Publicacions

“𝐉𝐮𝐬𝐭𝐢𝐟𝐢𝐜𝐚𝐫" 𝐚 𝐥𝐚 𝐋𝐥𝐞𝐢 𝐝𝐞 𝐂𝐨𝐧𝐭𝐫𝐚𝐜𝐭𝐞𝐬 del Sector Públic, és una 𝐫𝐞𝐬𝐩𝐨𝐧𝐬𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭

La Llei 9/2017, de 8 de novembre, de contractes del sector públic, diu "justificar" —i totes les seves variants— més de 100 vegades. I "Motivar" gairebé 40.

Quan es gestionen diners públics, cada decisió s'ha de poder explicar, argumentar i demostrar. Per això la llei exigeix 𝐣𝐮𝐬𝐭𝐢𝐟𝐢𝐜𝐚𝐫 𝐞𝐱𝐩𝐞𝐝𝐢𝐞𝐧𝐭𝐬, 𝐯𝐞𝐫𝐢𝐟𝐢𝐜𝐚𝐫 𝐯𝐚𝐥𝐨𝐫𝐬, 𝐦𝐨𝐭𝐢𝐯𝐚𝐫 𝐝𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬 i 𝐚𝐜𝐫𝐞𝐝𝐢𝐭𝐚𝐫 que els recursos es destinen allà on generen més valor.

Però aquesta idea és molt més antiga que la llei.

El novembre de 1917 —exactament 100 anys abans d'aquesta llei— un enginyer de Mataró esdevenia president de la Mancomunitat de Catalunya: 𝐉𝐨𝐬𝐞𝐩 𝐏𝐮𝐢𝐠 𝐢 𝐂𝐚𝐝𝐚𝐟𝐚𝐥𝐜𝐡.

Cap llei l'obligava a fer estudis previs. Cap llei l'obligava a recopilar estadístiques. Cap llei l'obligava a envoltar-se dels millors tècnics del país.

🕍 La 𝐌𝐚𝐧𝐜𝐨𝐦𝐮𝐧𝐢𝐭𝐚𝐭 va impulsar carreteres, xarxes telefòniques, sanejament, biblioteques i serveis públics sobre una idea molt simple: abans de decidir, cal entendre la realitat.

Per això els seus governs van ser coneguts com "𝗲𝗹 𝗴𝗼𝘃𝗲𝗿𝗻 𝗱𝗲𝗹𝘀 𝗺𝗶𝗹𝗹𝗼𝗿𝘀". No era perquè tinguessin més recursos o una norma els obligués. Sinó perquè van entendre que una bona administració necessita coneixement, dades i criteri.

I aquí hi ha una reflexió que continua plenament vigent. La majoria de professionals del sector públic volen fer bé la seva feina. Però la bona voluntat, per si sola, no és una evidència. Perquè hi ha una pregunta que sempre hauríem de fer-nos:

🎚️ Com sabem que ho estem fent bé?

I ara si, la Llei de Contractes ho requereix. La resposta és senzilla, cal fer-ho amb fonament: • dades. • indicadors. • avaluació. • monitoratge. • evidències objectives que permetin justificar les decisions i mesurar els resultats.

La llei ens demana justificar. Les dades ens permeten fer-ho. Perquè gestionar és decidir.

Però governar bé és poder demostrar per què s'ha decidit.

#ContractesDelSectorPúblic #LCSP #ContractacióPública #Dades #AdministracióPública #Catalunya

Fotografia: els 4 pilars de la modernitat. La carretera, L'aigua corrent, El telèfon i L'energia elèctrica. I Puig i Cadafalch amb Albert Einstein.

Una enquesta no hauria de confirmar el que 𝗽𝗲𝗻𝘀𝗲𝗺. Hauria d'ajudar-nos a descobrir què 𝗻𝗼 𝘀𝗮𝗯𝗲𝗺.

El 1936, la revista nord-americana Literary Digest va rebre 2,4 milions de respostes per predir unes eleccions presidencials. Va predir que guanyaria Alf Landon. Va guanyar Franklin D. Roosevelt.

No els faltaven respostes. Els faltava una mostra representativa: havien preguntat a una part de la població que no reflectia el conjunt de l'electorat.

Gairebé setanta anys abans, a Catalunya, un pedagog d'Alella defensava una idea que avui continua sent necessària: aprendre no és repetir el que ens diuen, sinó observar, investigar i pensar per un mateix.

Era Francesc Ferrer i Guàrdia ( Fundació Ferrer i Guàrdia ).

El 1901 va fundar a Barcelona l'𝗘𝘀𝗰𝗼𝗹𝗮 𝗠𝗼𝗱𝗲𝗿𝗻𝗮, un projecte educatiu que apostava per l'ensenyament racional i científic, el pensament lliure i la capacitat de qüestionar les idees establertes.

No va crear una metodologia d'enquestes. Però el seu compromís amb la investigació i el pensament crític ens recorda una cosa essencial també quan treballem amb dades.

Preguntar no és el mateix que investigar.

📝 Avui qualsevol organització pot crear un Google Forms en vint minuts. Però abans d'enviar-lo, convé aturar-se i preguntar-se:

• Estic preguntant a les persones adequades? 𝗥𝗲𝗽𝗿𝗲𝘀𝗲𝗻𝘁𝗲𝗻 tots els usuaris? • Qui no contestarà? Confondré moltes respostes amb una 𝗺𝗼𝘀𝘁𝗿𝗮 representativa? • Les preguntes són 𝗻𝗲𝘂𝘁𝗿𝗮𝗹𝘀 o en canvi suggereixen la resposta que espero obtenir? • L’enquesta ajuda a que tothom 𝗶𝗻𝘁𝗲𝗿𝗽𝗿𝗲𝘁𝗶 igual les preguntes i les opcions de resposta? • Estic recollint les dades necessàries per respondre la pregunta que ha motivat l'𝗲𝘀𝘁𝘂𝗱𝗶? • Calcularé uns percentatges, però hauré analitzat què 𝘀𝗶𝗴𝗻𝗶𝗳𝗶𝗾𝘂𝗲𝗻 estadísticament i com es relacionen? • I si els resultats semblen clars, he comprovat que les 𝗰𝗼𝗻𝗰𝗹𝘂𝘀𝗶𝗼𝗻𝘀 siguin realment vàlides? • L’enquesta està ben feta, però em pot fer prendre 𝗱𝗲𝗰𝗶𝘀𝗶𝗼𝗻𝘀 inadequades? Perquè una enquesta pot tenir milers de respostes i, malgrat tot, conduir-nos a conclusions equivocades.

El Forms és una eina. El disseny del qüestionari, la selecció de la mostra i l'anàlisi estadística són una altra cosa. I és aquí on sovint es decideix si una enquesta ens ajudarà a prendre millors decisions o ens portarà a conclusions equivocades.

I un formulari crea una imatge. Demanem a clients, usuaris o treballadors que ens dediquin el seu temps, també estem comunicant com som.

Una bona enquesta transmet rigor, respecte. Una de mal dissenyada transmet improvisació i pot erosionar la confiança.

Les dades no són una finalitat. Són una eina per entendre millor la realitat i prendre millors decisions. Cal escoltar de debò i tenir el valor de canviar d'opinió quan les dades ens contradiuen.

https://lnkd.in/e97R6UDh

#Enquestes #Dades #Estadística #PresaDeDecisions #GoogleForms #DadesCat

Sèneca, 𝗲𝗹 𝗣𝗼𝗻𝘁 del Llobregat i els 𝗗𝗶𝗮𝗴𝗿𝗮𝗺𝗲𝘀 𝗱𝗲 𝗙𝗹𝘂𝘅

Sèneca va escriure fa dos mil anys una frase que encara sorprèn:

⌛ "No és que tinguem 𝗽𝗼𝗰 𝘁𝗲𝗺𝗽𝘀, és que en 𝗽𝗲𝗿𝗱𝗲𝗺 𝗺𝗼𝗹𝘁."

A De Brevitate Vitae (49 dC), diu que la majoria de persones vivim com si el temps fos infinit, sense adonar-nos de com el malbaratem. I ell mateix practicava el que predicava. En diverses cartes explica que cada dia apuntava les seves activitats per entendre què havia estat útil i què no. Una mena de quadre de comandament personal vint segles abans que s’inventessin. No acostumem a perdre temps perquè ens en falti, el perdem perquè no sabem exactament on se'n va.

🛤️ Sèneca, nascut a Córdova, desenvolupava la seva carrera a Roma. Quan les condicions de navegació ho permetien, el trajecte es feia per mar. Però quan les rutes marítimes quedaven interrompudes a l'hivern, la única alternativa era la Via Augusta.

Si anaves per la Via Augusta havies de travessar el Llobregat. Pel punt obligat: 𝗲𝗹 𝗣𝗼𝗻𝘁 (del Diable) de Martorell. No era casual. Algú havia estudiat el territori, les característiques del riu, els accessos i el millor punt de pas. Les legions romanes van construir el pont però primer van haver d’entendre el problema.

Encara es conserven als fonaments les marques dels que el van pensar i construir. El pont l'han anat refent.

Sovint detectem que "falta temps", que hi ha colls d'ampolla o que les persones estan saturades. La temptació és buscar immediatament una aplicació o una automatització.

Però construir una solució sense haver estudiat el procés és com aixecar un pont sense haver analitzat abans el riu.

Per això fem diagrames de flux.

💡 Un 𝗱𝗶𝗮𝗴𝗿𝗮𝗺𝗮 𝗱𝗲 𝗳𝗹𝘂𝘅 és una representació del recorregut que segueix una activitat dins d'una organització: qui intervé, quina informació circula, quines decisions es prenen i quines dependències existeixen. Al dibuixar-lo apareixen coses que eren invisibles: esperes, duplicacions, tasques redundants o generació d'informació que no aporten valor.

El diagrama no resol el problema. El que fa és mostrar-nos on s'ha de construir el pont: una automatització, una integració entre sistemes, una simplificació administrativa o, simplement, una decisió de gestió més intel·ligent. La lògica és la mateixa que van aplicar els enginyers romans: primer entendre el recorregut; després intervenir.

I, igual que un pont s'ha d'inspeccionar, un procés també s'ha de mesurar.

Temps de cicle, errors, incidències, repeticions, costos o càrregues de treball són els indicadors que permeten saber si la solució funciona realment. Sense mesura només hi ha intuïcions.

Per això cal entendre processos, representar-los, mesurar-los i identificar on convé construir els ponts que permeten avançar més ràpid i amb menys esforç.

Els romans ho feien amb pedra. Ara ho fem amb dades i indicadors.

#Processos #DiagramesDeFlux #Indicadors #Automatització #MilloraContínua #Sèneca #DadesCat

𝗘𝗹 𝗱𝗶𝗮 𝗾𝘂𝗲 𝗖𝗮𝘁𝗮𝗹𝘂𝗻𝘆𝗮 𝘃𝗮 𝗽𝗿𝗼𝗱𝘂𝗶𝗿 "𝗺𝗮𝘀𝘀𝗮" 𝗲𝗻𝗲𝗿𝗴𝗶𝗮 𝗻𝗲𝘁𝗮 🦆

Un dia qualsevol de juliol. 🕑 14:00 h: la fotovoltaica cobreix entre un 30% i un 40% de la demanda elèctrica catalana. 🌙 22:00 h: la producció solar és exactament del 0%.

La demanda, però, continua allà: aire condicionat, neveres, il·luminació, servidors, indústria.

Actualment el repte de la transició energètica ja no és només generar energia renovable, és saber què fer-ne quan en tenim més de la que necessitem.

Això és el que els enginyers coneixen com la "corba d'ànec": una producció solar que s'enlaira durant el dia i s'enfonsa al capvespre, mentre el consum continua sent elevat.

Per això la pregunta estratègica està canviant: ❌ Quant estem produint? ✅ Quan la necessitem?

I per tant, canvien les prioritats: ✅ Quines inversions tenen més impacte real sobre el sistema? ✅ Puc emmagatzemar l’energia?

És per això que s’estan construint: 🔋 Bateries de gran escala (BESS) 🚗 Grans fàbriques de bateries per als vehicles elèctrics 🌱 Generació d’hidrogen per aprofitar excedents renovables

Però fa temps que es va en aquesta direcció. Hi ha una curiositat poc coneguda.

Molt abans que les bateries actuals fossin una realitat, Catalunya ja disposava d'una enorme "bateria" natural.

L'any 1985 es va posar en funcionament la central reversible Estany Gento-Sallente, al Pirineu. Quan sobra electricitat a la xarxa, bombeja aigua cap amunt, cap a l’estany Gento. Quan falta energia, sobren automàticament les comportes i l’aigua baixa cap a Sallente per generar-ne de nova.

Fa quaranta anys ja estàvem resolent un problema molt creativament i que avui torna a ser central.

Perquè al final, les grans decisions rarament depenen d'una sola dada. Depenen d'entendre patrons, anticipar comportaments i convertir informació dispersa en criteris de decisió.

A les empreses i administracions els cal transformar dades complexes en decisions més intel·ligents.

Perquè les dades, per si soles, no canvien res.

Les decisions que prenem amb elles, sí.

#DadesQueTransformen #Energia #Catalunya #TransicioEnergetica #DataScience #Estadistica #BusinessIntelligence

🏰 El Comte Arnau encara cavalca per Catalunya (i les dades ens diuen per on)

Diu la tradició que Arnau, senyor de Mataplana, a Gombrèn, exigia més del que era just. No treballava la terra, però es quedava el què s’hi produïa. Per això a la llegenda va ser condemnat a cavalcar eternament entre flames per les serres del Ripollès i d'Osona.

Aquesta és una de les primeres expressions populars d'una pregunta econòmica que encara no hem resolt: Com s’ha de repartir la riquesa?

📊 Les dades de l'Idescat

Un dels principals indicadors de desigualtat de renda a Catalunya mostra una evolució positiva:

🔹 Ràtio S80/S20 = 4,7

Això significa que el 20% de població amb més ingressos obté 4,7 vegades més renda que el 20% amb menys ingressos.

La bona noticia és que aquesta diferència s'ha reduït amb els anys, Catalunya és avui una societat menys desigual que fa una dècada.

Però alguna cosa no quadra. Segons Oxfam, l'1% més ric posseeix ja més riquesa que el 95% més pobre de la població mundial conjuntament.

🤔 Ho estem mesurant tot?

La desigualtat interna es modera, però les dades globals apunten el contrari. Segons estudis internacionals, la concentració de riquesa mundial continua augmentant i una part cada vegada més gran dels actius es concentra en molt poques mans.

És possible que una societat sigui menys desigual i, alhora, tingui menys pes en la generació de riquesa mundial?.

Una cosa és com repartim el nostre pastís, i potser l’altra és quina grandària té aquest pastís nostre.

La dada del 4,7 ens parla de distribució, però no ens diu res sobre la capacitat de Catalunya per capturar valor dins dels grans mercats globals.

· Les nostres empreses guanyen quota internacional?. · Mantenim o augmentem el nostre pes econòmic relatiu?. · La riquesa es crea aquí o cada vegada més lluny?.

🐎 El Comte Arnau al segle XXI

El Comte Arnau modern no és només desigualtat. Potser és també la pèrdua de capacitat d'empreses i territoris per generar i retenir valor.

La menor desigualtat interna podria estar coexistint amb una menor capacitat relativa de capturar valor global.

Ja no n'hi ha prou en dir si som més productius que l’any passat o repartim bé la riquesa.

Cal pensar: "On es genera?", "Qui la captura?" o “com la mesurem?”.

🏡 Els municipis són més importants que mai

I cal anar més enllà: ✅ Quines empreses neixen i desapareixen. ✅ On es concentra l'activitat i es genera la renda. ✅ Quins efectes tenen les polítiques locals de promoció econòmica.

Sense dades, els canvis passen desapercebuts.

📈 Les dades ens guien

Els vassalls del Comte Arnau sabien sempre on era. Ara a nosaltres ens cal saber on som.

Calen indicadors territorials, estudis econòmics, observatoris locals i sistemes d'informació per ajudar municipis i organitzacions a entendre què està passant realment.

👉 Casos i projectes a https://lnkd.in/e33Ka_Qi

#DadesQueTransformen #EconomiaLocal #Catalunya #PromocioEconomica #Estadistica #AnalisiTerritorial

La primera estimació estadística urbana de Catalunya… i un físic italià del segle XX.

Als anys 50, a Chicago, el premi Nobel Enrico Fermi llançava als seus alumnes una pregunta impossible: “Quants afinadors de piano hi ha, ara mateix, a Chicago?”

Sense cens. Sense Google. Sense cap base de dades.

I, tanmateix, hi arribaven: població aproximada → llars → pianos → freqüència d’afinació → hores de feina. Resultat: ~150 afinadors. La guia telefònica de l’època en tenia 125. Error: <20%. Amb zero dades directes.

Aquesta manera de pensar —descompondre un problema enorme en factors estimables i multiplicar-los— és el que avui anomenem estimació de Fermi. La fan servir analistes, consultors, enginyers i epidemiòlegs cada cop que han de respondre un “quants…?” sense tenir la dada exacta.

Però aquesta història comença molt abans.

𝗔𝗻𝘆 𝟭𝟯𝟴𝟯.

