, finanzas, datos y operaciones sobre el terreno que compartan los retos que no vieron venir y cómo esos retos han cambiado, en última instancia, nuestra forma de trabajar. Esta es la segunda parte de una serie de tres artículos sobre los retos y oportunidades imprevistos del programa « PMI » durante los últimos diez años. En esta entrega, analizamos cómo el programa evalúa, aprende y se adapta a través de los sistemas de datos y la supervisión financiera.

Por: Thierry Binde, Tokozile Ngwenya y Earl Pearce

Parte 2: La infraestructura que sustenta diez años de impacto – Cómo el programa mide, aprende y se adapta a través de sistemas de datos y supervisión financiera.

Un programa puede estar bien diseñado y ejecutarse correctamente y, aun así, no ser capaz de aprender de sí mismo. Los miembros del equipo que aparecen en esta entrega se dedican al ámbito de los datos y el análisis, y lo que han constatado, una y otra vez, es que la calidad de la información que circula por un programa es tan importante como la calidad del trabajo que se realiza sobre el terreno.

Los datos te dicen lo que pasó. Los agricultores te dicen por qué.

Thierry Binde imparte un curso de formación sobre datos dirigido a los representantes del servicio de campo.

Para Thierry Binde, analista de MEL, la lección más valiosa de los últimos años ha sido aprender a interpretar dos conjuntos de datos a la vez.

«CommCare me proporcionó una gran visibilidad operativa», afirma. «Pero cuando escuché directamente a los agricultores a través de la encuesta de opinión, descubrí discrepancias entre los datos del sistema y la opinión de los agricultores». Las actividades se registraban, pero los comentarios de los agricultores a veces ponían de manifiesto lagunas en la forma en que se percibía realmente el apoyo sobre el terreno.

Esta reflexión propició un cambio en la forma de utilizar los datos en todo el programa, pasando de la mera presentación de informes al aprendizaje. «Empecé a trabajar de forma más deliberada en la creación de un ciclo de uso de datos: recopilar, revisar, interpretar, debatir, actuar y verificar», afirma Thierry. «Un panel de control solo resulta útil cuando las personas confían en él, lo entienden y disponen de un espacio estructurado para utilizarlo».

Su enfoque combina ahora el análisis de Power BI con la revisión periódica de las encuestas de opinión. «No nos basamos únicamente en un conjunto de datos o en un indicador. Comparamos los datos de seguimiento rutinarios, las conclusiones de las encuestas de opinión y la realidad sobre el terreno antes de sacar conclusiones».

La lección general, afirma, es aparentemente sencilla: «Los sistemas de datos no generan aprendizaje por sí solos. El aprendizaje se produce cuando los datos rutinarios, la opinión de los agricultores y el criterio del programa se unen en un mismo diálogo».

Los datos limpios no surgen por casualidad.

La calidad de los datos comienza sobre el terreno, y Tokozile Ngwenya, coordinadora de CommCare en « WPF», ha sido testigo de lo que ocurre cuando esa base no es sólida.

Uno de los mayores retos en materia de calidad de los datos fueron los registros duplicados de los ganaderos: los FSR introducían a un mismo ganadero varias veces con variaciones en la ortografía del nombre o en los números de teléfono. Los efectos se agravaron rápidamente. Resultaba difícil hacer un seguimiento de la evolución de los ganaderos, ya que los registros de sus rebaños no podían vincularse a un único ganadero. La presentación de informes se fragmentó. La producción y la participación de un mismo ganadero podían aparecer en diferentes perfiles, lo que hacía casi imposible relatar su historia con precisión.

La respuesta fue tanto técnica como cultural. Se incorporaron nuevas reglas de validación en CommCare, lo que obligaba a los FSR a comprobar si ya existía un agricultor en el sistema antes de registrarlo. Pero Tokozile dejó claro que la tecnología por sí sola no era la solución. «La formación por sí sola no basta. Los recordatorios constantes, la tutoría y el refuerzo sobre el terreno son igual de importantes».

Surgió un problema relacionado con el cierre de las partidas avícolas. Muchos FSR no cerraban formalmente las partidas en CommCare después de que las aves se hubieran vendido o perdido porque, desde su punto de vista, una vez que las aves ya no estaban, no había motivo para volver y registrar el resultado. El resultado fue una importante laguna en la capacidad del programa para mostrar los precios de venta reales, los ingresos generados y el éxito de los ganaderos.

«Cuando explicamos por qué son importantes los datos sobre el cierre de los rebaños, no solo para la presentación de informes, sino también para demostrar su impacto, el cumplimiento mejoró significativamente», afirma Tokozile. «Los buenos sistemas de datos no solo se basan en la tecnología, sino también en las personas, los comportamientos y los hábitos».

Las cifras no se quedan quietas

Earl Pearce se reúne con un agente de servicio de campo durante una visita a un agricultor en Zambia.

Para el analista de datos Earl Pearce, la sorpresa no estaba sobre el terreno, sino en la hoja de cálculo.

Procedente del sector de la cría comercial de pollos de engorde, Earl estaba acostumbrado a trabajar con datos limpios, coherentes y completos: visitas semanales a las manadas, seguimiento del rendimiento por edades y posibilidad de realizar análisis a nivel de manada con una regularidad fiable. Los datos de campo de « DPP » funcionan de forma muy diferente.

«Las visitas son irregulares», afirma. «Básicamente, se obtienen instantáneas de lo que ha ocurrido basándose en una estimación aproximada de la semana anterior. No se recogen datos de todas las edades. No siempre es el mismo día de la semana. Las unidades de cría se visitan con más frecuencia, pero solo permanecen en la granja entre cuatro y seis semanas. Los SSP solo se visitan unas pocas veces a lo largo de toda su vida útil porque, sencillamente, hay muchísimas manadas».

El resultado es que el análisis significativo debe realizarse a un nivel superior, calculando la media de las edades comunes, basándose en la regresión tras eliminar los valores atípicos y analizando el mismo indicador según múltiples definiciones. Hay que trabajar con lo que hay, en lugar de con lo que podría ofrecer un sistema más depurado.

«Mi primera reacción fue de pánico», admite Earl. «Pero luego pensé: “Este va a ser uno de los problemas más exigentes desde el punto de vista analítico, y más emocionantes, en los que he trabajado, y sigue siéndolo”».

Así es, en realidad, lo que son diez años.

Tras una década de funcionamiento, el modelo « PMI » funciona porque las personas que lo impulsan crearon las herramientas necesarias para detectar cuándo no funcionaba. Lo que Thierry, Tokozile y Earl han descrito cada uno de ellos es la infraestructura que hace posible ese aprendizaje: sistemas que detectan los problemas de forma temprana y datos que permiten obtener una imagen clara de lo que está sucediendo sobre el terreno.

Lo que no ha cambiado es la lógica fundamental: crear cadenas de valor avícolas en el sector privado que generen ingresos reales, mejoren la nutrición y sigan creciendo mucho después de que finalice la participación directa de WPF. Para lograrlo se necesita precisamente lo que este equipo ha construido: no solo buenos programas, sino buenos sistemas que permitan saber si esos programas están funcionando.

CATEGORÍA

UBICACIÓN