Cerveza Damm

Según la Wikipedia, Cerveza Damm es una empresa cervecera con sede en Barcelona. Los datos verificados la identifican con la razón social DAMM, ubicada en Barcelona (Barcelona), y con estado registral activo.

Existe una discrepancia entre los datos y la fuente: los datos clasifican la empresa como "startup" del sector "Software y SaaS", mientras que la fuente la describe como cervecera. No consta en los datos ninguna actividad de software ni ningún vínculo con el sector SaaS. Esta contradicción no se puede resolver con la información disponible.

La fuente disponible es una entrada de la Wikipedia sobre Cerveza Damm. Con el material proporcionado no se puede detallar la historia de la fundación más allá de lo que consta en esta fuente, que no se reproduce aquí. Cualquier dato concreto sobre fundadores, año o capital inicial requeriría consultar la fuente directamente.

Según la Wikipedia, la actividad de Damm es la producción de cerveza. El público destinatario sería el consumidor de cerveza, pero los datos proporcionados no detallan mercados, canales ni segmentos concretos.

No consta en los datos ni en la fuente ninguna información sobre ejercicios económicos, volúmenes de producción o periodos de expansión. No se puede afirmar nada sobre este apartado.

No consta ningún cierre. El estado registral de la empresa es activo, de acuerdo con los datos verificados. Por tanto, este apartado no tiene contenido aplicable: la empresa no ha cerrado según la información disponible.

No consta en los datos ninguna información sobre herencia, continuidad de marca o actividad derivada. Dado que la empresa consta como activa, no se puede hablar de herencia en el sentido de legado de una empresa desaparecida.

No consta en los datos ni en la fuente ninguna información sobre los fundadores de la empresa. Para obtener rastro de ellos habría que consultar el registro mercantil (BORME) para identificar administradores y socios, y la misma entrada de la Wikipedia para datos biográficos, si los hubiera.

• Hay que verificar la clasificación sectorial de los datos: una empresa cervecera clasificada como "startup" de software indica un error de codificación que invalida cualquier análisis sectorial hecho a partir de este campo.
• Cuando el estado registral es "activo", el informe no debe forzar una narrativa de cierre: hay que decirlo explícitamente y no llenar los apartados con suposiciones.
• Para una empresa cervecera, los datos relevantes son producción, distribución y mercados; si no constan, el informe debe reflejar ese vacío en lugar de extrapolarlo de otros sectores.

Segons la Viquipèdia, Damm és una empresa cervesera fundada a Barcelona el 1876 per August Kuentzmann Damm, amb seu i producció històrica a Barcelona i una marca molt arrelada al territori (fàbrica de l'antiga fàbrica del barri de Sant Martí, presència a l'hostaleria, patrocini esportiu). No hi ha cap indici a la font que sigui una startup de software ni un SaaS.

Per tant, "reconstruir Damm avui" només té sentit com a exercici de marca i producte cerveser, no com a negoci de programari. La proposta honesta seria: una microcervesera urbana de Barcelona amb la marca i l'ADN de Damm, és a dir, reprendre l'essència (cervesa de Barcelona, lager de consum quotidià, vincle amb l'hostaleria local) en un format actual: petita escala, producció local, taproom i distribució directa. Això és una proposta meva, no una dada de l'empresa original.

La font verificada només confirma l'existència i la història de Damm com a cervesera; no aporta dades de mercat, quotes ni volums. Qualsevol afirmació sobre mida de mercat, competidors o demanda hauria de citar-se d'una altra font, que aquí no tens.

El que sí que es pot dir amb la font: Damm opera en el segment de cervesa de consum massiu a Catalunya i Espanya, amb marca reconeguda i presència històrica a Barcelona. A partir d'aquí, qualsevol estimació de mercat (per exemple, que una microcervesera urbana pot captar un nínxol de bars i restaurants de proximitat) és estimació meva, a validar amb dades d'INE, associacions de cervesers artesans o estudis sectorials.