Ara som al segle XIV, un frare gironí va fer exactament el mateix per estimar la població de Barcelona. Es deia Francesc Eiximenis (Girona, 1327 – Perpinyà, 1409). Franciscà, escriptor, diplomàtic. Va escriure un tractat de govern urbà cap el 1383, el Dotzè del Crestià —— va fer servir l'observació directa i les dades fiscals disponibles (el fogatge, que era la base tributària del segle XIV) per construir una radiografia estadística de Barcelona.

Com hi arribava, a 50.000 habitats? Per estimació de Fermi avant la lettre:

• 🏠 Focs del fogatge: 8.000–10.000 • 👥 Persones per foc (estructura preindustrial): 5–6 • ➗ Multiplicació: 9.000 × 5,5 ≈ 49.500 habitants • ⛪ Correcció per clergat, forasters i no comptats: +2–5% Resultat → ~50.000 habitants

Els historiadors moderns confirmen que la Barcelona de 1380 tenia entre 40.000 i 55.000 habitants. Eiximenis encertà l'ordre de magnitud amb menys d'un 10% de marge d'error. Sense Excel. Sense cens modern. Eiximenis no té cap llei estadística amb el seu nom. Cap mètode de càlcul. Cap test d'hipòtesi. Cap paquet R amb el seu package. Res.

Però va fer estimació de Fermi 560 anys abans. Un frare gironí, al segle XIV, sense gens de formació estadística moderna, fent exactament allò que avui anomenem estadística aplicada. Per a ell era només "saber com és la ciutat per poder-ne parlar amb propietat". Per a nosaltres, és mètode.

Potser el detall més bonic és que Eiximenis no escriu per a estadístics: escriu per al rei, per als jurats, per als consellers. Estima la població de Barcelona perquè vol explicar com s'ha de governar una ciutat. La dada no és mai gratuïta: serveix per a una decisió. Aquesta és, també, la filosofia de dades.cat : convertir dades en decisions. Fa 650 anys, algú ja sabia que era així com funcionava.

📊 #CuriositatEstadística

#Estadística #CuriositatEstadística #EstimacióDeFermi #FrancescEiximenis #Barcelona #Girona #HistòriaDeCatalunya #Dades #DataScience #Catalunya

🔥 Quan dos ferrers lluiten contra el màrqueting

La setmana passada parlàvem de com els pobles ibers distribuïen els seus assentaments per controlar el territori. No era intuïció: era estratègia basada en dades geogràfiques.

Però un cop tens el poblat ben situat… com competeixes?

Imagina dos ferrers. Un viu al Poblat A. L’altre, al Poblat B. Dos mercats separats, dos territoris, dues oportunitats.

🛠️ El primer moviment: buscar més clients Segons la llei de Hotelling, el ferrer del Poblat A voldrà créixer. I què farà? Avançar cap al centre, cap a la vall, cap a la frontera entre els dos pobles. Allà pot captar clients dels dos costats.

⚔️ La reacció inevitable El ferrer del Poblat B no es quedarà quiet. Veu que perd quota de mercat. Així que fa el mateix: avança cap al centre per recuperar clients i, si pot, robar-ne alguns a l’altre.

🎯 El resultat final: tots dos atrapats al “punt mort” A força de moviments i contra-moviments, els dos ferrers acaben exactament al centre. És l’equilibri de Nash: ningú pot millorar movent-se, però tampoc ningú guanya realment.

Han convertit la vall en una nova ciutat: competència directa, zero diferenciació, marge erosionat.

És el mateix motiu pel qual avui trobem un Mango al costat d’una altra botiga de roba, un Bonpreu en una zona amb altres que venen aliments, o dues gasolineres separades per 50 metres.

🌊 I aquí ve la paradoxa Els ibers triaven els seus pobles pensant en visibilitat, control i avantatge territorial. Però els ferrers —com moltes empreses actuals— només miraven on hi havia més clients, sense considerar que l’altre també es mouria.

És la diferència entre: Anàlisi de localització (estratègia territorial, avantatge sostenible), i el què passa conseqüentment, la llei de Hotelling (competència reactiva, oceà vermell: la ecomia espaial de Harold Hotelling).

🧠 Si fa 2.500 anys ja sabien que la ubicació era una decisió crítica… També avui tots ens veiem en el mateix parany: on obrir, on expandir-se o a qui vendre basant-nos en intuïcions? Però les dades no només expliquen el passat. Eviten que caiguis en el mateix error que els ferrers potser, coneixent millor contra qui competeixes.

Foto de la botiga MANGO a les galeries de Sant Cugat i al vidre es reflexa la botiga del davant, Macson .

#Estratègia #DataDriven #Competència #Retail #Economia #BlueOceanStrategy #MarketDynamics #Territori #Localització

Els "𝐞𝐬𝐭𝐮𝐝𝐢𝐬 𝐝𝐞 𝐦𝐞𝐫𝐜𝐚𝐭" antics: com els ibers van triar el millor lloc per viure 🏛️📊

Fa més de 2.500 anys, molt abans que existissin els fulls de càlcul, les 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬 o els 𝐞𝐬𝐭𝐮𝐝𝐢𝐬 𝐝𝐞 𝐦𝐞𝐫𝐜𝐚𝐭, els pobles ibers de Catalunya ja prenien decisions estratègiques basant-se en dades geogràfiques.

Projectes de recerca recents (Belarte i Santacana), ha posat en evidència que els ibers no ubicaven els seus assentaments a l'atzar. Cada oppidum (poblat fortificat) responia a una estratègia deliberada: triar l'emplaçament que maximitzés visibilitat, defensa i control de les rutes comercials.

🔍 Els arqueòlegs hi troben un patró clar, la posició dels principals oppida ibèrics és 𝐨𝐧 𝐩𝐨𝐝𝐢𝐞𝐧 𝐯𝐞𝐮𝐫𝐞 més enllà:

• Des del Puig del Castell de Samalús (Vallès Oriental, s. IV–II aC), els íbers controlaven visualment el corredor del Vallès, el Barcelonès i el Maresme des d'un sol punt d'observació.

• Des de Ca n'Oliver (Cerdanyola, Collserola, s. IV–I aC), es dominava la plana del Vallès Occidental i l'accés a la plana de Barcelona.

• El poblat del Turó de les Maleses (Sant Celoni) oferia una visibilitat sobre el Montseny i el Montnegre, així controlaven rutes comercials i moviments de població.

Cada jaciment funcionava, en realitat, com un "𝐬𝐞𝐧𝐬𝐨𝐫" dins d'una 𝐱𝐚𝐫𝐱𝐚 𝐭𝐞𝐫𝐫𝐢𝐭𝐨𝐫𝐢𝐚𝐥 més gran.

🧠 El principi estadístic amagat — Aquesta manera de pensar la localització té un nom modern: anàlisi de localització (𝐥𝐨𝐜𝐚𝐭𝐢𝐨𝐧 𝐚𝐧𝐚𝐥𝐲𝐬𝐢𝐬), una tècnica que empreses com MANGO , bonÀrea Agrupa , Bonpreu i d’altres fan servir avui per decidir on obrir un nou centre logístic o una nova botiga. La pregunta és la mateixa: on és el punt òptim des del qual maximitzo la meva 𝐜𝐨𝐛𝐞𝐫𝐭𝐮𝐫𝐚, minimitzo els 𝐝𝐞𝐬𝐩𝐥𝐚ç𝐚𝐦𝐞𝐧𝐭𝐬 (meus o dels clients) i 𝐜𝐨𝐧𝐭𝐫𝐨𝐥𝐨 el territori?

📊 El patró que es repeteix — els assentaments ibèrics amb millor control visual del territori solen correspondre's amb els oppida de més llarga durada i més importància jeràrquica. La visibilitat, en definitiva, era un avantatge competitiu que es traduïa en supervivència.

Com abans, ara tots cerquem visibilitat.

I aquí la pregunta desconcertant: si fa 2.500 anys els ibers ja sabien que la tria de la ubicació era una decisió basada en dades, per què avui tantes empreses encara trien el seu punt de venda, la seva zona d'expansió o el seu públic objectiu per intuïció?

https://lnkd.in/eZZeRDjP

Avui, amb eines més modernes: recollim, analitzem i interpretem dades per prendre decisions estratègiques. Les dades són el millor aliat —i la millor defensa contra les decisions a cegues.

Però no us perdeu el proper post, els ibers deixen el poble... per una paradoxa.

#DadesQueTransformen #Història #Catalunya #Ibers #Estratègia #Arqueologia #UbicacióÓptima

Plafó dels poblats a Puig Castellar de Joan Gené. Ubicacions de Mango a les planes del Vallès (del Google Maps).

✨ 𝐂𝐚𝐭𝐚𝐥𝐮𝐧𝐲𝐚 𝐚𝐯𝐚𝐧ç𝐚

Es redueix el 𝐝𝐢𝐟𝐞𝐫𝐞𝐧𝐜𝐢𝐚𝐥 𝐞𝐧 𝐩𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐯𝐢𝐭𝐚𝐭 amb la zona euro, del -12% (2021) al -7% (2025).

Les empreses catalanes registren els millors resultats en quaranta anys. La rendibilitat sobre patrimoni net en màxims històrics.

Un any més Carme Poveda Martinez i l’ Oriol Amat esplèndids en la presentació de la Memòria Econòmica de Catalunya de la Cambra de Comerç de Barcelona (amb la col·laboració de dades.cat https://www.dades.cat ) i amb la presència de l’Excm. Sr. Josep Santacreu Bonjoch i el Molt Honorable President Sr. Salvador Illa Roca .

L'Edison i la farmàcia de Francesc Domènech

🏠 De vegades passegem per ciutats antigues sense adonar-nos que els edificis que veiem van ser construïts sense pensar que mai tindrien llum elèctrica.

𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚, com tantes ciutats, va créixer abans que algú encengués una 𝐛𝐨𝐦𝐛𝐞𝐭𝐚. I quan va arribar aquell moment, a Barcelona va ser en una farmàcia.

🧪 Els primers electricistes eren químics

Avui associem l'electricitat amb enginyers, xarxes, centrals. Però el 1852, per tenir 𝐞𝐥𝐞𝐜𝐭𝐫𝐢𝐜𝐢𝐭𝐚𝐭, l'havies de crear tu mateix. I per crear-la, necessitaves piles.

Les piles són reactius químics que generen corrent. Per això, els primers que van experimentar amb electricitat eren farmacèutics i químics. Persones que entenien com barrejar elements per produir reaccions.

💡 𝐄𝐥 25 𝐝'𝐚𝐠𝐨𝐬𝐭 𝐝𝐞 1852, 𝐚𝐥 𝐜𝐚𝐫𝐫𝐞𝐫 𝐔𝐧𝐢ó 𝐝𝐞 𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚

Francesc Domènech i Maranges, farmacèutic barceloní, catedràtic de Química a la Universitat. Tenia 32 anys.

Aquell dia, va encendre una làmpada elèctrica a la seva pròpia farmàcia, al carrer de la Unió, 20, a tocar de la Rambla. Allà va brillar per primera vegada la llum elèctrica de manera permanent.

Un any abans, l'abril de 1851, s'havien fet experiments públics amb llum elèctrica en altres ciutats d'Espanya. El que va fer Domènech va ser diferent. Va fer una instal·lació de llum permanent. Una llum que es podia encendre cada nit, que formava part del local, que no era un espectacle sinó una utilitat pràctica.

👦 I mentrestant, 𝐄𝐝𝐢𝐬𝐨𝐧...

El dia que Francesc Domènech encenia la primera llum elèctrica permanent de Catalunya, Thomas Alva Edison, l’anomenat pare de l’electricitat, tenia 5 𝐚𝐧𝐲𝐬.

Encara faltaven 28 anys perquè Edison patentés la seva bombeta incandescent. I mig segle perquè l'electricitat arribés a les primeres cases.

Però en una farmàcia del carrer Unió de Barcelona ja tenien llum.

🔋 La ironia de la història

Avui, gairebé 175 anys després, tornem a les piles.

Els cotxes elèctrics funcionen amb bateries, grans piles, reactius químics que guarden energia per alliberar-la quan cal.

Domènech no va endevinar com fer llum. Va 𝐞𝐱𝐩𝐞𝐫𝐢𝐦𝐞𝐧𝐭𝐚𝐫 amb reactius químics Va 𝐦𝐞𝐬𝐮𝐫𝐚𝐫 quina combinació generava més corrent Va 𝐚𝐧𝐚𝐥𝐢𝐭𝐳𝐚𝐫 resultats Va prendre una decisió basant-se en les seves proves.

El que ell feia amb piles i elèctrodes al seu laboratori, avui ho fem amb 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬, 𝐞𝐬𝐭𝐚𝐝í𝐬𝐭𝐢𝐪𝐮𝐞𝐬 𝐢 𝐚𝐧à𝐥𝐢𝐬𝐢 𝐝𝐞 𝐝𝐚𝐝𝐞𝐬. Les eines han canviat. El principi és el mateix: fas decisions més intel·ligents quan tens informació de qualitat, i com ell, t'avances als altres.

#DadesQueTransformen #Barcelona #Història #Electricitat #Catalunya #Innovació #Química #CapitalMundialArquitectura #FestivalArtsLumíniques

Barcelona 2026, Capital Mundial de l’Arquitectura, Festival d’Arts Lumíniques Patent bombeta Edison Llum al carrer Exposició universal 1888

Felicitats!

𝟔𝟖.𝟎𝟎𝟎 𝐯𝐞𝐠𝐚𝐝𝐞𝐬

Això és el que multiplica la població de Barcelona respecte a Sant Jaume de Frontanyà. Però si vols comprar paper per la impressora, ambdós ajuntaments juguen a la mateixa lliga.

El municipi menys poblat de Catalunya té 𝟐𝟓 𝐡𝐚𝐛𝐢𝐭𝐚𝐧𝐭𝐬. Com una classe de primària. Menys que cambrers d'un bar de l'Eixample. Menys que el nombre de regidors de l'Ajuntament de Barcelona.

I, tanmateix, la 𝐋𝐥𝐞𝐢 de Contractes del Sector Públic (𝐋𝐂𝐒𝐏) no coneix decimals. No hi ha "mini-procediments" per a "mini-pobles".

🎯 El vermell i el petit:

Quan et diuen "Sant Jaume de Frontanyà" imagines un poblet tranquil del Berguedà. Però si ets l’alcalde, el que veus és: perfil de contractant, pla de contractació, obligacions de transparència, criteris d'adjudicació, publicació al perfil... exactament el mateix que l'alcalde de Barcelona.

Diferència? Barcelona té 2.600 persones per gestionar-ho. Sant Jaume de Frontanyà té... l'alcalde. Que també és regidor. I secretari. I interventor. Tot en un.

Però aquí no acaba la curiositat estadística:

📊 Més del 𝟓𝟎% 𝐝𝐞𝐥𝐬 𝐦𝐮𝐧𝐢𝐜𝐢𝐩𝐢𝐬 catalans tenen 𝐦𝐞𝐧𝐲𝐬 𝐝𝐞 𝟏.𝟎𝟎𝟎 𝐡𝐚𝐛𝐢𝐭𝐚𝐧𝐭𝐬. 📊 o el 𝟕𝟖% 𝐝𝐞𝐥𝐬 𝐦𝐮𝐧𝐢𝐜𝐢𝐩𝐢𝐬 catalans tenen 𝐦𝐞𝐧𝐲𝐬 𝐝𝐞 𝟓.𝟎𝟎𝟎 𝐡𝐚𝐛𝐢𝐭𝐚𝐧𝐭𝐬. 📊 la meitat dels ajuntaments de Catalunya gestionen contractació pública amb equips de 𝐦𝐞𝐧𝐲𝐬 𝐝𝐞 𝟑 𝐩𝐞𝐫𝐬𝐨𝐧𝐞𝐬. 📊 I el més sorprenent: els petits municipis representen només el 𝟔% 𝐝𝐞 𝐥𝐚 𝐩𝐨𝐛𝐥𝐚𝐜𝐢ó, però gestionen prop del 𝟑𝟎% 𝐝𝐞𝐥 𝐭𝐞𝐫𝐫𝐢𝐭𝐨𝐫𝐢.

Però no cregueu que tot son municipis, la cosa també es complica pels que han de complir la llei i no tenen recursos: 𝐔𝐧𝐢𝐯𝐞𝐫𝐬𝐢𝐭𝐚𝐭𝐬, 𝐇𝐨𝐬𝐩𝐢𝐭𝐚𝐥𝐬, 𝐅𝐮𝐧𝐝𝐚𝐜𝐢𝐨𝐧𝐬 públiques, 𝐀𝐮𝐭𝐨𝐫𝐢𝐭𝐚𝐭𝐬 administratives, 𝐂𝐨𝐧𝐬𝐨𝐫𝐜𝐢𝐬, 𝐔𝐧𝐢𝐭𝐚𝐭𝐬 gestores, Agències, Mútues públiques.

La contractació pública és com el joc del monopoli: les regles són les mateixes per a tots, però no tothom juga amb el mateix capital.

💡 Cal adaptar-s’hi. Segons la llei cal justificar 𝐯𝐚𝐥𝐨𝐫𝐬, 𝐝𝐚𝐝𝐞𝐬, 𝐱𝐢𝐟𝐫𝐞𝐬, 𝐩𝐫𝐞𝐮𝐬, 𝐝𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬. Això es pot subcontractar. Però l’ens públic ha de complir les regles...

