Cerveza Damm

Segons la Wikipedia, Cerveza Damm és una empresa cervesera amb seu a Barcelona. Les dades verificades la identifiquen amb la raó social DAMM, ubicada a Barcelona (Barcelona), i amb estat registral actiu.

Hi ha una discrepància entre les dades i la font: les dades classifiquen l'empresa com a "startup" del sector "Software i SaaS", mentre que la font la descriu com una cervesera. No consta a les dades cap activitat de software ni cap vincle amb el sector SaaS. Aquesta contradicció no es pot resoldre amb la informació disponible.

La font disponible és una entrada de la Wikipedia sobre Cerveza Damm. Amb el material proporcionat no es pot detallar la història de la fundació més enllà del que consta en aquesta font, que no es reprodueix aquí. Qualsevol dada concreta sobre fundadors, any o capital inicial requeriria consultar la font directament.

Segons la Wikipedia, l'activitat de Damm és la producció de cervesa. El públic destinatari seria el consumidor de cervesa, però les dades proporcionades no detallen mercats, canals ni segments concrets.

No consta a les dades ni a la font cap informació sobre exercicis econòmics, volums de producció o períodes d'expansió. No es pot afirmar res sobre aquest apartat.

No consta cap tancament. L'estat registral de l'empresa és actiu, d'acord amb les dades verificades. Per tant, aquest apartat no té contingut aplicable: l'empresa no ha tancat segons la informació disponible.

No consta a les dades cap informació sobre herència, continuïtat de marca o activitat derivada. Atès que l'empresa consta com a activa, no es pot parlar d'herència en el sentit de llegat d'una empresa desapareguda.

No consta a les dades ni a la font cap informació sobre els fundadors de l'empresa. Per obtenir-ne traça caldria consultar el registre mercantil (BORME) per identificar administradors i socis, i la mateixa entrada de la Wikipedia per a dades biogràfiques, si n'hi hagués.

• Cal verificar la classificació sectorial de les dades: una empresa cervesera classificada com a "startup" de software indica un error de codificació que invalida qualsevol anàlisi sectorial feta a partir d'aquest camp.
• Quan l'estat registral és "actiu", l'informe no ha de forçar una narrativa de tancament: cal dir-ho explícitament i no omplir els apartats amb suposicions.
• Per a una empresa cervesera, les dades rellevants són producció, distribució i mercats; si no consten, l'informe ha de reflectir aquest buit en lloc d'extrapolar-lo d'altres sectors.

La font disponible (Wikipedia) descriu Damm com una empresa cervesera fundada a Barcelona el 1876 per August Kuentzmann Damm, amb seu i producció històrica a Barcelona i una planta al Prat de Llobregat. És, per tant, una empresa activa del sector cerveser, no una startup de software tancada.

Això vol dir que el punt de partida correcte no és "reconstruir una startup", sinó reformular un projecte cerveser amb la mateixa essència: cervesa de Barcelona, marca arrelada al territori, producció pròpia i una relació molt forta amb l'hostaleria i el consum local.

La proposta que plantejo (marcada com a proposta meva, no com a fet de l'empresa) seria una cervesera artesanal/regional de nova generació que reculli aquesta essència: marca barcelonina, estil de cervesa de consum quotidià (tipus lager), producció en planta pròpia de mida mitjana i canal HORECA com a nucli.

El mercat rellevant és el de cervesa a Catalunya i Espanya, amb un consum molt arrelat a l'hostaleria i amb una franja creixent de cervesa artesanal i de proximitat. La font consultada confirma l'existència i la continuïtat històrica de Damm com a actor cerveser barceloní, cosa que valida que hi ha hagut i hi ha mercat per a una cervesera amb seu a Barcelona.

No tinc, amb la font disponible, dades de quota de mercat, volum de producció ni xifres financeres. Qualsevol xifra de mercat que donés seria estimació no verificada i l'hauria de marcar com a tal. El que sí que puc afirmar és que el mercat cerveser espanyol és gran, competitiu i dominat per grans grups, amb un nínxol artesà i de proximitat que ha crescut els darrers anys (a validar amb dades actualitzades d'associacions del sector).

Proposta (no fet verificat): un model híbrid amb tres potes:

1. Canal HORECA (bars, restaurants, hotels): el nucli, amb barril i ampolla, i acords de distribució locals.
2. Retail (supermercats i botigues especialitzades): ampolla i pack, amb marca de proximitat.
3. Visites i experiència (tastings, visites a la fàbrica, esdeveniments): ingressos complementaris i fidelització de marca.

El marge dependria d'escala: la cervesa és un negoci de volum i cost unitari baix, on la logística i la frescor pesen molt. Un model només artesà té marge per litre més alt però volum limitat; un model industrial necessita inversió molt gran. La proposta raonable seria començar artesanal/regional i créixer.