Proposta (no verificada): microcervesera urbana amb tres línies deingressos:

• Venda directa al taproom (consum al local).
• Distribució a hostaleria de proximitat (bars, restaurants del barri).
• Venda en línia i marxandatge de marca.

El model s'allunya del de Damm original (gran escala industrial) i s'apropa al de les microcerveseres artesanes, però aprofitant el reconeixement del nom. Atenció: fer servir la marca "Damm" requeriria acord amb el titular; no es pot assumir lliurement. Això és un punt legal crític, no una dada de la font.

Proposta, a validar:

1. Fase 0 (mesos 1-3): validar el marc legal d'ús de marca i llicències (activitat industrial, sanitària, fiscal).
2. Fase 1 (mesos 3-9): llogar un local industrial petit a Barcelona, equipar-lo i obtenir permisos.
3. Fase 2 (mesos 9-15): producció pilot, taproom i acords amb 10-20 bars de proximitat.
4. Fase 3 (mesos 15-24): consolidar distribució i valorar ampliació.

Cap d'aquestes fites no prové de la font; són estimacions de planificació meves.

Tot són estimacions meves, a validar amb pressupostos reals:

• Lloguer i adequació de local industrial petit a Barcelona: rang orientatiu 30.000–80.000 € (estimació).
• Equip de producció (fermentadors, envasat, refrigeració): rang 50.000–150.000 € (estimació).
• Llicències, permisos i assessoria legal (incloent l'ús de marca): 10.000–30.000 € (estimació).
• Matèries primeres i estoc inicial: 10.000–25.000 € (estimació).
• Màrqueting i llançament: 10.000–30.000 € (estimació).

Total orientatiu: rang de 110.000 a 315.000 €, a validar. No tinc cap dada de la font que confirmi aquests imports.

• Risc de marca: el nom "Damm" és propietat d'una empresa activa; usar-lo sense acord és inviable legalment. Això és una inferència raonable, no una dada de la font.
• Risc de mercat: competència de grans cerveseres i de microcerveseres ja consolidades; no tinc dades verificades per quantificar-lo.
• Risc d'escala: una microcervesera urbana té marges ajustats i depèn de volum i distribució.
• Risc de dades: la fitxa original ("startup SaaS") és errònia; si es pren com a base, tot el pla queda desvirtuat.

La lliçó de l'informe original, més enllà de la confusió de la fitxa, és que no es pot reconstruir una empresa sense partir de dades verificades. Aquí la font només confirma que Damm és una cervesera històrica de Barcelona. Per tant, qui vulgui fer aquest exercici hauria de: (1) corregir la classificació sectorial; (2) obtenir fonts financeres i de mercat reals; (3) resoldre la qüestió legal de la marca abans de res; i (4) tractar totes les xifres d'aquest informe com a estimacions a validar, no com a fets.

Les cerveseres artesanes i mitjanes (5-50 empleats) produeixen per lots, però gestionen la traçabilitat en fulls de càlcul i WhatsApp. Quan un lot surt defectuós, no poden respondre en hores quines matèries primeres, quina etapa de fermentació i quins clients estan afectats. A més, la demanda estacional (estiu, Nadal) els agafa sense previsió de producció, i acaben amb excés d'estoc o ruptures.

Damm, segons la font disponible [Wikipedia], és una cervesera de Barcelona amb operació industrial consolidada. El producte que proposem no pretén replicar la seva escala, sinó exportar el patró de control per etapes i lots a qui no pot construir-lo internament. El tancament de la divisió de software deixa un nínxol: ningú no ofereix traçabilitat de lot + predicció de demanda en un sol producte assequible per a PIMEs cerveseres.