▶️ ajuda: unes guies pràctiques pensades per no perdre's, sigui el teu municipi de 25 o d'1,7 milions d'habitants:

✅ Criteris d'Adjudicació ✅ Pressupost Base de Licitació ✅ Ofertes Anormalment Baixes ✅ Contractació Sostenible ✅ Modificacions Contractuals

🔗 Disponibles a: https://lnkd.in/eXx_frxm

#ContractacióPública #LCSP #Catalunya #AdministracióPública #Estadística #PetitsMunicipis #DadesQueTransformen

Imatge de Sant Jaume de Frontanyà de Marcsole

𝐋𝐞𝐬 𝐝𝐚𝐝𝐞𝐬 𝐦𝐞𝐧𝐭𝐞𝐢𝐱𝐞𝐧? 𝐋𝐚 𝐏𝐚𝐫𝐚𝐝𝐨𝐱𝐚 𝐝𝐞 𝐒𝐢𝐦𝐩𝐬𝐨𝐧 🎭

Tenim dos restaurants. El A, el 83.6% dels clients diuen que estan satisfets. El B, el 76.4%. On aniríeu a sopar? Sembla fàcil, oi?

Però analitzem les dades per separat, els caps de setmana i els entre setmana.

Els caps de setmana: el restaurant A té un 85% de satisfacció. El B, un 90%. Guanya el B.

Els entre setmana: el restaurant A té un 70% de satisfacció. El B, un 75%. Torna a guanyar el B.

Com pot ser que el B guanyi en ambdós períodes, però perdi en global? 🤯

La resposta és el volum. El restaurant A rep la majoria de valoracions el cap de setmana (quan tothom està més relaxat i content) i poques entre setmana. El B és a l'inrevés: la majoria dels seus clients venen entre setmana, més exigents, valorant el servei amb més duresa. Però aquest esforç del B, que li fa ser millor cada dia, és justament el que el castiga a la mitjana global.

📊 A la imatge ho veureu clar: B guanya en els parcials, però perd en el global.

Això és la 𝐏𝐚𝐫𝐚𝐝𝐨𝐱𝐚 𝐝𝐞 𝐒𝐢𝐦𝐩𝐬𝐨𝐧: una tendència que apareix en grups separats s'inverteix quan els combinem. No és un truc ni un error de càlcul. És la realitat amagant-se darrere d'una mitjana mal calculada.

Aquesta paradoxa ja va ser observada per Pearson (1899) i Yule (1903), però va ser Edward H. Simpson qui la va formalitzar el 1951 a la revista Journal of the Royal Statistical Society. El cas més famós va ser l'estudi de les admissions a la Universitat de Califòrnia, Berkeley (1975, publicat a Science), on les dones semblaven discriminades globalment però es va observar que no ho estaven en departaments individuals.

⚠️ 𝐀𝐢𝐱𝐨̀ 𝐩𝐚𝐬𝐬𝐚 𝐚 𝐥𝐚 𝐯𝐨𝐬𝐭𝐫𝐚 𝐞𝐦𝐩𝐫𝐞𝐬𝐚, 𝐚𝐥 𝐯𝐨𝐬𝐭𝐫𝐞 𝐦𝐮𝐧𝐢𝐜𝐢𝐩𝐢?:

Aquella enquesta de satisfacció on tot surt bé... i si hi ha un segment insatisfet ofegat per la majoria? El vostre 90% global amaga el 55% que més importa? Que el rànquing que afavoreix està distorsionat pel pes d'un grup que no és estratègic?

🛡️ 𝐋𝐚 𝐜𝐥𝐚𝐮: 𝐝𝐞𝐬𝐚𝐠𝐫𝐞𝐠𝐚𝐫 𝐢 𝐩𝐨𝐧𝐝𝐞𝐫𝐚𝐫

Quan analitzem dades d'enquestes o estudis sectorials, cal desagregar per segments rellevants, comprovar si la tendència es manté dins de cada subgrup i ponderar segons la importància estratègica de cada segment. Utilitzem metodologies com QFD i la matriu Kano per identificar quins segments són clau per a l'estratègia.

L’estadística és la ciència de les mitjanes, però l’usuari “mitjana” no existeix. Si les dades no us expliquen què passa a cada racó, només veieu l'ombra de la realitat.

🔗 Les vostres dades amaguen una paradoxa? A la guia "𝐃𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬 𝐚𝐦𝐛 𝐝𝐚𝐝𝐞𝐬 𝐪𝐮𝐚𝐥𝐢𝐭𝐚𝐭𝐢𝐯𝐞𝐬" trobareu eines per detectar aquestes trampes i prendre decisions fonamentades: https://lnkd.in/e4KqABgu

#ParadoxaDeSimpson #Estadística #AnàlisiDeDades #BiaixEstadístic #DadesQueTransformen #QFD #DecisionsAmbDades #DadesCat

Casa Milà (no tot és el què sembla)

🌟 En cada decisió que prens pots multiplicar l'impacte

Gestionar un municipi o una empresa de serveis avui no és només administració, és arquitectura. Estàs construint l'ecosistema on les persones viuen, els usuaris interaccionen i les empreses creixen.

Però, com fas que cada euro invertit treballi el doble? Com assegures que la teva estratègia no és només "una idea més", sinó el motor real de competitivitat?

A dades.cat fa temps que posem el nostre granet de sorra. Ara, amb la guia: "𝐋𝐚 𝐜𝐨𝐦𝐩𝐞𝐭𝐢𝐭𝐢𝐯𝐢𝐭𝐚𝐭 𝐞𝐧 𝐞𝐥𝐬 𝐬𝐞𝐫𝐯𝐞𝐢𝐬", dissenyada per transformar la teva visió en resultats tangibles.

No es tracta de treballar més, es tracta de treballar amb objectiu. Amb la metodologia QFD et descobrim com:

🚀 Passar de la intuïció a la ciència: Eliminem els "crec que" i els "m'ha semblat", i treballem amb dades que mostren el camí clar. 🎯 Actuar amb precisió: Ja no cal prioritzar a l'atzar. Sabràs exactament què necessita el nou emprenedor (rapidesa) i què valora la indústria consolidada (seguretat), satisfent a tots sense dispersar recursos. 📊 Maximitzar el retorn: Convertirem opinions disperses en un full de ruta executiu. Imagina poder dir: "Aquesta acció concreta resoldrà el 60% de les necessitats estratègiques". Lideratge basat en dades.

Aquesta eina porta el teu territori o la teva empresa a l’excel·lència. ✨ Descobreix com fer de la teva gestió un referent de competència i èxit: 🔗 https://lnkd.in/e4KqABgu

#CompetitivitatTerritorial #Leadership #Innovació #QFD #DadesQueTransformen #Èxit #GestióInteligent

Avui per 𝐒𝐚𝐧𝐭 𝐉𝐨𝐫𝐝𝐢, un 𝐥𝐥𝐢𝐛𝐫𝐞 i una 𝐫𝐨𝐬𝐚.

Fa anys llegíem amb molt d’interès un llibre que reflecteix una època, els anys 70, i una persistent crisi (inflació, guerra del petroli, Vietnam). El 𝐌𝐚𝐧𝐢𝐚𝐬, 𝐏𝐚𝐧𝐢𝐜𝐬, 𝐚𝐧𝐝 𝐂𝐫𝐚𝐬𝐡𝐞𝐬: A History of Financial Crises (Macmillan, 1978) de 𝐂𝐡𝐚𝐫𝐥𝐞𝐬 𝐊𝐢𝐧𝐝𝐥𝐞𝐛𝐞𝐫𝐠𝐞𝐫. Ens va obrir els ulls sobre els grans entrebancs econòmics, des de la crisi de les Tulipes a Holanda, fins aquella època dels 70.

𝐑𝐚𝐲 𝐃𝐚𝐥𝐢𝐨, i amb una estructura similar, ha fet un nou llibre molt actual, i adient. "𝐍𝐮𝐞𝐯𝐨 𝐨𝐫𝐝𝐞𝐧 𝐦𝐮𝐧𝐝𝐢𝐚𝐥". Sembla un “remake” del de Kindleberger, però aporta moltes coses noves. Ens explica com actualment, en un món globalitzat, les crisis s’estenen... i canvien l’ordre mundial.

Aquestes lectures ens recorden que els canvis —bons o dolents— formen part de la nostra realitat. És per això que dona sentit dissenyar enquestes rigoroses, analitzar realitats socials i econòmiques i aportar evidència per prendre decisions fonamentades. El fet d’estructurar i visualitzar dades perquè siguin comprensibles, accionables i útils ens ajuda a decidir... i superar els entrebancs.

Ray Dalio, però, no els tracta com un problema, sinó com uns canvis que porten a una realitat diferent i que val la pena tenir-la en compte.

Bona diada de Sant Jordi! 🌹📚

𝐂𝐨𝐦 𝐩𝐫𝐢𝐨𝐫𝐢𝐭𝐳𝐚𝐫 𝐭𝐚𝐬𝐪𝐮𝐞𝐬 𝐪𝐮𝐚𝐧 𝐞𝐥 𝐫𝐞𝐬𝐮𝐥𝐭𝐚𝐭 é𝐬 𝐢𝐧𝐜𝐞𝐫𝐭?

Segur que us ha passat: com es pot saber el valor d’una tasca que encara no heu fet i que tindrà un resultat incert? A dades.cat , ho hem convertit en un procés estructurat i, fins i tot, divertit. Us explico com ho fem:

1. Classificació inicial Combinem la nostra experiència de 25 anys al Màster de Direcció de Projectes de la Fundació UPC amb tècniques estadístiques senzilles. Primer, valorem les tasques segons si són recurrents o puntuals.

2. Tres mètodes clau Apliquem una escala de 3 criteris per prioritzar:

• Matriu d’Eisenhower: Classifiquem les accions segons si són urgents, importants, o ambdues coses. Això ens ajuda a decidir si les fem ara (urgent i important), les deleguem (urgent, però poc important), o les deixem de banda. • Must, Should, Could, Won’t: Similar a l’anterior, però amb una puntuació de l’1 al 5 segons la valoració que donem de si són realment necessàries. • Matriu Impacte-Esforç: Valorem les nostres capacitats i l’impacte de cada tasca per prioritzar de manera més objectiva.

3. Puntuació ponderada Combinem aquests mètodes amb una puntuació ponderada per obtenir un valor final. Després, simplement, ordenem les tasques i ens posem a treballar. Això sí, el més important és començar!

𝐀𝐥𝐭𝐫𝐞𝐬 𝐞𝐢𝐧𝐞𝐬 𝐚𝐯𝐚𝐧ç𝐚𝐝𝐞𝐬

Per a projectes més complexos, també utilitzem:

• Anàlisi Cost-Benefici • Anàlisi de Riscos • Cost d’Oportunitats • Matriu Kano i QFD (per a enquestes i anàlisis estadístiques).

𝐔𝐧 𝐚𝐠𝐫𝐚ï𝐦𝐞𝐧𝐭 𝐞𝐬𝐩𝐞𝐜𝐢𝐚𝐥

Vull aprofitar per donar les gràcies als professionals del Màster de Direcció de Projectes que m’han acompanyat participant-hi durant més de 25 anys: Anna Florensa Boloix , Elisabet Prieto i l’ Antonia Romero Cuadros , que sempre hi eren. Al Joan SARDA i al Guillermo Fernández, quadrant l’impossible i sempre amb un somriure, i especialment al @Paco Solé Parellada (DEP) del qual en guardem un molt bon record, que em va introduir i em va presentar al Lluis Cuatrecasas per col·laborar en els seus màsters. Moltes gràcies.

De la pedra tallada de Roma al "trencadís" de Gaudí: Tota la informació té un lloc.

Si mireu un 𝗺𝗼𝘀𝗮𝗶𝗰 de prop, què veureu? 𝗖𝗮𝗼𝘀. 𝗙𝗿𝗮𝗴𝗺𝗲𝗻𝘁𝘀. Peces que, separades, no semblen servir per a res. Però la història de l'art ens ensenya que la bellesa —i el coneixement— no està en la peça, sinó en com la poses en relació amb les altres.

🏛️ A l'època romana, es tallaven marbres amb una precisió extrema. Era l'ordre, l'estructura, la dada bruta i fiable. Un cop precís obtenia la peça.

🕌 Amb la influència àrab, vam aprendre a jugar amb la geometria i a trencar petits rajols per crear complexitat matemàtica. Ja no era només ordenar, era començar a trobar patrons en el detall, sanefes, sèries.

🎨 Però va ser amb el 𝗠𝗼𝗱𝗲𝗿𝗻𝗶𝘀𝗺𝗲 que va néixer la revolució: el Trencadís. Gaudí, Jujol i els seus contemporanis van aglutinar tot això, però afegint una cosa revolucionària: el que un considera "rebuig" o "restes", ho van convertir en art. Van agafar trossos de plats trencats, de ceràmica inservible, i en unir-los van crear figures que mai no havien existit abans.

L’empresa i les dades?

Moltes empreses avui tenen "romanents": 𝗱𝗮𝗱𝗲𝘀 de clients que semblen inútils, transaccions antigues, interactuacions que no tenen sentit per separat. Són com les 𝘁𝗲𝘀𝘀𝗲𝗹·𝗹𝗲𝘀 tirades per terra.

Però, igual que en el trencadís, quan agafeu aquests fragments aparentment sense sentit i els agrupeu, els analitzeu i els poseu en context... màgicament apareix una figura que no sabíem que hi era.

Sorgeix una oportunitat de negoci que ningú veia. Es percep un comportament del client que estava amagat. Es crea una estratègia nova a partir de les "restes" d'informació.

No cal limitar-nos a comptar rajoles. Hem d’aplicar l'art de trencar i recompondre a la realitat empresarial per trobar aquella figura que ens portarà al següent nivell.

Perquè com deia Gaudí: "𝗟'𝗼𝗿𝗶𝗴𝗶𝗻𝗮𝗹𝗶𝘁𝗮𝘁 𝗰𝗼𝗻𝘀𝗶𝘀𝘁𝗲𝗶𝘅 𝗮 𝘁𝗼𝗿𝗻𝗮𝗿 𝗮 𝗹'𝗼𝗿𝗶𝗴𝗲𝗻". I l'origen de la decisió intel·ligent és conèixer totes les peces, fins i tot les que semblaven trencades. Potser cal aprofitar això que ens sembla inservible i que admirarem amb el pas del temps.

#Trencadis #Modernisme #BusinessIntelligence #DataAnalytics #Catalunya #Gaudí #Innovacio #DadesCat

Home amb barretina en un mosaic fet de tessel·les a Centcelles, Constantí (s. IV, patrimoni de la humanitat de l’Unesco). Foto Parc Güell de Isiwal. Josep Maria Jujol i Gibert

📊 Les dades més simples poden canviar el joc... i la història

𝐕𝐨𝐥𝐭𝐚𝐢𝐫𝐞, el filòsof de l’època de les llums a mitjans del 1700, era molt adinerat. El més curiós és que no ho era per escriure llibres, sinó per aliar-se amb un amic matemàtic 𝐂𝐡𝐚𝐫𝐥𝐞𝐬 𝐌𝐚𝐫𝐢𝐞 𝐝𝐞 𝐋𝐚 𝐂𝐨𝐧𝐝𝐚𝐦𝐢𝐧𝐞.

🧮 Analitzant les estadístiques de la loteria de París van descobrir una cosa... i van decidir actuar. Els seus càlculs els van donar la pista, mirant les mostres dels premis que donava la loteria de Paris i el nombre de butlletes que emetia. L’administració pública estava molt endeutada i la loteria era una solució. El premi era molt atractiu. Però aquí hi ha el truc: Voltaire i el matemàtic van descobrir que el valor total dels bitllets no cobria els premis.

Els dos van demanar a una colla d’amics que els ajudessin. A la que la que els bitllets van aparèixer de nou, i de forma coordinada, van comprar totes les butlletes que hi havia. No podien perdre.

💶 El dia del premi, clar, van guanyar i es van repartir els diners. L’avarícia, però, els va fer repetir el procés més vegades, fins el punt que la Loteria de Paris els va demandar. Però van guanyar el judici, no havien comès cap delicte.

Voltaire, amb una bona posició, va poder viatjar per Europa i escriure coses que van marcar una època. Una d’elles, i veient ara que l’escrivia des d’un punt de vista empresarial o econòmic i no filosòfic, és el què va dir sobre Catalunya:

🌟 “Catalunya és un dels països més fèrtils i afortunadament situats de la terra. Regada per bells rius, rierols i fonts [...], produeix tot el necessari per a les necessitats humanes i tot el que pot satisfer els desitjos humans pel que fa a arbres, blat, fruites i verdures de tota mena.”

"Barcelona és un dels millors ports d'Europa, i la regió proporciona tot el necessari per a la construcció naval. Les seves muntanyes estan plenes de pedreres de marbre, jaspi i cristall de roca; fins i tot s'hi troben pedres precioses. Les mines de ferro, estany, plom, alum i vidriol són abundants; la costa oriental produeix corall".

Paradoxalment, la seva conclusió empresarial era clara:

"Catalunya pot prescindir de tot l'univers, però els seus veïns no poden prescindir d’ella".