Proposta, per fases (estimació de temps, a validar):

• Fase 0 – Validació (2-4 mesos): definir estil de cervesa, marca i posicionament; parlar amb 20-30 bars objectiu; validar recepta amb una cervesera existent (producció contractada).
• Fase 1 – Microproducció (6-12 mesos): llançar 1-2 referències, producció contractada o microplanta, venda a HORECA local i fires.
• Fase 2 – Planta pròpia (12-24 mesos): si el volum ho justifica, muntar planta petita-mitjana amb capacitat modular.
• Fase 3 – Expansió (24+ mesos): distribuidors regionals, retail i exportació puntual.

Totes les xifres són estimacions meves, a validar amb pressupostos reals:

• Producció contractada (fase 0-1): rang orientatiu de 15.000–60.000 € per al primer lot, etiquetatge, envasos i màrqueting inicial. Estimació.
• Microplanta pròpia (fase 2): rang orientatiu de 200.000–600.000 € en equipament i adequació, segons capacitat. Estimació àmplia, a validar.
• Marca, web i llançament comercial: 10.000–30.000 €. Estimació.
• Capital circulant primer any: 50.000–150.000 €. Estimació.
• Cost recurrent de personal mínim: 2-4 persones, 120.000–250.000 €/any. Estimació.

Conclusió: un llançament artesanal realista se situaria en un ordre de 100.000–250.000 € el primer any; un salt a planta pròpia multiplicaria la xifra. Cap d'aquestes xifres prové de la font consultada.

• Competència de grans grups: el mercat cerveser està dominat per actors amb escala i distribució; entrar-hi requereix diferenciació clara.
• Marge baix i dependència del volum: la cervesa és un negoci d'escala.
• Logística i frescor: la cervesa té vida útil i cost de transport rellevant.
• Regulació i fiscalitat: alcohol, etiquetatge i permisos de producció.
• Risc de marca: fer servir una essència "barcelonina" sense confondre's amb una marca existent exigeix cura legal.
• Risc de dades: la fitxa rebuda (startup SaaS) no encaixa amb la font; cal corregir-la abans de qualsevol decisió.

Lliçons de l'informe original (resum):

1. Verificar les dades abans de planificar: la fitxa deia "startup SaaS" i la font diu "cervesera centenària". Un pla construït sobre dades errònies neix trencat.
2. Partir del que és verificable: nom, any de fundació, ubicació i activitat són el fonament; la resta s'ha de marcar com a proposta o estimació.
3. No inventar xifres: tots els costos d'aquest informe són rangs orientatius i s'han de validar amb pressupostos reals.
4. Adaptar el model a la naturalesa del negoci: una cervesera no es planifica com un SaaS; el capital, el marge i els terminis són molt diferents.
5. Començar petit i escalar: producció contractada primer, planta pròpia només quan el volum ho justifiqui.

Per tant, qui ho hauria de fer és un equip emprenedor amb experiència en alimentació/begudes i distribució HORECA, acompanyat d'assessorament legal de marques i d'un soci o consultor amb coneixement del canal cerveser. No és un projecte de software.

El sector de la distribució de cervesa a l'hostaleria pateix dos problemes simètrics: els bars demanen tard o massa poc i es queden sense estoc en pics (partits, festes majors, terrasses d'estiu), mentre que els distribuïdors fan rutes ineficients i arrosseguen barrils buits que no retornen a temps. La informació de consum real per local no existeix en cap sistema centralitzat: cada distribuïdor porta els seus fulls de càlcul i el bar decideix "a ull".

Inspirat en la realitat d'una cervesera com Damm (fundada a Barcelona el 1876, segons la [Wikipedia] Cerveza Damm — https://ca.wikipedia.org/wiki/Cerveza_Damm), el producte no pretén substituir l'ERP del fabricant sinó crear la capa de senyal entre el punt de venda i la cadena de subministrament. El valor és predir la demanda per SKU i local amb 7 dies d'antelació i convertir aquesta predicció en comandes suggerides i rutes de repartiment optimitzades.

Arquitectura de microserveis amb un nucli de dades i dos canals d'entrada (punt de venda i distribuïdor). Decisions i motius:

• Backend en Python (FastAPI) per al motor de previsió: l'ecosistema de sèries temporals (statsmodels, Prophet, scikit-learn) és madur i permet iterar models ràpidament. Motiu: el valor diferencial és el model, no la infraestructura.
• PostgreSQL com a magatzem transaccional (comandes, locals, SKUs, rutes) i TimescaleDB per a les sèries de vendes. Motiu: una sola base relacional amb extensió de sèries temporals evita operar dos sistemes en la fase inicial.
• Redis per a cues i cache de prediccions. Motiu: les prediccions es recalculen per lots nocturns i es llegeixen en calent durant el dia.
• App mòbil lleugera (PWA) per al cambrer en lloc d'app nativa. Motiu: el cambrer només registra vendes i rep comandes suggerides; una PWA redueix cost de distribució i funciona en mòbils de gamma baixa.
• API pública per a distribuïdors amb autenticació OAuth2 per client. Motiu: cada distribuïdor té el seu ERP i cal integrar-se sense fricció.

