Nicholas Woon, co-founder dan direktur perusahaan teknologi Acuris Systems, memaparkan tentang operasi bisnisnya dalam mode startup dan rencananya untuk masa depan.Bisnis yang dijalankan oleh Matthew Warner dan Nicholas Woon diawali dengan mendirikan Acuris Systems, sebuah analytics and automation company yang berbasis di Auckland, pada akhir tahun 2016. Petani buah Kiwi di sana membuat keputusan penting yang berdampak pada kualitas hasil panen mereka dan pada akhirnya mempengaruhi hasil musim mereka di area besar kebun mereka, dari informasi yang terbentuk dari ukuran sampel kecil.

Sehingga Matthew Warner dan Nicholas Woon tergerak untuk menyediakan pemindaian populasi penuh yang dapat memberikan gambaran lengkap tentang tanaman mereka kepada petani dan memungkinkan mereka membuat keputusan berdasarkan data untuk mengoptimalkan hasil dan mengurangi risiko.

Cara Acuris system memindai Buah kiwi dengan menggunakan sistem robotik, untuk secara otonom menangkap data buah dalam jumlah besar dan kemudian memproses data ini untuk membentuk informasi kebun yang berkualitas tinggi dan akurat – semua dalam waktu yang tepat yang memberikan wawasan dan kekuatan kepada penumbuh untuk membuat keputusan dari kebenaran dasar yang pasti.

Latar belakang dan motivasi Matthew Warner dan Nicholas Woon dalam menggarap bisnis ini ialah, saat mereka berbicara dengan petani buah kiwi dan yang lain di industri ini, Matthew Warner dan Nicholas Woon menemukan ada masalah besar dalam jumlah data yang terbatas dalam metode tradisional untuk menangkapnya sehingga Matthew Warner dan Nicholas Woon memutuskan untuk mengubahnya.

Data kualitas adalah konsumsi pertanian presisi, dan disini Matthew Warner dan Nicholas Woon melihat tidak ada solusi yang tepat untuk mengumpulkan data dalam jumlah besar di pasar.

Lantas, untuk current status Acuris saat ini, Matthew Warner dan Nicholas Woon sedang dalam mode startup, pra-pendapatan. Matthew Warner dan Nicholas Woon sudah memiliki tiga perusahaan yang mendaftar pada pilot program yang mereka usung, yang akan diluncurkan pada pertengahan September tahun ini, guna melayani total 100 hektar.
Di Indonesia sendiri terkadang hasil bumi yang dapat dipanen antar daerah waktunya dapat berbeda, dapat lebih lambat atau lebih cepat. Seperti Panen jagung yang berbeda di daerah Lamongan dan Kediri. Beberapa petani berasumsi jika hasil bumi mereka baru dapat dipanen beberapa saat lebih lambat dari tempat lain pasti ada hama yang mengganggu hasil bumi tersebut, sehingga mereka mengalokasikan dana tambahan untuk membeli racun pembasmi hama.
Padahal, tidak selamanya itu semua karena hama, bisa dipengaruhi jenis tanah, berapa tunas yang ada di sebuah tanaman tersebut, kurangnya perairan, dan lain sebagainya.
Sehingga Produk alat pemindai ini merupakan jawaban dari atas segala keresahan petani untuk memberikan kejelasan secara science dan technology tentang keadaan kondisi tanaman, tidak semata-semata semua kualitas hasil bumi yang tak bagus karena hama.

Produk pemindai tanaman ini semakin cocok untuk diterapakan di pertanian Indonesia apabila dilengkapi dengan sensor tumbuhan yang terhubung langsung dengan saluran irigasi. Sehingga ketika alat pemindai mendeteksi bahwa Jagung di Kediri kekurangan zat hara, maka sensor tersebut memberikan signal pada sistem irigasi, dan secara otomati air dari saluran irigasi terbuka dan keluar secara otomatis untuk mengairi sawah, sehingga petani tak perlu repot-repot untuk merawat pertanian mereka.

Hal ini pun dapat digunakan untuk meningkatkan “kualitas hidup” petani-petani di Indonesia lainnya, karena dengan menyediakan data analitis mendalam dari area tanaman utama, seperti; jumlah dan kepadatan tunas / bunga, jumlah dan kerapatan buah, kualitas tanaman secara keseluruhan, deteksi dini penyakit, ramalan pertumbuhan tanaman dan kualitas menggunakan data dari tanaman sebelumnya.

Untuk kedepannya, mungkin dapat dikembangkan dengan sering dan berkala alat pemindai tersebut dalam menangkap hasil pemindaiannya dalam 3D dan memanfaatkan algoritme pembelajaran mesin, agar perangkat lunak dapat dengan dinamis mengidentifikasi titik data yang relevan dengan akurasi yang lebih besar. Ketika perangkat lunak beroperasi, ia akan melatih kembali jaringan syaraf dan dengan demikian akan dapat mempertanggungjawabkan perubahan pada tanaman.