Les anàlisis senzilles i dades accessibles, poden revelar oportunitats ocultes. Avui, amb la tecnologia i les eines adequades, qualsevol pot prendre decisions més intel·ligents i estratègiques.

#DadesQueTransformen #Estratègia #Innovació #Voltaire #Catalunya

Per què Harvard és Harvard. El secret és estadístic? 🤓

Ens passa a tots. Obrim Google Maps per buscar un restaurant, veiem les estrelles i ens en fiem. A Amazon, cerquem un producte i el primer que fem és mirar les opinions. O mirem el rànquing de les "millors ciutats per viure" i assentim, encara que el nostre instint ens diu: "alguna cosa no encaixa".

El problema no som nosaltres, és la dependència al camí (𝐩𝐚𝐭𝐡 𝐝𝐞𝐩𝐞𝐧𝐝𝐞𝐧𝐜𝐞).

Des de l'anàlisi de dades, aquest fenomen és una autèntica maledicció estadística. Viola un principi sagrat: la independència de les observacions.

Si un rànquing es basa en una enquesta demanant una "percepció", i l'enquestat ja coneix els resultats anteriors, la seva resposta ja no és nova i neta. Està contaminada pel biaix de confirmació. És un bucle: el rànquing diu que X és el millor -> la gent ho percep com el millor -> la gent vota que és el millor.

El resultat és una autocorrelació de la reputació. Una "trampa".

🎓 Pensem en 𝐇𝐚𝐫𝐯𝐚𝐫𝐝. És la millor universitat del món? Segurament ara sí. Però va ser la millor al principi?, o simplement va ser la primera en tenir un departament de màrqueting agressiu i va entrar als rànquings globals abans que ningú?

♻️ Això és l'𝐄𝐟𝐞𝐜𝐭𝐞 𝐌𝐚𝐭𝐞𝐮 aplicat a l'estadística: "Als qui tenen, se'ls donarà, i en tindran de sobra; però els qui no tenen, fins i tot el que tenen els serà pres". Harvard rep els millors alumnes i inversions perquè és al capdamunt, i és al capdamunt perquè rep els millors alumnes i inversions.

I les nostres universitats catalanes? Podrien tenir paràmetres acadèmics objectius (docència, ràtio professor/alumne) superiors, però arrosseguen l'inconvenient d'haver arribat tard a la festa dels rànquings. La seva sèrie temporal de reputació no té la inèrcia de dècades.

A l'estadística inferencial no hi ha botó de "desfés" per a aquest biaix. O sí?

Aquest efecte, de vegades, porta a que la que més hi guanya no és la millor. Les tecles del teclat estan en ordre QWERTY, resultat de la dependència al camí. Es va dissenyar per evitar que les màquines d'escriure s’encallessin, un problema tècnic que ja no existeix. Hi ha disposicions molt més ràpides i eficients, però estem atrapats en aquesta configuració "subòptima" perquè va ser la primera. Igual que Harvard, va arribar la primera i va marcar l'estàndard.

La solució és urgent: necessitem més anàlisi crítica i menys fe cega en les llistes. Cal posar-nos a calcular mitjanes, desviacions estàndard i correlacions reals, no només llegir el resum del que ens han fet als Estats Units. Cal fer rànquings, càlculs, estadístiques amb les nostres dades, amb les dades que generem avui... podrien condemnar els successors a una dependència injusta: pot ser que algun dia una universitat catalana es converteixi en una sucursal de Harvard?. Amb algunes escoles ja passa. Són les millors?.

#Estadística #AnàlisiDeDades #Rànquings #Catalunya #PathDependence #Biaix #LinkedInTips

Gràfic de PenStudents.

🫥 Quan el pseudònim és l'únic nom vàlid

Ens pensem que amagar la identitat per obtenir el que vols és cosa de hackers moderns o potser ho hem vist en posts a xarxes conflictives. Però fa més d'un segle, a l'Ebre, ja hi havia una experta en això.

La seva "IP" real era Caterina Albert. Però quan volia accedir al món literari (un entorn molt ben protegit per la societat patriarcal del XIX), el "sistema" la bloquejava. Error 403: Accés denegat per ser 𝐝𝐨𝐧𝐚.

Què va fer? El que fan alguns avui dia: va canviar la seva identitat. Es va posar el pseudònim 𝐕í𝐜𝐭𝐨𝐫 𝐂𝐚𝐭𝐚𝐥à i, de cop i volta, les portes se li van obrir. El sistema va pensar que era un home i li va donar permís per entrar, guanyar els 𝐉𝐨𝐜𝐬 𝐅𝐥𝐨𝐫𝐚𝐥𝐬 i publicar la seva obra mestra.

👩‍🚀 La lliçó de 𝐒𝐨𝐥𝐢𝐭𝐮𝐝 i les 𝐃𝐚𝐝𝐞𝐬:

El llibre Solitud parla d'una dona, la Mila, que lluita per trobar el seu lloc en un entorn hostil i obscur. Avui, les dades que volem recollir d'internet sovint estan en aquest mateix escenari: "muntanyes" de codi HTML inhòspites i "boires" de formats incomprensibles, xarxes protegides per monopolis infranquejables.

🌹 El nostre Víctor Català modern:

Sempre, l'objectiu és extreure la veritat (les dades) amagada dins la muntanya de codi. L'estratègia per arribar a aquesta veritat és de navegar amb compte, "disfressant-te" (utilitzant proxies o canviant capçaleres) perquè els filtres anti-bot no et treguin del sistema abans d'hora. Però qui fa aquestes limitacions?. No son les lleis, son els que volen protegir el sistema (al SXIX: “només s’accepten homes”).

⚠️ El debat d'avui:

Tot està canviant, noves lleis i directives a Europa que faran haver-nos d’identificar a les xarxes, o inclús al nostre propi ordinador. No hi estem en contra, tot el contrari, però s’haurà d’afinar la regulació, a qui hem de 𝐥𝐢𝐦𝐢𝐭𝐚𝐫 el poder no és a la 𝐂𝐚𝐭𝐞𝐫𝐢𝐧𝐚 𝐀𝐥𝐛𝐞𝐫𝐭 d’avui en dia, sinó als dels 𝐉𝐨𝐜𝐬 𝐅𝐥𝐨𝐫𝐚𝐥𝐬 que només volen homes.

Ara, les noves lleis i regulacions lluiten perquè a internet tot sigui transparent i identificable. Volen que deixem de ser anònims. Però, tal com va passar amb Caterina, de vegades la identitat real és un obstacle per accedir al coneixement. Si no hagués amagat la seva, mai hauríem tingut Solitud.

Cal fer de "Víctor Català" digital: ens endinsem en el codi, recollim les dades valuoses (siguin d’agricultura, indústria o serveis) i les portem a la llum, sempre amb ètica però amb l'astúcia necessària per superar les barreres, que cal remarcar, son paranys que no les posa qui ha generat les dades (les persones, les empreses petites), sinó qui ara les domina, les desa amb zel i les rendibilitza amb els mateixos que les han generat.

Les dades, com els grans personatges, de vegades necessiten una mà experta per ser descobertes.

#WebScrapping #Dades #VíctorCatalà #Solitud #CulturaCatalana #OpenData #DonesDigitals #Ciberseguretat #DadesCat

𝐅𝐨𝐫𝐦𝐮𝐥𝐚𝐫𝐢𝐬 𝐞𝐭𝐞𝐫𝐧𝐬? La ciència diu que la paciència té un límit ⏱️

Segons l'estudi clàssic de Michael Hoerger (2009) sobre l'abandonament en enquestes a estudiants universitaris, la relació entre temps i participació és brutal: la corba descendent és exponencial. Passats certs minuts, l'usuari marxa. Però, per què passa això? La resposta és la Càrrega Cognitiva. Cada pregunta és un esforç mental. Si sobrecarreguem l'usuari, el sistema falla.

L’abandonament provoca biaixos. Potser els que menys ganes de contestar són els que ens interessen més?.

Quan recollim dades en un formulari minimitzem aquesta fricció aplicant tècniques de disseny centrat en l'usuari per evitar l'abandonament:

🙇‍♂️ Tècniques 𝐚𝐧𝐭𝐢-𝐚𝐛𝐚𝐧𝐝𝐨𝐧𝐚𝐦𝐞𝐧𝐭: 🔸 Reducció de la càrrega psicològica: Dividim el formulari en blocs temàtics classificats. El cervell processa millor 3 grups de 3 preguntes que 9 preguntes seguides ("Chunking"). 🔸 Textos mínims: Utilitzem textos curts, directes i lliures de tecnicismes. Una pregunta ben redactada estalvia segons vitals de processament mental i la càrrega de la memòria al processar-los (Microcopy strategy). 🔸 Lògica condicional avançada: El principi de "no preguntar l'innecessari". Si l'usuari tria l'opció A, amaguem les preguntes de l'opció B. Respectem el seu temps. 🔸 Estètica neta i ajudes visuals: Una interfície visualment neta redueix l'estrès visual, una la barra de progrés dona la certesa que "s'acaba", motivant a continuar, combinació de colors especials relaxen, petits moviments provoquen interès.

𝐃𝐚𝐝𝐞𝐬 𝐫𝐞𝐜𝐨𝐥𝐥𝐢𝐝𝐞𝐬? Ara toca transformar-les... i descobrir què ha passat.

No ens limitem a guardar la informació. Llavors cal fer parlar els números amb rigor:

♻️ Modelització de processos: Utilitzem diagrames de flux per visualitzar les dades i detectar colls d'ampolla en les operacions on s’han produït els abandonaments. ✅ Anàlisi Estadística Avançada: Apliquem regressions i correlacions per trobar relacions ocultes. No només descrivim què ha passat, sinó que busquem variables predictives per saber què passarà. 📑 Un bon formulari no és el que té més preguntes, sinó el que obté la informació essencial amb el menor esforç possible.

#Dades #Estadistica #UserExperience #CàrregaCognitiva #Processos #Formularis #DataScience

(Gràfica 2 de l'estudi "Abandonament dels participants en funció de la durada de l'enquesta en estudis universitaris mediats per Internet: implicacions per al disseny de l'estudi i la participació voluntària en la recerca psicològica". Michael Hoerger, M.A. 2009. Department of Psychiatry, University of Rochester Medical Center, Rochester, New York)

Les coses “amagades” de l’𝐄𝐱𝐜𝐞𝐥!

L’Excel té coses amagades. És un programa que algú podria dir que ha estat “superat”, però la veritat és que costa trobar una eina tant potent com ell.

I té coses que es coneixen poc. I que han evolucionat molt.

👾 Curiositat "Retro": sabies que l'Excel tenia un 𝐯𝐢𝐝𝐞𝐨𝐣𝐨𝐜 𝐚𝐦𝐚𝐠𝐚𝐭? No és broma. A l'Excel 95 hi havia un "Easter egg" amagat que, si aconseguies activar-lo, et deixava jugar a un joc 3D anomenat "The Hall of Tortured Souls". Literalment, "El passadís de les ànimes turmentades". No era gaire adient imagino, i tampoc el tema que tractava el joc... Perquè de vegades, netejar dades manualment sense les eines adequades fa que et sentis com un d'aquells personatges turmentats. 🙇‍♂️

La realitat però, és que no cal patir. Ara l’Excel permet fer coses que ni podies imaginar als anys 90.

📊 𝐄𝐱𝐜𝐞𝐥: És el nostre full de càlcul de tota la vida.

Però a dins d’ell ara ja no hi ha un joc, hi ha el:

🛠️ 𝐏𝐨𝐰𝐞𝐫 𝐐𝐮𝐞𝐫𝐲: És el motor "invers". Mentre tu prens cafè, ell neteja, transforma i deixa les dades preparades. És màgia pura. De vegades el deixem fer durant 3, o 6 hores! I finalment:

🗂️ 𝐒𝐐𝐋: El llenguatge universal. Per quan les dades ja no caben en un fitxer i necessites parlar seriosament amb bases de dades reals.

El joc amagat de l'Excel 95 simbolitzava l'infern de les dades mal gestionades. Però avui dia, gràcies a la combinació de SQL i Power Query, podem evitar aquest "infern" i fer que l'anàlisi de dades sigui un camí menys tortuós que el del joc.

La metàfora culinària:

Imagina que les teves dades són ingredients bruts.

🥘 L'Excel clàssic és com cuinar una paella. Pots fer miracles, però si has de donar menjar a 1.000 persones (o processar 100.000 files), acabaràs suant i amb una torrada cremada.

🧑‍🍳 Power Query és contractar un equip de "Sous Chefs" automatitzats. Els hi dius: "Netegeu les pastanagues, peleu les patates i ho poseu tot al plat". I ells ho fan sols, una vegada i una altra, sense queixar-se. Tu només has de prémer un botó (però clar, li ho has de dir com fer-ho abans!, programant-ho).

🏬 SQL és el supermercat gegant on hi ha tot l'stock. No cal que portis els ingredients a casa (Excel) per veure què hi ha; pots preguntar directament al supermercat: "Dona'm tots els clients que han comprat xocolata el dimarts". I ell t'ho entrega en un segon. El Power Query ho prepara, i tu ho treballes i ho analitzes a l’Excel.

#DataManagement #ExcelTips #PowerQuery #SQL #BusinessIntelligence #DadesCat #ExcelHistory #DataScience #Learning #PowerBI

🚀 Ildefons Cerdà: El primer "𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭" de 𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚 (i per què ens hauria d’importar avui) Quan parlem de Big Data o Smart Cities, ens venen al cap sensors futuristes a Singapur o algoritmes a Silicon Valley. Però el veritable pioner de la recollida de dades amb impacte social va viure a Barcelona… fa 170 anys! 🏙️📊

Un enginyer que va canviar la ciutat amb números Abans de dibuixar el famós Pla de l’Eixample, Ildefons Cerdà va fer quelcom revolucionari: va decidir prendre decisions basades en dades, no en suposicions. El 1856, va publicar la Monografia estadística de la classe obrera en Barcelona, un estudi que analitzava com vivia realment la gent. I ho va fer amb una precisió que avui ens deixaria bocabadats: ✅ Va mesurar la superfície de cada habitatge i la densitat de persones per habitació. ✅ Va comptar finestres (sí, les finestres!) per avaluar la salut i la qualitat de vida. ✅ Va descobrir que la ciutat vella era un cau de malalties, amb una mortalitat altíssima per manca de llum i ventilació.

La solució? No va ser artística, va ser estadística. Les illes quadrades, els xamfrans de 45 graus i els carrers amples de l’Eixample no van sorgir d’un capritx estètic, sinó d’una anàlisi rigorosa de dades. Cerdà fins i tot va calcular el radi de gir dels carros i la distància màxima que una persona podia caminar des de la feina a casa sense esgotar-se. Això va definir la mida de les illes de l’Eixample: 113,3 metres. L’alçada dels edificis: exactament la que deixés entrar la llum al carrer amb el sol a 45º.

El seu gran aprenentatge: El biaix en les dades Cerdà va entendre quelcom que avui encara costa aplicar: si només reculls dades dels que tenen veu, els que es podien permetre anar en carro, dissenyaries una ciutat (o un negoci) per a una minoria. En la seva època, molts arquitectes planificaven per als carruatges de l’elit. Ell, en canvi, va analitzar el flux real de vianants: 𝐠𝐞𝐧𝐭 𝐜𝐚𝐦𝐢𝐧𝐚𝐧𝐭, 𝐱𝐞𝐫𝐫𝐚𝐧𝐭, 𝐭𝐫𝐚𝐠𝐢𝐧𝐚𝐧𝐭 aigua… i fins i tot ocells! Va quantificar l’espai públic necessari no per als cotxes, sinó per a la vida social i la higiene, ventilació, llum.

🔍 El gran error modern: Dissenyar per als que ja coneixem. Avui, moltes empreses cauen en el mateix parany: 📌 Biaix tecnològic: Si fas una enquesta online, exclous qui no té accés a internet (grans, persones amb poca alfabetització digital). 📌 Biaix d’idioma: Una traducció literal d’una enquesta anglesa pot perdre el sentit cultural. 📌 Biaix de client: Ens fixem en els “clients carruatge” (els que compren fàcilment) i oblidem la “gent a peu” (els que no responen enquestes, els que entren a la botiga i marxen).

La lliçó de Cerdà: Les dades han de servir per a TOTHOM. El seu llegat ens recorda que l’èxit de qualsevol projecte (una ciutat, un producte, un servei) depèn de si entenem les necessitats reals de les persones.

#DataScience #Innovació #Barcelona #SmartCities #Història

Imatges Andreumallada, Manuel Erruz.

"𝐄𝐥 𝐦𝐢𝐬𝐭𝐞𝐫𝐢 𝐝𝐞𝐥𝐬 𝐚𝐯𝐢𝐨𝐧𝐬 𝐛𝐥𝐢𝐧𝐝𝐚𝐭𝐬: Què ens amaguen les dades que 𝐍𝐎 veiem?

Hi ha ocasions en què cal analitzar dades per trobar relacions entre variables: adults o infants, servei o qualitat, poble o ciutat. Però, de vegades, el més revelador no és el que veiem, sinó el que no hi és. A dades.cat ens apassiona buscar la veritat amagada darrere dels números, però la història ens ensenya que la informació més valuosa sovint és la que no tenim.