Arquitectura de microserveis moderada, no per moda sinó perquè els dos dominis (traçabilitat i predicció) tenen cicles de desplegament i càrrega molt diferents: la traçabilitat és escriptura intensiva i de baixa latència; la predicció és batch i computacionalment pesada.

``` [App mòbil PWA] [Web admin] | | v v +---------------------------+ | API Gateway (Kong) | auth JWT, rate limit per tenant +---------------------------+ | | v v +-------------+ +------------------+ | trace-svc | | forecast-svc | | (Node/TS) | | (Python/FastAPI) | | PostgreSQL | | PostgreSQL + | | (RLS tenant)| | Redis (cache) | +-------------+ +------------------+ | | v v +---------------------------+ | Event bus (NATS JetStream)| +---------------------------+ | v +---------------------------+ | alert-svc (Go) | -> email/SMS via Postmark/Twilio +---------------------------+ ```

Decisions i motius:

• PostgreSQL amb Row-Level Security (RLS) en lloc de sharding per tenant: a l'inici hi haurà desenes de tenants, no milers; RLS dóna aïllament correcte amb una sola base de dades i migració trivial a esquema-per-tenant quan calgui.
• NATS JetStream en lloc de Kafka: menor footprint operatiu per a un equip petit, i el patró d'esdeveniments (lot creat, etapa completada, alerta) no requereix retenció massiva.
• forecast-svc en Python perquè Prophet/statsmodels i scikit-learn són l'ecosistema natural; la resta en TypeScript per compartir tipus amb el frontend.
• PWA en lloc d'app nativa: el personal de planta fa servir mòbils Android de gamma baixa; una PWA amb càmera per escanejar codis de lot evita publicar a dues botigues.

Esquema relacional a PostgreSQL, amb `tenant_id` a totes les taules i RLS activat.

```sql -- Tenant i usuaris tenants(id uuid pk, nom text, pla text, creat_el timestamptz) usuaris(id uuid pk, tenant_id uuid fk, email text, rol text) -- rol: admin|operari|qualitat

-- Catàleg materies_primeres(id uuid pk, tenant_id uuid fk, nom text, proveidor text, lot_proveidor text) receptes(id uuid pk, tenant_id uuid fk, nom text, estil text) -- estil: IPA|Lager|Stout... recepta_ingredients(recepta_id fk, materia_id fk, quantitat_kg numeric)

-- Producció lots(id uuid pk, tenant_id uuid fk, recepta_id fk, codi_lot text unique per tenant, data_inici timestamptz, estat text) -- estat: planificat|en_curs|acabat|descartat etapes(id uuid pk, lot_id fk, nom text, ordre int, inici timestamptz, fi timestamptz, operari_id fk) mesures(id uuid pk, etapa_id fk, tipus text, valor numeric, unitat text, presa_el timestamptz) -- tipus: densitat|temperatura|ph|volum

-- Qualitat i alertes incidencies(id uuid pk, lot_id fk, etapa_id fk, severitat text, descripcio text, resolta_el timestamptz) alertes(id uuid pk, tenant_id uuid fk, tipus text, payload jsonb, enviada_el timestamptz)

-- Predicció vendes_historiques(id uuid pk, tenant_id uuid fk, producte text, data date, unitats int) prediccions(id uuid pk, tenant_id uuid fk, producte text, periode date, unitats_previstes numeric, interval_inferior numeric, interval_superior numeric, model_versio text, generat_el timestamptz) ```

Motius:

• `codi_lot` únic per tenant, no global: cada cervesera té la seva nomenclatura.
• `mesures` com a taula de fets amb `tipus` textual en lloc de columnes fixes: les cerveseres mesuren paràmetres diferents segons estil; un esquema rígid obligaria migracions constants.
• `prediccions` guarda `model_versio` per poder auditar quina versió va generar cada número i comparar precisió retrospectivament.

API REST versionada (`/v1`), autenticació JWT amb `tenant_id` al claim, i clau d'API per a integracions màquina-a-màquina.