Flux principal (descrit en text):

``` [PWA bar] --vendes--> [API Gateway] --> [Servei de vendes] --> TimescaleDB | [ERP distribuïdor] --comandes--> [Servei de comandes] --> PostgreSQL | [Motor de previsió (batch nocturn)] --> Redis (cache) | [Servei de rutes] --> API distribuïdor ```

Entitats principals (PostgreSQL; les sèries de vendes a TimescaleDB):

• `local` (id, nom, adreça, barri, coordenades, zona_entrega, capacitat_dipòsits)
• `sku` (id, nom, format [barril/ampolla], litres, família)
• `venda` (local_id, sku_id, data, unitats, canal) — hypertable a TimescaleDB
• `comanda` (id, local_id, data_creació, estat, origen [manual/suggerida], total_litres)
• `linia_comanda` (comanda_id, sku_id, quantitat, preu)
• `prediccio` (local_id, sku_id, data_objectiu, unitats_previstes, interval_confiança, model_versio)
• `ruta` (id, distribuïdor_id, data, estat) i `parada` (ruta_id, local_id, ordre, finestra_horària)
• `retorn` (local_id, sku_id, data, unitats_buides) — per tancar el cicle de barrils

Motiu de separar `venda` de `comanda`: la venda és el senyal real de consum (sovint registrada pel cambrer), mentre la comanda és la decisió de compra; barrejar-les impedeix mesurar l'error del model.

• `POST /v1/vendes` — registre de vendes des de la PWA (batch diari). Idempotent per `(local_id, sku_id, data)`.
• `GET /v1/prediccions?local_id=&data=` — retorna predicció i interval de confiança.
• `POST /v1/comandes/suggerides` — genera comanda suggerida a partir de prediccions i estoc declarat.
• `GET /v1/rutes/{id}` i `PATCH /v1/rutes/{id}/parades` — gestió de rutes per al distribuïdor.
• `POST /v1/retorns` — registre de barrils buids retornats.

Integracions: ERP del distribuïdor (webhooks de comanda i estoc), i opcionalment dades d'esdeveniments locals (calendaris de festes majors) via API de tercers per enriquir la previsió. Motiu: la previsió sense variables exògenes falla en pics; l'estacionalitat i els esdeveniments són els principals predictors.

1. Ingesta de vendes i model de dades (PWA + `POST /v1/vendes` + TimescaleDB). Sense dades reals no hi ha producte.
2. Motor de previsió v1 amb un model simple (mitjana mòbil estacional per SKU i local) i sortida a `prediccio`. Motiu: validar el senyal abans d'invertir en models complexos.
3. Comanda suggerida basada en predicció + estoc declarat.
4. API de rutes bàsica per al distribuïdor pilot.

No construir encara: app nativa, integració amb múltiples ERPs, optimització de rutes amb restriccions de trànsit.

• Volum: un pilot de 200 bars × 15 SKUs × 365 dies ≈ 1,1 M de files/any a `venda`; TimescaleDB ho absorbeix sense particionat manual complex.
• Latència: prediccions batch nocturnes; lectura en cache < 50 ms. El registre de vendes ha de ser < 300 ms per no frustrar el cambrer.
• Risc 1 — qualitat de dades: el cambrer pot no registrar vendes. Mitigació: registre per lots i conciliació amb comandes del distribuïdor.
• Risc 2 — arrencada en fred: sense historial, la predicció és soroll. Mitigació: arrencar amb dades històriques del distribuïdor pilot.
• Risc 3 — adopció del distribuïdor: cal integrar-se amb el seu ERP. Mitigació: començar amb export CSV i webhooks, no amb integració completa.

• Pilot a Barcelona amb un distribuïdor i 50-200 bars durant 8 setmanes.
• Mètrica principal: error absolut mitjà (MAE) de la predicció a 7 dies per SKU i local; objectiu < 20% del consum mitjà.
• Mètriques de negoci: reducció de trencaments d'estoc (enquestes setmanals als bars) i reducció de viatges per ruta.
• Validació tècnica: test A/B entre comanda manual i comanda suggerida en dos grups de bars; es considera èxit si el grup suggerit té menys retorns de barrils buits i menys comandes urgents.
• Criteri de sortida: si el MAE no baixa del 25% en 8 setmanes, es revisa el model o l'abast del producte abans d'escalar.