🛩️ Corria l'any 1943. Els avions aliats tornaven de les missions amb forats de bala a les ales, el fuselatge i la cua. Els militars, amb dades i sentit comú, van decidir blindar aquestes zones: era on més impactes rebien. Però 𝐀𝐛𝐫𝐚𝐡𝐚𝐦 𝐖𝐚𝐥𝐝, un estadístic brillant, que formava part del Statistical Research Group de la Universitat de Colúmbia, va mirar els gràfics i va dir: 'Esteu equivocats. No heu de blindar on són els forats, 𝐡𝐞𝐮 𝐝𝐞 𝐛𝐥𝐢𝐧𝐝𝐚𝐫 𝐨𝐧 𝐍𝐎 𝐧'𝐡𝐢 𝐡𝐚.'

La seva lògica era impecable: els avions que tornaven amb forats a les ales havien sobreviscut a aquests impactes. Però els que rebien trets al motor o a la cabina no tornaven mai. Les zones 'netes' no eren segures: eren mortals. Aquesta anàlisi va canviar completament l'estratègia de blindatge posant-lo a on no hi havia forats. Avui la coneixem com la paradoxa del '𝐁𝐢𝐚𝐢𝐱 𝐝𝐞𝐥 𝐒𝐮𝐩𝐞𝐫𝐯𝐢𝐯𝐞𝐧𝐭'.

Aquest mateix biaix afecta les decisions d’avui en dia: • 𝐄𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬 𝐝𝐞 𝐬𝐚𝐭𝐢𝐬𝐟𝐚𝐜𝐜𝐢ó: Si només pregunteu als usuaris que es queden, perdreu la visió dels que se'n van (els vostres 'avions que no van tornar'). • 𝐏𝐫𝐨𝐝𝐮𝐜𝐭𝐞𝐬 𝐞𝐬𝐭𝐫𝐞𝐥𝐥𝐚: Analitzar només els èxits fa ignorar per què altres productes fracassen. • 𝐅𝐞𝐞𝐝𝐛𝐚𝐜𝐤: Si només escoltem els que es queden, no entendrem els motius dels que marxen.

🫥 La vostra dada invisible de vegades és la interessant. La nostra feina no és només omplir fulls de càlcul, sinó ajudar a trobar el que no es veu: els forats que falten, les veus que no sentim i les oportunitats que es perden.

🔍 No deixeu que l'estratègia s'enlairi a cegues. Cal prendre decisions basades en la realitat completa, no només en els supervivents. Perquè, com va dir Wald, de vegades la resposta està on no mires.

#Dades #BiaixDelSupervivent #AnàlisiDeDades #EstratègiaEmpresarial "

El mètode de 𝐌𝐨𝐧𝐭𝐞𝐜𝐚𝐫𝐥𝐨: l'aleatorietat per calcular 🎲

Moltes vegades, sense adonar-nos-en, utilitzem el mètode de Montecarlo per analitzar, predir o calcular coses. 🎰 El nom ve del famós casino de Montecarlo, i la idea és senzilla: fer càlculs a partir de dades aleatòries per simular escenaris possibles. ✅ Quantes més dades aleatòries utilitzem, més precís serà el resultat. ⚠️ Però la realitat no sempre ens permet generar totes les dades que voldríem.

🛠️ 𝐄𝐥 𝐜𝐚𝐬 𝐝𝐞𝐥 𝐟𝐮𝐬𝐭𝐞𝐫: 𝐪𝐮𝐚𝐧 𝐥𝐚 𝐚𝐥𝐞𝐚𝐭𝐨𝐫𝐢𝐞𝐭𝐚𝐭 𝐟𝐚𝐥𝐥𝐚 Imagina un fuster que ha de tallar una placa de fusta per encaixar-la en un espai irregular. Si mesura 100 punts aleatoris: El tall seria gairebé perfecte… però és impossible fer-ho en la pràctica. Si mesura 3 punts aleatoris: El resultat serà imprecís, perquè és probable que els punts no estiguin ben distribuïts. Solució real: No es deixa a l’atzar. El fuster triarà 3 punts clau, ben repartits, per garantir un tall exacte.

🗳️ 𝐄𝐥 𝐜𝐚𝐬 𝐝𝐞 𝐥𝐞𝐬 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬 𝐞𝐥𝐞𝐜𝐭𝐨𝐫𝐚𝐥𝐬: la logística importa més que la teoria. Volem predir els resultats d’unes eleccions amb 600 enquestes. Segons el mètode de Montecarlo, hauríem de seleccionar les persones a l’atzar: dues a Manlleu, tres a Vic, una a Tona… Problema: Cost elevat (centenars d’enquestadors o desplaçaments caríssims) i Ineficiència (amb aquesta distribució, no obtindríem una mostra representativa). Què es fa a la pràctica: anem un dissabte al matí a la plaça de Vic, on hi va gent de tota la comarca. Així, amb menys recursos, aconseguim una mostra més equilibrada.

L’aleatorietat és ideal en teoria, però la realitat ens obliga a adaptar-nos o cal guiar-la amb criteri.

🤖 𝐋𝐞𝐬 𝐈𝐀: entre l’atzar i l’eficiència Les intel·ligències artificials funcionen, en part, com un Montecarlo gegantí: - Les dades que tenen emmagatzemades, les combinen i s'aproximen de manera "aleatòria" a la resposta més adequada. Però com el fuster o l'enquestador, això porta a problemes: Si només agafen 3 "punts" de dades aleatòries, el resultat és inadequat, però si n'agafen molts, el càlcul necessita molta energia. Les IA més avançades no ho deixen tot a l’atzar. Utilitzen algoritmes per: - Seleccionar dades rellevants (com el fuster que tria punts clau). - Optimitzar recursos (com l’enquestador que va a la plaça de Vic). 🔍 Què en podem aprendre? El mètode de Montecarlo és potent, però no és màgic. Cal saber quan i com aplicar-lo. La realitat imposa límits: Temps, costos i logística sovint ens obliguen a adaptar la teoria. La intel·ligència —humana o artificial— consisteix a saber "ajudar" l’atzar per obtenir millors resultats.

📌 La propera vegada que sentim parlar de simulacions, enquestes o IA, recordarem el fuster i l’enquestador. L’èxit no està en deixar-ho tot a la sort, sinó en saber quan i com intervenir.

🔬 Com estudiar alguna cosa… sense 𝐝𝐞𝐬𝐭𝐫𝐮𝐢𝐫-𝐥𝐚 en el procés? (De l’estudi dels ocells a la paradoxa de la ciència i l’estadística)

De vegades, 𝐥’𝐚𝐜𝐭𝐞 𝐝𝐞 𝐦𝐞𝐬𝐮𝐫𝐚𝐫 𝐚𝐥𝐠𝐮𝐧𝐚 𝐜𝐨𝐬𝐚 𝐥𝐚 𝐝𝐞𝐬𝐭𝐫𝐮𝐞𝐢𝐱. És la paradoxa que enfronten científics, enginyers i conservacionistes: com obtenir dades fiables sense malmetre el que s’estudia? Des de l’extinció d’espècies fins al disseny industrial, aquest dilema té solucions brillants (i algunes lliçons històriques ridículament fallides).

A la indústria es coneix molt bé. Per veure si una peça resisteix muntada en un cotxe, l’has de trencar. En aquests casos el mètode 𝐓𝐚𝐠𝐮𝐜𝐡𝐢 ens ajuda a reduir la quantitat de mesures per reduir la mostra, amb els mateixos resultats.

En altres casos cal dissenyar l’estudi, l’enquesta, de manera més curosa.

🐨 Els biòlegs que fan estudis de camp d’ocells en perill d’extinció, quan volen analitzar els nius per saber la causa de la davallada de les poblacions, s’hi apropen, i moltes vegades influeixen al resultat, els pares abandonen els nius. A Nova Zelanda, l’estudi d’un lloro en perill d’extinció, als anys 90 el va portar a quasi l’extinció completa. Quan els estudis es van fer amb mètodes diferents, la població es va recuperar.

Per evitar la paradoxa (i salvar mostres) es poden aplicar tècniques:

✅ 1. Fer dissenys robustos i mínims: Experiments fraccionats (Taguchi): Obtenir dades amb menys proves i sense destruir la mostra.

✅ 2. Utilitzar tecnologies no invasives: Detectar espècies sense capturar-les (usat amb tortugues marines o linxs ibèrics). Telemetria avançada: GPS en miniatura o drons amb IA per seguir animals sense contacte.

✅ 3. Models predictius: Estadística de dades històriques: Predir comportaments (ex.: supervivència de cries de tortuga) sense manipular-les. Simulacions 3D: En enginyeria, per provar resistències de materials virtualment abans de fabricar-los.

✅ 4. Ètica i protocols: Principi 3R (Reduir, Refinar, Reemplaçar) en recerca animal. Aplicació de directrius i lleis en l’ús d’animals o plantes per investigació.

La ciència avança quan aprenem sense destruir. Des del mètode Taguchi fins a l’eDNA, les eines per estudiar el món sense malmetre’l ja existeixen. La qüestió és utilitzar-les.

( #Ciència #Sostenibilitat #Innovació #BigData #Conservació #Estadística #Dades )

𝐔𝐧 𝐚𝐧𝐲 𝐚𝐦𝐛 𝐥𝐞𝐬 𝐈𝐀𝐬 🤖

Fa poc més d’un any que conviuen amb nosaltres les 𝐈𝐀𝐬, i també nosaltres hem après a conviure amb elles. Ens sorprenen, ens impressionen… i a vegades ens fan enfadar. Ens agrada recordar els moments brillants, i voldríem que sempre fossin així. Però com amb qualsevol eina, cal entendre com treure’n el màxim rendiment.

Cada cop hi ha més experts de debò, i quan hi coincideixes, t’adones que el valor real no és només en la IA, sinó en com la fem servir.

Una lliçó que hem après i que volem compartir: la integració de la IA pot ser horitzontal o vertical. En el nostre cas, treballant amb tractament de dades, hem vist que:

La integració 𝐡𝐨𝐫𝐢𝐭𝐳𝐨𝐧𝐭𝐚𝐥 combina dades de diverses fonts i delega a la IA l’anàlisi i la gestió centralitzada. Però aquest enfocament, tot i semblar eficient, sempre ens ha donat resultats poc fiables, o potser més ben dit: incorrectes. ❌

La integració 𝐯𝐞𝐫𝐭𝐢𝐜𝐚𝐥, en canvi, es centra en un problema concret i l’aborda pas a pas. La IA no fa els càlculs, sinó que ens ajuda a construir el sistema que els farà. Això ens dona més control, precisió i especialització... i correcció. ✅

Conclusió: No es tracta de triar una via única, sinó de saber quan aplicar cada enfocament. En el nostre cas, no podem deixar a la IA la decisió de com fer els càlculs. La manera com integrem la IA marcarà la diferència.

🗝️ Els agents, assistents i funcions intel·ligents seran imprescindibles. Però el veritable avantatge competitiu serà saber-los integrar amb criteri.

𝐋𝐞𝐬 𝐜𝐫𝐢𝐬𝐢𝐬 𝐞𝐧 𝐟𝐨𝐫𝐦𝐚 𝐝𝐞 𝐊

Imaginem un país amb 101 persones. 1 en guanya 1000, i les altres 100 en guanyen 10, cada any. Total en guanyen 2000.

El primer any es fa una política que només afavoreix a una part dels habitants, amb bona fe, pensant que en gaudiran tots (mà d’obra barata, internacionalització, impostos), però, en canvi, fa que guanyi el que ja hi guanyava més, un 10%. Els altres, però, guanyen un 10% menys... per altres raons.

⌚ L’any següent, el que millorava més n'està guanyant 1100, i la resta 900. Total, obtenen sumats: 2000. El mateix.

Com que les coses no van malament, la política segueix fent les mateixes estratègies. El que guanyava més suma un 10%, i els altres resten un 10%. Això fa que el que en rebia 1100, ara són 1210, però els que guanyaven menys, passen a obtenir només 810.

💰 Però és sorprenent. En global guanyen més tots plegats 1210+810=2020. La política és la que s’havia de fer, hem guanyat un 1% més. Anem bé?.

Oi que no pot ser? Piketty ja ens en parlava de les diferències i la concentració del poder i la riquesa.

Aquesta curiosa aproximació (una mica tendenciosa pel post, però que de vegades la realitat la supera) ens fa pensar que potser no mirem bé quines dades són les bones.

Això és el què s’anomena una 𝐜𝐫𝐢𝐬𝐢 𝐞𝐧 𝐟𝐨𝐫𝐦𝐚 𝐝𝐞 “𝐊”, uns hi guanyen (els de la punxa cap amunt de la K) i altres hi perden, però el global es fa enganyós i ens amaga una realitat injusta.

El més curiós és que no és només en decisions globals i política general que passen aquestes coses. El nostre dia a dia ens fa topar amb decisions que fem, distorsionades per dades “ocultes”.

Potser, quan ens trobem amb una 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐚 amb un col·lectiu que descobrim que vol manipular el resultat, no serà que tenen raó si resulta que son una majoria els que estan descontents?.

⛩️ A la Xina de principis del segle passat no els calia saber sobre dades i estadística per acabar decidint que havien de treure l’emperador Puyi. Amb coses petites però, és més difícil veure-ho.

La inflació, un conegut poc respectat

💸 La inflació té un talent especial: convertir bones notícies en males sense que gairebé ningú se n’adoni.

Quan parles amb economistes, de seguida et situen què és un valor a preus corrents o a preus constants, i la influència que aquesta distinció té a l’hora d’interpretar dades.

De vegades, però, qui ha de prendre decisions no té una altra sortida: cal aconseguir 𝐝𝐢𝐧𝐞𝐫𝐬 com sigui. L’augment de la quantitat de diners en circulació 𝘵𝘦𝘯𝘥𝘦𝘪𝘹 a generar inflació.

📈 És un fenomen que pot ser persistent i difícil de corregir. En alguns contextos, els seus efectes poden ser banals; en d’altres, molt rellevants. Fins i tot pot passar que una dada aparentment positiva esdevingui negativa quan s’ajusta per la inflació (per exemple no hi ha creixement d'un 2% en un any si la inflació ha estat del 3%).

De vegades cal construir sèries temporals d’una ràtio econòmica que 𝐯𝐚𝐫𝐢𝐚 amb el temps. La tasca es complica quan el numerador i el denominador pertanyen a un mateix grup d’empreses, però les 𝐦𝐨𝐬𝐭𝐫𝐞𝐬 no són exactament les mateixes cada any. I encara més quan una de les dues magnituds que es comparen s’ha d’𝐚𝐣𝐮𝐬𝐭𝐚𝐫 segons la inflació de cada període.

🧮 Tot plegat exigeix molta cura metodològica, però la precisió del càlcul s’ho mereix.

El conèixer i entendre què és la inflació ha portat a tenir eines per contenir-la i corregir-la.

🦠 Aquest equilibri es va trencar amb la pandèmia del 2020, quan la contenció de la despesa pública va quedar en segon terme. Es coneixia el risc inflacionari que això comportava, però es va assumir com un mal menor en un context excepcional, agreujat posteriorment per disrupcions en l’oferta i xocs externs.

Els efectes de no tenir-ho en compte no són una novetat històrica. Com Milton Friedman als anys 60, Narcís Feliu de la Penya ho explicava fa dos segles: a l’edat mitjana, als territoris dels Països Catalans es coneixia bé la importància del 𝐩𝐫𝐞𝐬𝐭𝐢𝐠𝐢 𝐦𝐨𝐧𝐞𝐭𝐚𝐫𝐢. Circulaven monedes diverses, algunes amb més acceptació que d’altres, i el valor real depenia tant del contingut metàl·lic com de la confiança que generaven.

⚔️ Les guerres, les crisis i les epidèmies pressionaven la 𝐝𝐞𝐬𝐩𝐞𝐬𝐚 𝐩ú𝐛𝐥𝐢𝐜𝐚, i es recorria a l’encunyació de monedes amb menys metall noble o de menor mida. La Inflació era deguda a processos de devaluació i pèrdua de confiança.

Així, monedes que havien estat àmpliament acceptades deixaven de ser-ho. Els desequilibris fiscals i monetaris feien difícil sostenir expansions territorials o períodes de creixement prolongats. L’augment de la despesa acompanya fases d’expansió econòmica, però mantenir desequilibris monetaris durant massa temps acostuma a erosionar la confiança i a obrir la porta a la decadència.

🏰 Al segle XIII ja sabien que tocar la moneda tenia conseqüències. Nosaltres encara ho discutim de vegades.

Foto de diners de Barcelona, més petits que cèntims actuals. Escrit de Narcís Feliu de la Penya.

𝐃𝐢𝐚𝐠𝐫𝐚𝐦𝐞𝐬 𝐝𝐞 𝐟𝐥𝐮𝐱

Ens podem sentir orgullosos de 𝐑𝐚𝐦𝐨𝐧 𝐋𝐥𝐮𝐥𝐥 i el seu 𝐀𝐫𝐬 𝐌𝐚𝐠𝐧𝐚, una eina intel·lectual basada en figures geomètriques mòbils, símbols i conceptes. Va idear possiblement el primer sistema combinatori, un algoritme per poder explicar i deduir coses, i de forma gràfica!.