Endpoints principals: ``` POST /v1/lots crear lot (planificat) PATCH /v1/lots/{id}/etapes/{etapa} marcar inici/fi d'etapa POST /v1/lots/{id}/mesures registrar mesura (densitat, temp...) GET /v1/lots/{id}/traçabilitat arbre complet: matèries -> etapes -> mesures -> incidències POST /v1/incidencies obrir incidència GET /v1/prediccions?producte=X predicció + intervals POST /v1/vendes/import càrrega CSV de vendes històriques ```

Integracions:

• Import CSV de vendes (obligatori al MVP): cap cervesera petita té ERP; el CSV del TPV o del full de càlcul és la font real.
• Webhook de sortida per a incidències crítiques cap a Slack/Telegram: el personal de planta ja viu en aquests canals.
• Postmark/Twilio per a alertes per email/SMS.
• Integració futura amb sensors IoT de tanc de fermentació (API oberta, però no al MVP): requereix maquinari que el client objectiu encara no té.

Motiu del disseny d'API: `GET /lots/{id}/traçabilitat` retorna l'arbre complet en una sola crida perquè el cas d'ús crític (auditoria d'un lot defectuós) ha de respondre en menys de 2 segons i no pot dependre de N crides encadenades des del mòbil.

Ordre estricte per valor entregat:

1. trace-svc + esquema de lots/etapes/mesures + PWA de registre. Sense traçabilitat no hi ha producte. És el que resol el dolor agut (auditoria de lot).
2. Càlcul de traçabilitat enrere (`GET /traçabilitat`): matèries primeres i clients afectats per un lot. Això és el que cap full de càlcul fa bé.
3. alert-svc amb regles bàsiques (mesura fora de rang -> incidència -> notificació).
4. Import CSV de vendes + forecast-svc amb Prophet per producte. La predicció és el segon valor, no el primer: sense dades de producció netes, el model prediu soroll.
5. Web admin amb dashboard de lots actius i precisió de prediccions.

No construir al MVP: sensors IoT, multi-idioma, app nativa, facturació automatitzada.

Mides objectiu (any 1): 30-80 tenants, ~500 lots/mes per tenant gran, ~50k mesures/mes totals. Una instància PostgreSQL mitjana (4 vCPU, 16 GB) i un worker de predicció nocturn són suficients. El coll d'ampolla previst és l'escriptura de mesures des del mòbil en hora punta de planta, no la lectura.

Riscos tècnics:

• Qualitat de dades d'entrada: si l'operari no registra mesures, la predicció i les alertes són inútils. Mitigació: PWA amb validació en el moment i recordatoris; mesurar l'adopció per tenant com a mètrica de producte.
• Predicció amb poques dades: Prophet necessita ~2 cicles estacionals; amb menys, donar intervals amples i etiquetar la predicció com a "poc fiable". Mitigació: mostrar sempre l'interval i el nombre de punts usats.
• Aïllament multi-tenant: un error de RLS filtra dades entre cerveseres. Mitigació: tests automàtics d'aïllament a CI que intenten llegir dades d'un altre tenant i han de fallar.
• Dependència de la font única: la informació disponible sobre Damm és limitada [Wikipedia]; el producte no ha de dependre de detalls operatius no verificats, sinó del patró genèric de traçabilitat per lots.

• Test d'auditoria de lot: donat un lot amb una mesura fora de rang, `GET /traçabilitat` ha de retornar en < 2 s les matèries primeres, l'etapa afectada i els lots germans que comparteixen matèria. Test automatitzat amb dades sintètiques de 10k lots.
• Test d'aïllament RLS: suite a CI que, per a cada taula amb `tenant_id`, comprova que un usuari del tenant A no pot llegir files del tenant B.
• Validació de predicció: backtesting amb holdout temporal (últims 3 mesos) sobre el CSV d'un client pilot; criteri d'acceptació: MAPE < 25% en productes amb ≥ 18 mesos d'història, i intervals que continguin el valor real ≥ 80% de les vegades.
• Pilot amb 2-3 cerveseres: 8 setmanes, mesurant (a) % de lots amb traçabilitat completa, (b) temps de resposta a una incidència, (c) adopció diària de la PWA per operari.
• Criteri d'èxit del pilot: ≥ 90% dels lots amb traçabilitat completa i reducció del temps d'auditoria d'incidència de dies a < 1 hora.