Hal ini tentu dapat menjadi alat untuk menganalisis suatu kerja dari metabolisme dan keadaan tumbuhan. Sehingga kedepannya petani Indonesia dapat dengan akurat dan efisien dalam mengambil tindakan atau sebuah keputusan guna dapat mendapatkan hasil panen sesuai dengan yang direncanakan dan yang diharapkan.

Di Asia tenggara, banyak sekali opportunities untuk terus tumbuh danberkembang khususnya pada infrastruktur juga mobilisasi tenaga kerja pada sektor ekonomi. Di sini Gojek khususnya GO Ride hadir. Namun, tak hanya sampai disitu saja, layanan nyata berbasis aplikasi ini kian  berkembang, awalnya hanya Go Ride menjadi meluas pada layanan Go Send, Go Mart, juga Go Food. Hal ini tentu sangat memudahkan penggunanya.

Tentu saja, Go Jek memang memiliki preciseable demand, namun dibalik itu semua, Go Jek memiliki sangat banyak sekali jumlah database yang mudah diakses. Beberapa bulan berselang sejak peluncuran layanan Go Send, Go Mart, Go Food, hadirlah 3 layanan baru dari Go Jek, yakni Go Glam, Go Clean, Go Massage yang hadir dengan berbagai sudut pandang dimensi yang saling berbeda. Lalu, seakan tak berhenti berinovasi, lahirlah layanan baru lagi. Go Blue Bird, Go Busway, Go Car, Go Kilat, juga Go Tix. Hal ini tentu menambah variasi layanan dalam hidup kita.

Crystal menjelaskan, konsep awal yang terpenting ialah, ia dan timnya harus terus bisa store the data, lalu berusaha menciptakan environment baru untuk data tersebut. Baginya, Bad data jauh lebih baikdaripada no data. Intinya accept the data dan figure out the standardization later.
Lalu seluruh data itu diterjemahkan dan dibuat data scale, lalu pumping seluruh datanya dalam suatu format, kadang data itu berupa data yang masih acak (unstructrured), tapi hal itu bukan masalah karena Go Jek memiliki memiliki order management system data , lokasi driver, dan lain sebagainya yang segala sistem dan berbagai fitur tersebut diatur dan dibuat dalam microservices.

Data tersebut jumlahnya sangat banyak yang diambil dari berbagai microservices, maka dari itu data tersebut harus diorganisasikan untuk dapat mengambil keputusan yang terbaik.

Mengorganisasikan data seperti mengatur data dalam lemari pakaian. Di mana kita tidak ingin memakai pakaian yang sama setiap hari, ingin bisa di mix and match, ingin bisa menggunakan different clothing item, dan tidak menggunakan the static outfit (pakaian yang itu-itu saja). Makadari itu, kita bisa mulai mengkategorisasikan outfit itu berdasarkan jenis pakaiannya, warnanya, atau berdasarkan tipe pakaiannya. Dan di sinilah, hal yang cukup sama terjadi dalam data Go Jek.

Selanjutnya dibuatlah north star matrix di mana orang-orang yang menggunakan data tersebut bisa lebih efisien dan efektif dalam mengeksplor datanya. Di mana north star matrix ialah matriks yang mencoba untuk menghubungkan secara a line antara data tersebut dengan goal dari Go Jek sendiri. Semakin mudah data diakses akan semakin meningkatkan aktifitas transaksi yang berhasil (completed transaction), di mana hal ini lah yang menguntungkan pihak Go Jek.

Dengan kekuatan BIG DATA ini, hal yang kita bisa ambil pelajaran ialah, semakin kita kreatif dalam mengatur juga mengolah data ini, semakin banyak kemudahan yang akan kita ciptakan bagi perusahaan maupun kehidupan orang lain.

Berkat Big Data yang diterapkan dalam Go Jek, hal ini mampu meningkatkan pendapatan tenaga kerja khusuhnya driver di Indonesia. Dan karena data itu tadi saling berhubungan antara satu data dgn yg lainnya sehingga sehingga bisa dieksplor lebih jauh lagi, maka hal ini memberikan manfaat sekaligus berupa keefektifan kegiatan ekonomi dalam suatu negara, contoh penjualan martabak di tahun 2015 karena ada sistem Go Food menghasilkan terjualnya 3000,000 martabak, di mana hal ini tentu menguntungkan para pengusaha lokal. Dan belum lagi keefektifan dan keefisienan waktu yang didapat karena Big Data, seseorang membutuhkan waktu 15 menit saja untuk berangkat (dalam kondisi yang padat) daripada menggunakan kendaraan pribadi mobil yang memakan waktu hinga lebih dari 45 menit.