Fa més d’un segle, els processos d’una empresa es dibuixaven amb guix en una pissarra. Avui, amb programes com Simio, podem simular fàbriques senceres i anticipar escenaris futurs. Les eines han canviat, però la necessitat és la mateixa: visualitzar per entendre, comunicar i transformar.

Des d’organitzar les taules d’una base de dades, definir un procediment empresarial o preparar un projecte, els 𝐝𝐢𝐚𝐠𝐫𝐚𝐦𝐞𝐬 𝐝𝐞 𝐟𝐥𝐮𝐱 són essencials per: • 🧠 𝐏𝐞𝐧𝐬𝐚𝐫 𝐦𝐢𝐥𝐥𝐨𝐫. Ens ajuden a veure com funcionen les coses, entendre-les i millorar-les. • ⚙️ 𝐒𝐢𝐦𝐩𝐥𝐢𝐟𝐢𝐜𝐚𝐫. Convertir la complexitat en passos clars i seqüències comprensibles. • 💬 𝐂𝐨𝐦𝐮𝐧𝐢𝐜𝐚𝐫. Fer visible allò invisible, reduint malentesos i creant un llenguatge comú entre equips.

No és casualitat que la recerca acadèmica cada vegada en parli més: • Estudis en educació mostren que el 𝐩𝐞𝐧𝐬𝐚𝐦𝐞𝐧𝐭 𝐜𝐨𝐦𝐩𝐮𝐭𝐚𝐜𝐢𝐨𝐧𝐚𝐥, basat en l’encadenament d’algoritmes, millora la resolució de problemes matemàtics. Tant és així que la UE va plantejar introduir-lo en els 𝐩𝐥𝐚𝐧𝐬 𝐞𝐝𝐮𝐜𝐚𝐭𝐢𝐮𝐬. • Les representacions visuals (incloent-hi els flow charts) milloren la 𝐫𝐞𝐭𝐞𝐧𝐜𝐢ó i l’aplicació del 𝐜𝐨𝐧𝐞𝐢𝐱𝐞𝐦𝐞𝐧𝐭, especialment en ciències i enginyeria. • Els diagrames de flux són més efectius que el text pla per transmetre informació processual o jeràrquica, ja que 𝐫𝐞𝐝𝐮𝐞𝐢𝐱𝐞𝐧 𝐥𝐚 𝐜à𝐫𝐫𝐞𝐠𝐚 𝐜𝐨𝐠𝐧𝐢𝐭𝐢𝐯𝐚 i permeten una comprensió més ràpida de les relacions entre elements. • En reunions, ofereixen una 𝐞𝐬𝐭𝐫𝐮𝐜𝐭𝐮𝐫𝐚 𝐜𝐥𝐚𝐫𝐚 𝐢 𝐩𝐞𝐫𝐦𝐚𝐧𝐞𝐧𝐭, evitant malentesos i facilitant la revisió posterior. • La psicologia cognitiva (Mayer i Wittrock) confirma que els elements visuals 𝐦𝐢𝐥𝐥𝐨𝐫𝐞𝐧 𝐥’𝐚𝐩𝐫𝐞𝐧𝐞𝐧𝐭𝐚𝐭𝐠𝐞 i la resolució de problemes en comparació amb el text sol o la comunicació oral no estructurada. • En entorns professionals (enginyeria, gestió de projectes, informàtica), ajuden a 𝐝𝐨𝐜𝐮𝐦𝐞𝐧𝐭𝐚𝐫 𝐩𝐫𝐨𝐜𝐞𝐬𝐬𝐨𝐬, 𝐢𝐝𝐞𝐧𝐭𝐢𝐟𝐢𝐜𝐚𝐫 𝐞𝐫𝐫𝐨𝐫𝐬 i 𝐜𝐨𝐦𝐮𝐧𝐢𝐜𝐚𝐫 𝐢𝐝𝐞𝐞𝐬 amb eficàcia. • En educació, s’ha demostrat que els estudiants que utilitzen diagrames de flux desenvolupen 𝐦𝐢𝐥𝐥𝐨𝐫𝐬 𝐡𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭𝐬 d’anàlisi i síntesi que aquells que només treballen amb text o explicacions orals.

Els diagrames de flux són molt més que dibuixos.

Són eines per pensar, per organitzar, per comunicar i per transformar. La seva efectivitat està demostrada en educació, psicologia cognitiva i ciències de la computació. I, sobretot, són un llenguatge universal.

Pissarra a una fàbrica del 1916 a Barcelona (Arxiu Nacional de Catalunya).

🎲 Juguem a llençar una 𝐦𝐨𝐧𝐞𝐝𝐚 𝐚 𝐥'𝐚𝐢𝐫𝐞 per guanyar a 𝙳̲𝚊̲𝚕̲í?

Si a Catalunya tots tirem una 𝐦𝐨𝐧𝐞𝐝𝐚 𝐚 𝐥’𝐚𝐢𝐫𝐞 i mirem d’endevinar què sortirà, cara o creu, encertaran aproximadament uns 4 𝐦𝐢𝐥𝐢𝐨𝐧𝐬 de persones. Si continuem el joc i als guanyadors, al cap d’uns dies, els demanem que tornin a tirar la moneda, a la 𝐬𝐞𝐠𝐨𝐧𝐚 tirada quedaran aproximadament 2 𝐦𝐢𝐥𝐢𝐨𝐧𝐬 de persones. 📺 Les teles es farien ressò d’aquest joc, tot-hom en parlaria. Al cap d’uns dies tornen a tirar els que havien estat guanyadors. A aquesta tercera tirada ja només queden 1 milió. Durant les següents setmanes, continua el repte. A la desena tirada queden unes 7.800 persones. Alguns són entrevistats pels mitjans. Ja s’han començat a fer estudis de com es llença la moneda a l’aire. D’altres ja han publicat llibres. 🔍 A la 𝐪𝐮𝐢𝐧𝐳𝐞𝐧𝐚 prova queden unes 244 𝐩𝐞𝐫𝐬𝐨𝐧𝐞𝐬 que han endevinat en totes les ocasions què sortiria, cara o creu. Es fan models teòrics i estudis estadístics per veure què tenen en comú aquelles persones. Finalment, a la 𝐭𝐢𝐫𝐚𝐝𝐚 23, només queda 𝐮𝐧𝐚 𝐩𝐞𝐫𝐬𝐨𝐧𝐚!

🎨 𝙳̲𝚊̲𝚕̲í és únic. Si agafem 23 obres seves, totes elles excepcionals, creieu que són fruit de l’𝐚𝐭𝐳𝐚𝐫 o són el resultat d’una 𝐡𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭 o 𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐚𝐭? De vegades els fets atzarosos ens porten a creure que hi ha patrons. Una persona, com hem vist, pot tenir sort 23 vegades seguides, però segurament a la tirada 24 ja no li durarà la ratxa. Els que juguen en casinos cauen en aquest parany. Quan fem anàlisi de dades, el gran repte és saber separar la 𝐜𝐚𝐮𝐬𝐚-𝐞𝐟𝐞𝐜𝐭𝐞 de l’𝐚𝐥𝐞𝐚𝐭𝐨𝐫𝐢𝐞𝐭𝐚𝐭. Però el gran problema no és saber que Dalí va fer més de 23 grans obres d’art, sinó saber 𝐪𝐮è 𝐦𝐢𝐫𝐚𝐫 𝐩𝐞𝐫 𝐝𝐞𝐬𝐜𝐨𝐛𝐫𝐢𝐫 𝐞𝐥 𝐩𝐞𝐫𝐪𝐮è 𝐥𝐞𝐬 𝐯𝐚 𝐟𝐞𝐫. En economia, ciència, a les empreses i a l’administració, el gran repte és saber què mirar per descobrir el "perquè".

La sort existeix, però reconèixer els patrons reals darrere de l’èxit és el que ens permet repetir-lo i escalar-lo.

(Cara i creu d'una moneda d'Iltirta, Lleida, cap al segle III o IV a.C)

Hem de mirar les 𝐝𝐚𝐝𝐞𝐬, però només algunes ens donen la pista de la nostra capacitat competitiva.

Quan algú et demana fer un tractament de dades, és per què vol obtenir el coneixement necessari per prendre decisions, entendre el que passa i preveure el que pot passar. Les dades són la base per actuar amb seguretat i eficàcia.

L’avantatge competitiu és inherent a qualsevol procés. Sempre hi haurà qui ho faci millor que altres. Ja sigui des d’un càrrec de responsabilitat a l’administració, una posició directiva en una empresa que influeix en el futur dels seus productes i treballadors, o fins i tot en les nostres pròpies vides i decisions, es generen oportunitats. La clau està a identificar-les i aprofitar-les.

Però per fer-ho amb èxit, cal basar-se en dades sòlides. Així sabrem si realment podem competir i evitarem equivocar-nos en utilitzar informació incorrecta o incompleta.

Però de vegades ens equivoquem i utilitzem les dades que no eren.

Els factors externs, com el preu de les matèries primeres, les fluctuacions monetàries o la localització geogràfica, poden influir en aquests avantatges.

Al mateix temps, els canvis interns —com les inversions, la formació o la innovació— també tenen un paper clau.

🏇 Els que van crear la famosíssima empresa “𝐏𝐨𝐧𝐲 𝐄𝐱𝐩𝐫𝐞𝐬𝐬” van mirar les dades equivocades. Es creien que tenien un gran avantatge.

🚀 • L'𝐚𝐛𝐫𝐢𝐥 de 1860, van aconseguir el seu primer contracte per transportar correu des de Kansas fins a Sacramento, un recorregut de 2.800 quilòmetres. La seva dada estrella era que els seus genets trigaven només 10 𝐝𝐢𝐞𝐬 a completar el trajecte!. 🚧 • L'𝐨𝐜𝐭𝐮𝐛𝐫𝐞de 1861 van fer el seu darrer viatge. En només 18 mesos, l’empresa va desaparèixer.

Pony Express va fracassar perquè es van centrar només en el que passava dins de la seva organització, no a fora.

🚂 Què va passar? No van tenir en compte els canvis externs: estaven competint amb el telègraf i el tren, tecnologies que van fer obsoleta la seva proposta de valor.

Això ens ensenya que, a més de tenir 𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐚𝐭 𝐞𝐦𝐩𝐫𝐞𝐧𝐞𝐝𝐨𝐫𝐚, cal:

• Conèixer les estadístiques i estar al dia. • Desenvolupar capacitat d’𝐚𝐧𝐭𝐢𝐜𝐢𝐩𝐚𝐜𝐢ó. • Identificar les veritables 𝐨𝐩𝐨𝐫𝐭𝐮𝐧𝐢𝐭𝐚𝐭𝐬.

La necessitat de conèixer l’entorn ens obliga a mirar les 𝐝𝐚𝐝𝐞𝐬 amb una perspectiva diferent. Són essencials per dissenyar i executar estratègies efectives en les organitzacions.

"Les dades són el vehicle que ens permet navegar en un món en constant transformació." Richard Egan, un dels 50 genets del Pony Express.

📊 Inflació i PIB: nous càlculs que eviten recessions

La setmana passada parlàvem dels canvis en el càlcul del 𝐏𝐈𝐁 i el 𝐈𝐏𝐂 han influït en com no hi ha anuncis de 𝐫𝐞𝐜𝐞𝐬𝐬𝐢𝐨𝐧𝐬.

Els canvis metodològics han estat molt visibles a Estats Units i més graduals a Europa, tot i que en tots dos casos tenen efectes reals sobre les dades.

Veiem 3 fets:

🏠 𝐋𝐢𝐦𝐢𝐭𝐚𝐜𝐢𝐨𝐧𝐬 𝐫𝐞𝐠𝐮𝐥𝐚𝐝𝐞𝐬

En alguns països, s'ha introduït un índex de preus de lloguer regulat, que limita els increments anuals. Això fa que la inflació mesurada sigui més baixa del que realment paga el consumidor, ja que els lloguers efectius poden pujar més del que reflecteixen les estadístiques oficials. Quan et mous de casa, pots pagar un lloguer superior al límit regulat, i aquest increment llavors no està reflectit en l’IPC. • 𝐄𝐟𝐞𝐜𝐭𝐞: 𝘐𝘯𝘧𝘭𝘢𝘤𝘪ó 𝘢𝘳𝘵𝘪𝘧𝘪𝘤𝘪𝘢𝘭𝘮𝘦𝘯𝘵 𝘣𝘢𝘪𝘹𝘢: Si els lloguers reals pugen més del que permet l'índex regulat, la inflació oficial subestima l’increment.

🚗 𝐀𝐣𝐮𝐬𝐭𝐨𝐬 𝐡𝐞𝐝ò𝐧𝐢𝐜𝐬: 𝐪𝐮𝐚𝐥𝐢𝐭𝐚𝐭 𝐢 𝐫𝐞𝐠𝐮𝐥𝐚𝐜𝐢ó

Són ajustos que s'utilitzen a Europa per tenir en compte les millores de qualitat en productes com l'electrònica o els vehicles. Això redueix la inflació mesurada. La idea és: si un producte puja de preu perquè incorpora millores tecnològiques o canvis reguladors, només s'atribueix a l’increment de preus el que reflecteix inflació “pura”, no la part que correspon a la millora de qualitat. • 𝐄𝐟𝐞𝐜𝐭𝐞: 𝘐𝘯𝘧𝘭𝘢𝘤𝘪ó 𝘴𝘶𝘣𝘦𝘴𝘵𝘪𝘮𝘢𝘥𝘢 de nou: Quan un augment de preu respon a millores de qualitat o reglaments, la inflació oficial és més baixa del que realment paga el consumidor.

💊𝐂𝐨𝐬𝐭𝐨𝐬 𝐢𝐧𝐝𝐢𝐫𝐞𝐜𝐭𝐞𝐬: 𝐬𝐞𝐫𝐯𝐞𝐢𝐬 𝐢 𝐚𝐬𝐬𝐞𝐠𝐮𝐫𝐚𝐧𝐜𝐞𝐬

Hi ha casos en què els costos reals no es reflecteixen completament en els índexs de preus. Per exemple, si els costos de l'assegurança mèdica pugen, però els ajustos de l’índex consideren modificacions en cobertura o altres ponderacions, la variació mesurada és menor que l’augment efectiu pagat pel consumidor. • 𝐄𝐟𝐞𝐜𝐭𝐞: 𝘊𝘰𝘴𝘵 𝘥𝘦 𝘷𝘪𝘥𝘢 𝘴𝘶𝘣𝘦𝘴𝘵𝘪𝘮𝘢𝘵: Els costos reals de serveis com l'assegurança mèdica poden fer, quan s’ajusten, que l’IPC mostri un increment menor del que experimenta el consumidor.

Amb tot, el PIB ajustat per preus pot donar la impressió de ser més alt: si el cost real de l'habitatge, els cotxes o les assegurances és més alt del que es mesura, el poder adquisitiu dels consumidors es redueix més del que reflecteixen les dades oficials, i el PIB ajustat per preus pot semblar més elevat del que seria amb totes les dades completes.

Això té conseqüències: a l’empresari que no apuja els preus de forma realista, al consumidor que pateix pujades que no hi compta, o al legislador que confia en una aparent bonança que caldria mesurar amb més precisió.

#Economia #Inflació #PIB #IPC #Finances #DadesEconomiques #Estadística #PolíticaEconòmica #Consumidors #ServeisFinancers

Deixaries els teus diners a algú que menteix i està endeutat? 💸

Això ens està passant als països occidentals. Els romans ho tenien fàcil: posaves la mà a la 𝐁𝐨𝐜𝐚 𝐝𝐞 𝐥𝐚 𝐕𝐞𝐫𝐢𝐭𝐚𝐭 i, si no et passava res, volia dir que no havies mentit. 🗿✋

Avui és més complicat. Ens basem en càlculs, indicadors i estadístiques que, per la seva aparent rigorositat, tendim a creure cegament. 📊🔍

La prestigiosa 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐚 𝐝𝐞 𝐬𝐞𝐧𝐭𝐢𝐦𝐞𝐧𝐭 𝐝𝐞𝐥 𝐜𝐨𝐧𝐬𝐮𝐦𝐢𝐝𝐨𝐫 de Michigan ens diu que els consumidors veuen el futur amb pessimisme. Els seus valors actuals són per sota dels de les últimes cinc grans recessions dels darrers 30 anys, fins i tot per sota del punt més baix de la crisi del 2007. 📉

𝘊𝘢𝘭 𝘤𝘰𝘯𝘵𝘳𝘢𝘴𝘵𝘢𝘳-𝘩𝘰 𝘢𝘮𝘣 𝘢𝘭𝘵𝘳𝘦𝘴 𝘥𝘢𝘥𝘦𝘴.

Si mirem l’atur als Estats Units, històricament ha anat força alineat amb les recessions. Però amb els anys, els reguladors han après (sembla) com retardar-les.

