Voedselfraude aan banden gelegd met Big Data

Gesjoemel in de voedselindustrie is voor jou, veel andere bedrijven in de keten en de overheid een hoofdpijndossier. Je wilt juist de risico’s rondom voedselfraude zoveel mogelijk beperken. Frauduleuze praktijken, zoals bijvoorbeeld onjuist etikettering en het zonder vermelding vervangen van duurdere ingrediënten door goedkopere, blijven echter aan het licht komen.

Recent onderzoek van de Consumentenbond wijst uit dat bij 21% van de onderzochte producten afwijkingen zijn aangetroffen. Drie jaar na het paardenvleesschandaal blijken er nog altijd grote verbeteringen mogelijk. De belangrijkste vraag daarbij is: hoe kunnen we voedselfraude in de toekomst beperken en het eenvoudiger opsporen waardoor de grip erop wordt vergroot? Big Data kan een bruikbaar middel zijn

Wat is Big Data?

Voordat we dieper ingaan op de rol die Big Data kan spelen in het bestrijden van voedselfraude, kijken we eerst naar wat Big Data precies is. Er bestaan verschillende definities van Big Data, maar de volgende drie factoren hebben ze
allemaal gemeen.

• de hoeveelheid data
• de snelheid waarmee de data binnenkomen en/of opgevraagd worden
• de diversiteit van de data. De data zijn zo complex en uitgebreid dat ze niet in een traditionele database kunnen worden opgeslagen. Mede omdat het bij Big Data gaat over het combineren van gestructureerde en ongestructureerde data.

VAT op Big Data

Let wel: Big Data heeft zonder de juiste context geen betekenis. Pas wanneer u data bewust analyseert kun je waarde toekennen aan de grote bulk aan informatie. Maar hoe krijgt u VAT op deze enorme datastromen? Drie randvoorwaarden:

• Validiteit: Kloppen de waarden van de data? Dat is waar het om gaat bij validiteit. Wanneer je bijvoorbeeld de omtrek van een boom meet, dan is de plek waar je meet relevant. In Europa is de afspraak dat op 1.30 meter boven de grond gemeten wordt. Wanneer gemeten waardes op een andere hoogte zijn gemeten dan zijn ze niet valide, hoewel de meting op zichzelf heel accuraat kan zijn. De waarden die aan data gekoppeld zijn, zijn daarom heel belangrijk om de juiste analyses te maken.

• Alignment: Iedereen gebruikt verschillende terminologie en eenheden om data te duiden, terwijl het uiteindelijk hetzelfde betekent. Denk bijvoorbeeld aan verschillende benamingen voor dezelfde stof of het registreren van waardes in grammen of kilogrammen. Om data betrouwbaar te analyseren is het belangrijk data uniform te maken met de juiste classificatie en kenmerken.

• Transparantie: Niet alle data is toegankelijk vanwege vertrouwelijkheid en concurrentiegevoeligheid. Het open uitwisselen van relevante data met ketenpartners of andere stakeholders verhoogt de analysemogelijkheden en vergroot het inzicht.

Big Data als bestrijdingsmiddel in voedselfraude

Big Data kan een grote rol spelen in het opsporen en beperken van voedselfraude. Neem bijvoorbeeld een van de randvoorwaarden om VAT te krijgen op data: transparantie. Een fraudeur zal niet geneigd zijn om transparant te werken. Wat als alle partijen om de fraudeurs heen wél transparantie bieden door hun data- en informatiestromen met
elkaar te delen? Denk je niet dat het fraudegevallen aan de oppervlakte kan brengen?

Neem bijvoorbeeld het paardenvleesincident. Stel dat er bij bedrijf X op basis van het combineren van beschikbare data is vast te stellen dat er dagelijks 100 kilogram rundvlees wordt aangevoerd en dat er vervolgens 120 kilogram verwerkt rundvleesproduct wordt afgevoerd. Als dat niet met elkaar matcht dan weet je dat er iets niet klopt.  Met behulp van het op de juiste manier inzetten van data en het uitwisselen van deze gegevens kan een mogelijk fraudegeval al eerder in de voedselketen ontdekt worden en krijg je meer grip op voedselveiligheid.

Uiteraard is alleen transparantie niet voldoende en zal ook aan validiteit en alignment voldaan moeten worden om uiteindelijk het gewenste resultaat te behalen en te voorkomen dat data verkeerd wordt geïnterpreteerd. Het toont wel aan dat Big Data van toegevoegde waarde is bij het opsporen en voorkomen van voedselfraude.

Meer weten over hoe data u kan helpen om grip te krijgen op voedselfraude en voedselveiligheid? In het whitepaper ‘Alert op voedselveiligheid in food en feed’ geven we tips om meer uit uw data te halen — download het whitepaper nu!