• Als anys 40, 50 i 70 només passava 𝐮𝐧 𝐨 𝐝𝐨𝐬 𝐦𝐞𝐬𝐨𝐬 entre el mínim d’atur i l’anunci d’una recessió. • A partir dels 80 i a les crisis del 90, 2001 i 2007, aquest interval ja superava els 20 𝐦𝐞𝐬𝐨𝐬. • Ara, de moment, en portem entre 30 o més de 40 𝐦𝐞𝐬𝐨𝐬, segons com es defineixi el mínim, sense anunciar cap recessió. ⏳

𝘘𝘶è 𝘩𝘢 𝘱𝘢𝘴𝘴𝘢𝘵?

Als Estats Units han canviat de manera radical com es calcula el PIB i com s’ajusta la inflació i per tant en dir quan estem en recessió. A Europa, els canvis han estat més suaus i progressius, però també hi son. 🏛️📐

Són “millores metodològiques”. Només afecten els números… però aquests números guien decisions reals.

A Europa, alguns canvis recents han fet que s'hagi suavitzat —o fins i tot subestimat— l'IPC, l’augment real del cost de vida. 🧾💶

Ho explicarem amb detall en el proper post. 🔜

🌊 La gran onada tecnològica, noves dades i millors indicadors

En plena “gran onada” de canvi tecnològic, les organitzacions necessitaran més dades i crear millors indicadors.

🤖 𝐋𝐚 𝐈𝐀 𝐚𝐜𝐜𝐞𝐥𝐞𝐫𝐚 𝐜𝐚𝐧𝐯𝐢𝐬 𝐝’𝐮𝐧𝐚 𝐦𝐚𝐧𝐞𝐫𝐚 𝐢𝐦𝐩𝐫𝐞𝐯𝐢𝐬𝐢𝐛𝐥𝐞

Al llibre 𝘓𝘢 𝘰𝘭𝘢 𝘲𝘶𝘦 𝘷𝘪𝘦𝘯𝘦, Mustafa Suleyman defensa que, en un món accelerat on tot vindrà molt ràpid, calen senyals fiables per navegar el futur. Sense això, prenem decisions a cegues. Suleyman parla que els sistemes (econòmics, socials, democràtics) es tornaran més complexos. El repte no és només tenir informació, sinó saber interpretar patrons que ens permetin anticipar tendències.

📊 En aquest context, la qualitat de les dades i dels indicadors és clau per mantenir control, anticipació i governança. S’hauran de prendre decisions per com limitar i regular un nou món. Les dades, els indicadors robustos, enquestes fiables i interpretacions rigoroses— ens han de permetre prendre decisions responsables.

🚗 Quan van aparèixer els primers cotxes i locomotores, no hi havia normes ni límits de velocitat. Ara passarà el mateix: haurem de decidir com posar límits a les IAs… Però abans de fixar la velocitat màxima, hem de saber quina és la velocitat segura.

📚 Lectura recomanada: Confesso que no compartim tot el que diu Suleyman, però sí que és una lectura essencial per entendre cap a on anem. I, sobretot, per entendre què ens està venint. 🧭 Si la propera onada tecnològica serà tan disruptiva com ell apunta, els indicadors deixen de ser eines tècniques per passar a ser eines estratègiques.

👉 Indicadors, enquestes, mesures… s’han de traduir en decisions. #indicadors #enquestes #dades 👉 Són necessaris per transformar respostes disperses en històries comprensibles per organitzacions, escoles, ajuntaments, institucions i empreses. #IA #Catalunya #gestiódades

Circulació d'un automòbil a alta velocitat 1909 Arxiu Nacional de Catalunya. FONS ANC1-22 / Hermenter Serra de Budallés

🧠 De la ciència antiga a l’𝐚𝐭𝐳𝐚𝐫

📜 Hi ha un historiador de l’època romana que explica que, en els nostres pobles d’aquesta banda de la Mediterrània, quan algú tenia un mal, anava a un creuament de camins a explicar el seu problema als viatgers. Si algú reconeixia el cas o en coneixia un de semblant al seu poble, potser li podia explicar com s’havia curat.

Amb el temps, aquells que anaven de poble en poble van assumir aquest 𝐩𝐚𝐩𝐞𝐫 𝐜𝐨𝐦𝐮𝐧𝐢𝐜𝐚𝐝𝐨𝐫, i segles més tard ho van fer els metges, que van començar a 𝐚𝐠𝐥𝐮𝐭𝐢𝐧𝐚𝐫 𝐞𝐥 𝐜𝐨𝐧𝐞𝐢𝐱𝐞𝐦𝐞𝐧𝐭. Ja no es podia deixar res a l’atzar.

🎲 Els romans decidien amb els daus. 🙏 A l’edat mitjana, l’atzar era sinònim de voluntat divina.

📈 Al segle XVI, Cardano intentava descobrir 𝐩𝐚𝐭𝐫𝐨𝐧𝐬 dins els jocs d’atzar, i poc després Pascal i Fermat van definir la 𝐩𝐫𝐨𝐛𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭, buscant entendre allò que semblava aleatori… i potser no ho era.

No era aleatori que un íber trobés algú en un camí que coneixia el seu mal i li explicava com guarir-lo: era 𝐜𝐨𝐧𝐞𝐢𝐱𝐞𝐦𝐞𝐧𝐭 𝐫𝐞𝐚𝐥, 𝐭𝐫𝐚𝐧𝐬𝐦è𝐬 i 𝐜𝐨𝐧𝐭𝐫𝐚𝐬𝐭𝐚𝐭.

🔬 La medicina moderna, l’estadística i la ciència de dades persegueixen el mateix objectiu: 𝐭𝐫𝐨𝐛𝐚𝐫 𝐩𝐚𝐭𝐫𝐨𝐧𝐬, 𝐞𝐥𝐢𝐦𝐢𝐧𝐚𝐫 𝐥𝐚 𝐢𝐧𝐜𝐞𝐫𝐭𝐞𝐬𝐚 i basar les 𝐝𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬 𝐞𝐧 𝐞𝐯𝐢𝐝è𝐧𝐜𝐢𝐞𝐬.

Avui es diu que les IA podran fer diagnòstics. De fet, ja es fan servir en llocs remots de Sibèria o de la Xina.

🤖 Però les IA tenen encara un component aleatori que la medicina no pot permetre’s.

Si les IA volen ser útils en ciència o salut, hauran de tendir cap al mateix rigor: no es tracta de confiar en l’atzar, sinó d’aprofundir en les 𝐝𝐚𝐝𝐞𝐬, 𝐯𝐚𝐥𝐢𝐝𝐚𝐫 𝐞𝐥𝐬 𝐫𝐞𝐬𝐮𝐥𝐭𝐚𝐭𝐬 i garantir que cada diagnòstic, cada predicció, cada decisió es basi en ciència sòlida.

🔁 En el fons, això és el que sempre ha fet la ciència: aprendre dels errors, acumular coneixement i reduir la incertesa.

📊 Dades massives: quan el teu projecte s’assembla a un gatet amb un cabdell de llana…

Imagina’t aquesta escena 🐱🧶 Un gatet jugant amb un cabdell de llana. Comença amb entusiasme, però en qüestió de segons… embolic garantit. La llana per aquí, la llana per allà, i el gatet, mirant-te com si digués: «Ara què?».

Doncs bé, gestionar grans volums de dades a vegades ens passa igual: 🔹 📤 Exportar i netejar dades massives → Com intentar desfer l’embolic sense tallar la llana (o sense perdre informació valuosa). 🔹 🤖 Preparar dades per a IA o ML → Com convertir aquell cabdell en una bufanda perfecta: cal paciència, tècnica i una mica de màgia (o algoritmes).

La diferència? Que en el món de les dades, no podem deixar que l’𝐞𝐦𝐛𝐨𝐥𝐢𝐜 𝐠𝐮𝐚𝐧𝐲𝐢. Per això, necessitem:

✅ Eines robustes per processar i netejar sense perdre’s en el camí (ni l’objectiu). ✅ Estratègies clares per transformar el caos en informació útil. ✅ Un toc d’humor per recordar que, al final, fins i tot els embolics tenen solució.

I tu, com gestiones els teus «𝐜𝐚𝐛𝐝𝐞𝐥𝐥𝐬 𝐝𝐞 𝐝𝐚𝐝𝐞𝐬»? 😼🧶 #DataManagement #BigData #IA #MachineLearning #DataCleaning

🌳 De les IA al verd de les plantes que canvien de color 🌳

L’altre dia em van demanar programar una càmera wifi per reconèixer el verd d’un camp i avisar quan era el moment òptim per segar-lo. "Fàcil", vaig pensar. "Ho pregunto a la IA i en cinc minuts ho tinc solucionat."

𝐄𝐫𝐫𝐨𝐫.

La IA em va deixar anar un pla de treball (batalla) digne d’una pel·lícula de ciència-ficció:

1️⃣ "Crea un model en un servidor (un LLM)." 2️⃣ "Entrena’l amb TensorFlow Lite for Microcontrollers… però només si el model és molt petit i la detecció és senzilla." 3️⃣ "Defineix trams de tonalitats de verd, afegeix temps, valida, exporta…"

😅 𝐁𝐮𝐟𝐟. Em vaig quedar mirant la pantalla com qui intenta muntar un moble d’IKEA sense instruccions.

— "Però… i si en lloc d’entrenar una IA, simplement agafem els mateixos criteris que utilitzaríem per entrenar-la amb filtres i trams i els posem en una funció?" – li comento... i ella em respon: — "Doncs sí, si ho tens clar, fer-ho amb PHP és més 𝐞𝐟𝐢𝐜𝐢𝐞𝐧𝐭, 𝐭𝐫𝐚𝐧𝐬𝐩𝐚𝐫𝐞𝐧𝐭 i 𝐜𝐨𝐧𝐭𝐫𝐨𝐥𝐚𝐛𝐥𝐞. Sense models, sense entrenaments, sense misteris." (aquesta manera que tenen de contestar quan les reptes)

🔄 / ➡️➡️ Lliçó: A vegades, la solució més senzilla és la millor. No necessites una IA per reconèixer el verd si ja saps què és el verd. Com el camp d’aquestes fotos: no necessitem preguntar a un sistema per veure que canvien de color amb les estacions. Només cal observar, definir i actuar.

🌳 #DataSimplicity – Perquè les dades no han de ser complicades. ⚡ #EficiènciaSenseIA – A vegades, menys és més. 🔹 #DadesCat – Tractem les dades com el que són: eines, no misteris.

Quantes vegades hem acabat utilitzant una eina complexa quan la solució era més senzilla del que semblava?

________________________________________ "Com els arbres, les dades també canvien. Però no cal una IA per veure-ho: només cal saber què busques, de vegades no és fàcil." Foto de Robert Schneider i Sabine Schlegelmilch

🧭 De l’𝐀𝐬𝐭𝐫𝐨𝐥𝐚𝐛𝐢 𝐝𝐞 𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚 a l’SQL: la revolució de les 𝐝𝐚𝐝𝐞𝐬

Al segle X, a Barcelona, es va construir un instrument que canviaria la manera de navegar: l’Astrolabi de Barcelona. No només era un GPS medieval que permetia als mariners catalans orientar-se amb les estrelles, sinó que també contenia una innovació radical: les primeres xifres àrabs inscrites en un instrument llatí, substituint la complexitat dels nombres romans per una forma més entenedora i funcional.

Us sona que diuen que les xifres que fem servir avui en dia són d'origen àrab?.

📍 Aquest astrolabi inclou les 𝐜𝐨𝐨𝐫𝐝𝐞𝐧𝐚𝐝𝐞𝐬 𝐝𝐞 𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚, gravades amb xifres àrabs. És el primer cop que es documenten coordenades en aquest format a Europa. Una petita gran revolució que donava avantatge competitiu als navegants catalans davant altres societats marineres. Un astrolabi per guiar-se amb els astres i la utilització de xifres no romanes.

🔢 Els nombres no són només símbols. Són eines. I quan les eines milloren, la nostra capacitat de comprendre i transformar el món també ho fa.

📊 Avui, el nostre astrolabi són els llenguatges de dades. Hem passat de l’Excel a programar amb M, R, SQL, PHP... llenguatges que combinen càlcul, visualització i automatització. Fa 20 anys, fer anàlisis en temps real, dashboards interactius o tractament estadístic avançat era impensable per a molts. Avui és el nostre dia a dia.

💡 La història ens recorda que cada pas cap a una millor representació de les dades —ja sigui amb xifres àrabs o amb codi— és un pas cap a una millor comprensió del món, i així, amb certesa poder permetre a les organitzacions moure's per camps (o mars) desconeguts.

Fem que això sigui el nostre avantatge?.

🎲 Les 𝐈𝐀𝐬 i el 𝐭𝐫𝐚𝐜𝐭𝐚𝐦𝐞𝐧𝐭 𝐝𝐞 𝐝𝐚𝐝𝐞𝐬: entre el codi i la bola de vidre

Segurament molts us heu trobat amb respostes d’IA que semblen més pròpies d’un tarot que d’un sistema de càlcul.

Nosaltres també. I no és estrany: respostes imprecises, errors de context temporal o espacial, càlculs que no quadren... Quan demanes una fórmula estadística, te la clava. Però si li demanes que la implementi en PHP i SQL, et torna una recepta de cuina amb ingredients que no tens, i de vegades inventats.

🔮 La IA generativa pot completar, suggerir, replicar patrons... però no pensa. I això es nota quan li demanes que encadeni causes i efectes, predir o que sigui rigorosa amb el càlcul.

💡 En canvi, ben utilitzada dona molt poder. Escriure mails, generar codi base, fer de suport creatiu... tot això ho fa molt bé. Però cal tenir clar quan la fem servir per endevinar i quan per potenciar la nostra feina.

📊 Que en penseu?

https://lnkd.in/ew4AHpXf

#Intel·ligènciaArtificial

#TractamentDeDades

#IAgenerativa

#PHP

#SQL

#Estadística

#Càlcul

#Automatització

#CreativitatDigital

#TecnologiaAmbCriteri

#DataDriven

#LinkedInCatalunya

📊 𝐎𝐫𝐠𝐚𝐧𝐢𝐭𝐳𝐚𝐫 𝐞𝐥 𝐩𝐞𝐧𝐬𝐚𝐦𝐞𝐧𝐭 per prendre decisions més intel·ligents

En un món on les dades són abundants, el veritable repte no és tenir-les, sinó saber-les 𝐢𝐧𝐭𝐞𝐫𝐩𝐫𝐞𝐭𝐚𝐫 𝐢 𝐮𝐭𝐢𝐥𝐢𝐭𝐳𝐚𝐫 de manera estratègica. No només cal tractar dades: cal organitzar el seu ús perquè les entitats puguin prendre decisions més clares, ràpides i alineades amb els seus objectius.

Un exemple: Les eines d’autodiagnosi amb arbres de decisió. Aquests sistemes permeten a les organitzacions fer autoavaluacions guiades, visualitzant processos complexos de manera senzilla i interactiva. Així, es redueix la incertesa i es prioritza l’acció.

🔹 Per què és important?

•   𝐂𝐥𝐚𝐫 i precís: Transformar dades en passos concrets.

•   𝐀𝐮𝐭𝐨𝐧𝐨𝐦𝐢𝐚: Menys dependència de proveïdors externs.

•   𝐄𝐟𝐢𝐜𝐢è𝐧𝐜𝐢𝐚: Decisions basades en informació estructurada.

Un flow chart il·lustra com una eina d’autodiagnosi pot guiar, per exemple, la planificació de projectes o l’avaluació de riscos. La tecnologia ha de ser útil, no un laberint. La representació gràfica del flux de les dades és el què ens ajuda a entendre d’on venen i com les utilitzem.

Les representacions gràfiques prèvies ens permeten organitzar el pensament, decidir quines dades hem de recollir, i com les farem servir.

👉 En vols fer!

#DadesAmbSentit

#DecisionsIntel·ligents

#TecnologiaAlServeiDeLesPersones

𝐆𝐚𝐮𝐬𝐬, el control estadístic de processos (𝐒𝐏𝐂) i la vibració del 𝐜𝐨𝐭𝐱𝐞

De vegades sorprèn comprovar que les persones podem ser més eficients que complexos sistemes estadístics o sofisticats mètodes analítics.

🚘 Pensa-ho: quan passem la ITV d’un cotxe antic, ens analitzen dades, verifiquen paràmetres i, si tot és correcte, ens donen el vistiplau.

Però nosaltres, conduint, ja ho sabíem: el cotxe anava bé.

Fins que un dia, 𝐧𝐨𝐭𝐞𝐦 una vibració. Alguna cosa ha canviat. El portem al taller... i sí, hi havia un 𝐩𝐫𝐨𝐛𝐥𝐞𝐦𝐚. Sense cap aparell, hem detectat una variació fora del normal.

📈 Això mateix és el que busca el control estadístic de processos (𝐒𝐏𝐂): 𝐢𝐝𝐞𝐧𝐭𝐢𝐟𝐢𝐜𝐚𝐫 𝐝𝐞𝐬𝐯𝐢𝐚𝐜𝐢𝐨𝐧𝐬 que indiquen un canvi en el sistema.

Carl Gauss ja va assentar-ne les bases teòriques a principis del 1800, i Walter A. Shewhart, als anys 1920, les va convertir en una eina pràctica: mesurar periòdicament, detectar patrons i actuar abans que el problema aparegui.

Amb una cosa tan simple com això podem:

⚠️ • Detectar variacions anòmales en temps real abans que causin problemes.

📏 • Diferenciar entre variació natural (aleatòria) i variació assignable (causada per un error o canvi).

🚧 • Prevenir defectes, en lloc de corregir-los després.

👍 • Millorar l’eficiència i reduir costos operatius.

I si, a més, tot això ho automatitzem amb un programa fet a mida...?

T’ajudem?

En què s’assemblen els 𝐛𝐨𝐥𝐞𝐭𝐬 i les 𝐝𝐚𝐝𝐞𝐬 públiques?

🍄 Els 𝐛𝐨𝐥𝐞𝐭𝐬 hi són, però no sempre els veus

En un bosc dens hi ha bolets amagats: petits, dispersos, sota fullaraca. Si vas sense ajuda, potser en trobes pocs. Però si vas amb un bon rastrejador, tornes amb el cistell ple.

📑 Les 𝐝𝐚𝐝𝐞𝐬 públiques (Generalitat, diputacions, administració central) són com aquests bolets: existeixen, però no sempre són fàcilment visibles, accessibles o estructurades. Perquè ser útils, cal recollir-les, netejar-les, posar-les en ordre — i això és el que un spider o crawler fa.

Un 🕸️ 𝐬𝐩𝐢𝐝𝐞𝐫 és com un 🐕 𝐠𝐨𝐬𝐬𝐞𝐭 rastrejador que olora tòfones: recorre pàgines web, identifica conjunts de dades, segueix enllaços, detecta noves dades publicades, i les captura — perquè no es perdin sota les fulles. Després, cal netejar-les, uniformar-les, afegir-metadades, fer-les accessibles via API, buscables, reutilitzables. Així es torna a omplir el cistell.

🌍 Les dades obertes són clau per transformar el nostre territori i afrontar reptes globals com els de l’Agenda 2030. La Generalitat de Catalunya ja classifica més de 1000 conjunts de dades segons els 17 ODS, millorant la transparència, la col·laboració i la capacitat d’acció. El compromís amb les dades obertes és el camí cap a una societat més justa, sostenible i innovadora.

Aquesta iniciativa no només amplia la qualitat i rellevància de les dades disponibles, sinó que les fa més accessibles i alineades amb reptes globals (medi ambient, desigualtat, salut, etc.).

🔐 Com les treballem?

• 1.   Localitzem sistemàticament les fonts de dades públiques (webs institucionals, portals de dades obertes, butlletins oficials).

• 2.   Fem servir spiders / crawlers (per exemple, amb Python i eines com Scrapy, BeautifulSoup) que rastregen aquests llocs regularment, detectant noves dades.

• 3.   Processament: neteja, normalització (formats homogènies), metadades completes (quin organisme, data, periodicitat, informació territorial).

• 4.   Eines d’accés (APIs, visualitzadors, cerques per paraula clau, entitats o temes) perquè sigui fàcil per a ciutadania, organitzacions i investigadors trobar i reutilitzar les dades.

• 5.   Revisió i manteniment: verificar que les dades segueixen actives, actualitzades, i adaptar si canvien els formats o les fonts.

Per què és important ara

•   Podem entendre millor què fa l’administració i responsabilitzar-la.

•   Per al sector empresarial i la innovació, dades de qualitat són matèria primera per desenvolupar serveis, aplicacions, estudis i polítiques públiques.

•   Tenir dades ben organitzades i accessibles marca la diferència.

Els bolets hi són, les dades públiques també. Per tornar amb el cistell ple, necessitem rastrejadors, ordenació i eines que permetin aprofitar-les. Des de

dades.cat

, és el que fem: ajudar que les dades es trobin, s’entenguin i s’utilitzin.

#DadesObertes

#Transparència

#GovernObert

#DataEngineering

#Agenda2030

#ODS

Productivitat vs. Salaris: la ràtio que no quadra.

De vegades ens demanen calcular ràtios. En aquest cas, sobre l’evolució de la 𝐏𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐯𝐢𝐭𝐚𝐭 i els 𝐒𝐚𝐥𝐚𝐫𝐢𝐬. Una comparació molt interessant: 𝐜𝐨𝐦 𝐟𝐞𝐦 𝐦𝐢𝐥𝐥𝐨𝐫 𝐥𝐞𝐬 𝐜𝐨𝐬𝐞𝐬 𝐢 𝐜𝐨𝐦 𝐞𝐥𝐬 𝐭𝐫𝐞𝐛𝐚𝐥𝐥𝐚𝐝𝐨𝐫𝐬 𝐡𝐢 𝐩𝐚𝐫𝐭𝐢𝐜𝐢𝐩𝐞𝐧 𝐞𝐧 𝐞𝐥𝐬 𝐛𝐞𝐧𝐞𝐟𝐢𝐜𝐢𝐬 𝐝’𝐚𝐪𝐮𝐞𝐬𝐭𝐞𝐬 𝐦𝐢𝐥𝐥𝐨𝐫𝐞𝐬.

Ara bé, quan el resultat (que sigui dit, no ens toca interpretar) el llegim, ens sorprèn.

I llavors clar, dubtem: Com pot ser que passi això?

Mires com han fet el càlcul a altres informes, i veus que sí, que ho hem calculat bé.

Pel cas d'aquest post, refem el càlcul amb dades dels Estats Units, que és amb qui podem tenir sèries més llargues:

•       De forma contínua i imparable la 𝐩𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐯𝐢𝐭𝐚𝐭 𝐡𝐚 𝐚𝐧𝐚𝐭 𝐚𝐮𝐠𝐦𝐞𝐧𝐭𝐚𝐧𝐭.

•       Els salaris, després de la Segona Guerra Mundial, van seguir paral·lels a la productivitat: el treballador que es comprava una eina millorava la feina i ell gaudia d’un sou millor.

•       Però a partir de la crisi dels 70, 𝐞𝐥𝐬 𝐬𝐚𝐥𝐚𝐫𝐢𝐬 𝐞𝐬 𝐯𝐚𝐧 𝐞𝐬𝐭𝐚𝐧𝐜𝐚𝐫. Els treballadors ja no gaudien de les millores de la productivitat.

Penses: clar, l’empresari que li comprava un tractor al seu millor pagès i passava de tenir cinc ajudants a només un portant el nou tractor, per alguna raó no li podia passar el benefici al treballador. Però si no ha anat al salari i l’empresari tampoc l’ha pogut passar al seu treballador, on s’ha acumulat aquest guany?

Aquest “𝐝𝐞𝐜𝐨𝐮𝐩𝐥𝐢𝐧𝐠” ha estat documentat en molts informes (Bureau of Labor Statistics (BLS), Economic Policy Institute (EPI), OCDE i estudis de Krugman, Stiglitz i d’altres en parlen). S’apunten moltes raons possibles:

•       🤝 Canvis en el poder de negociació laboral i en les institucions.

•       💻 Impacte de la tecnologia, la internacionalització i per tant la concentració de beneficis a quatre grans empreses.

•       📏 Possibles biaixos en el càlcul de la inflació i de l’IPC que potser no inclou prou bé l’habitatge o la sanitat. El sou no creix de forma justa i l’empresari no pot posar uns preus realistes als seus productes.

•       🔖 Regulacions que impliquen un augment dels costos.

•       💰 I, per descomptat, la concentració de grans fortunes en mans d’uns pocs.

Tot plegat fa pensar molt, oi?

En un gràfic copiem del darrer informe de Economic Policy Institut. En l’altre d’elaboració nostra, amb dades ajustades estacionalment, inflació corregida, i només de persones que treballen en producció: la diferència és més exagerada.

https://lnkd.in/eb5J8NX

📊 Analitzar 𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬 és com fer 𝐜𝐚𝐬𝐭𝐞𝐥𝐥𝐬 🏰

En un castell, cada persona té un paper molt concret: si les característiques del casteller encaixen amb la seva posició, el castell puja amb solidesa. Si no, el castell cau.

Amb les enquestes passa el mateix:

👉 Quan els grups estan ben definits i hi ha correspondència clara, entre les dades i la classificació, en una mostra significativa, els resultats són sòlids i interpretables.

👉 Quan les dades són disperses, o quan pretenem classificar a cegues, el resultat és com intentar aixecar un castell amb trenta persones aleatòries: potser fem soroll, però no hi ha garanties d’èxit.

El cap de colla coneix les característiques de cada casteller i sap com ordenar-los amb consciència. Igualment, qui interpreta les enquestes ha de saber si realment pot assignar una característica a cada grup, i ha de tenir el criteri suficient per decidir quan no toca 𝐢𝐧𝐭𝐞𝐫𝐩𝐫𝐞𝐭𝐚𝐫 𝐮𝐧 𝐫𝐞𝐬𝐮𝐥𝐭𝐚𝐭. No totes les enquestes donen resultats interpretables.

📉 Quantes vegades es prenen decisions en base a enquestes poc rigoroses?.

🔍 Posaries en risc els teus castellers si no els pot situar de forma correcta?.

Perquè en estadística, com en els castells, no es tracta només de voler arribar ben amunt: es tracta de fer-ho amb base sòlida i amb seny. No tots els resultats de les enquestes se’ls pot deduir conclusions.

💡 Però no tot son males notícies. De vegades saber que tens una enquesta amb resultats de variables que no pots relacionar també és una bona informació. O no és adequat també saber que no pots pujar un castell si no tens totes les persones adequades?

Imatges de factorials de resultats d’una enquesta, i els Castellers d'Esplugues. Foto: Manel Tineo

🌌 Què tenen en comú els 𝐞𝐬𝐭𝐨𝐥𝐬 𝐝’𝐞𝐬𝐭𝐨𝐫𝐧𝐞𝐥𝐥𝐬 i l’anàlisi de 𝐝𝐚𝐝𝐞𝐬?

Quan veiem milers d’estornells dansant al cel en un hipnòtic vall, no hi ha un “líder” que indiqui el camí. Cada ocell es guia per unes regles simples: seguir els veïns més propers, mantenir una distància mínima i adaptar-se al moviment col·lectiu. D’aquestes interaccions locals, emergeixen patrons globals fascinants.

A les dades els passa el mateix, sovint treballem amb grans conjunts de respostes individuals:

🔹 𝐄𝐧𝐪𝐮𝐞𝐬𝐭𝐞𝐬 d’opinió, on cada persona aporta una veu única.

🔹 𝐃𝐚𝐝𝐞𝐬 socials o culturals, aparentment disperses.

🔹 𝐈𝐧𝐟𝐨𝐫𝐦𝐚𝐜𝐢ó de múltiples fonts que sembla no tenir connexió

.

Amb mètodes com els models de regressió o l’anàlisi de clústers, podem entendre com aquestes petites decisions individuals (com els moviments dels ocells) es converteixen en patrons globals. Això ens permet detectar tendències, agrupacions i comportaments col·lectius que semblaven invisibles.

En l’àmbit econòmic i financer, cada empresa és única:

📊 𝐈𝐝𝐞𝐧𝐭𝐢𝐟𝐢𝐜𝐚𝐫 patrons de consum i tendències de mercat.

📈 𝐄𝐬𝐭𝐮𝐝𝐢𝐬 econòmics que ajuden a preveure escenaris futurs.

💡 𝐓𝐫𝐚𝐜𝐭𝐚𝐫 informació financera perquè les organitzacions puguin prendre decisions més sòlides i estratègiques.

Tal com un estol ens mostra una coreografia perfecta al cel, les dades ens poden mostrar el moviment de la societat i de l’economia si sabem com mirar-les.

👉 A

dades.cat

ajudem institucions i empreses a descobrir aquests patrons, a entendre millor el seu entorn i a prendre decisions fonamentades.

#Estadística

#AnàlisiDeDades

#Economia

#Finances

#Clústers

#Regressió

#Enquestes

Vídeo de Karen Roe a Flickr.

Es pot crear la 𝐩𝐚𝐞𝐥𝐥𝐚 que agradi més? 🥘

La cuina és tot un art. I de vegades també ho és portar un negoci, gestionar una feina, liderar un municipi, donar serveis (per petits que siguin) o fins i tot descobrir un medicament o dissenyar una carta de menú d’un restaurant.

💡 La inspiració és la base, però James Lind quan va descobrir que les taronges evitaven l’escorbut al 1753, ho va fer seguint una tècnica 🛠️.

📈 Petits canvis en el menjar el van permetre identificar que estadísticament podia relacionar l’àcid cítric amb prevenir l’escorbut.

Si demano als meus clients que em puntuïn les meves paelles, i a cada client li faig una petita variació d’ingredients 🧂, puc descobrir quina és la combinació que fa l’arròs que més agradarà.

No sempre és fàcil, però tots ho podem fer, i si cal amb ajuda. Per què els gelats de vainilla a Europa 🍦🟡 son grocs i a Amèrica 🍦⚪ blancs?. Perquè el “𝐃𝐢𝐬𝐬𝐞𝐧𝐲 𝐞𝐬𝐭𝐚𝐝í𝐬𝐭𝐢𝐜 𝐝’𝐞𝐱𝐩𝐞𝐫𝐢𝐦𝐞𝐧𝐭𝐬” ha demostrat que els gustos i les percepcions varien segons el lloc, i les empreses fan el color que més agrada.

De vegades, la inspiració arriba aplicant una tècnica 🛠. Podem fer el mateix que fan les grans corporacions per dissenyar productes, processos, serveis. Ho fem?

𝐐𝐮𝐚𝐧 𝐥𝐚 𝐩𝐫𝐞𝐝𝐢𝐜𝐭𝐢𝐛𝐢𝐥𝐢𝐭𝐚𝐭 𝐟𝐚𝐥𝐥𝐚

La predictibilitat és potent… sempre que les raons que la sustenten no canviïn.

Al post anterior vèiem una empresa que creixia de manera estable, superant crisis i inflació.

Ara, un altre cas: una empresa idèntica en producte, clients i mida… però el 2022 trenca la tendència.

Què va passar?

Les dues programen software, models diferents però comportaments similars, el mateix producte, clients, grandària.

Aprofundint-hi descobrim el motiu:

✅ Una és canadenca.

✅ L’altra americana… però amb molts programadors d’origen ucraïnès.

La guerra ho va canviar tot.

Així és com les dades, que semblaven fiables, ens poden enganyar.

Els errors en la predicció els patim de vegades, i en alguns casos de forma evident (desastres climatològics, pandèmies, accidents), i en altres casos passen inadvertits:

🏢 Estratègies d’empresa inapropiades

🏛️ Polítiques inadequades

❌ Decisions incorrectes

🎲 Opcions mal triades

⚠️ El risc? 𝐂𝐨𝐧𝐟𝐢𝐚𝐫 𝐦𝐚𝐬𝐬𝐚 𝐞𝐧 𝐮𝐧 𝐦𝐨𝐝𝐞𝐥… 𝐨 𝐧𝐨 𝐜𝐨𝐫𝐫𝐞𝐠𝐢𝐫 𝐚 𝐭𝐞𝐦𝐩𝐬.

La predictibilitat és un concepte essencial en el determinisme causal, però falla.

Quina és la millor manera d'𝐚𝐧𝐭𝐢𝐜𝐢𝐩𝐚𝐫 aquests “𝐭𝐫𝐞𝐧𝐜𝐚𝐦𝐞𝐧𝐭𝐬” 𝐞𝐧 𝐥𝐚 𝐩𝐫𝐞𝐝𝐢𝐜𝐭𝐢𝐛𝐢𝐥𝐢𝐭𝐚𝐭?

𝐂𝐨𝐦 𝐬𝐚𝐛𝐞𝐫 𝐪𝐮𝐢𝐧𝐞𝐬 𝐞𝐦𝐩𝐫𝐞𝐬𝐞𝐬 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐚𝐫𝐚𝐧 𝐜𝐫𝐞𝐢𝐱𝐞𝐧𝐭?

Quan treballem amb dades, una de les preocupacions principals és que siguin útils per interpretar… però sobretot per predir.

La predictibilitat és clau en molts àmbits: meteorologia, agricultura, medicina, ciències socials… i també en economia.

En 📊 microeconomia empresarial, analitzar quines empreses són més predictibles és un dels mètodes més potents (i poc utilitzats). Per què? Perquè ens ajuda a:

✔️ Identificar empreses que 𝐦𝐢𝐥𝐥𝐨𝐫 ho fan

✔️ Detectar les que tenen més probabilitat de 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐚𝐫 𝐜𝐫𝐞𝐢𝐱𝐞𝐧𝐭

✔️ Trobar senyals de resiliència davant 𝐜𝐫𝐢𝐬𝐢𝐬

✔️ Endevinar 𝐚𝐯𝐚𝐧𝐭𝐚𝐭𝐠𝐞𝐬 𝐜𝐨𝐦𝐩𝐞𝐭𝐢𝐭𝐢𝐮𝐬 sòlids

✔️ Intuir una 𝐝𝐢𝐫𝐞𝐜𝐜𝐢ó 𝐞𝐬𝐭𝐫𝐚𝐭è𝐠𝐢𝐜𝐚 clara

✔️ O descobrir que tenen un 𝐩𝐫𝐨𝐝𝐮𝐜𝐭𝐞 𝐝𝐢𝐬𝐫𝐮𝐩𝐭𝐢𝐮 o lideratge en el seu sector

Aquest càlcul el fem servir sovint per:

🔍 Filtrar bases de dades

🧩 Identificar clústers

🏭 Sectors

🗂️ Classificar i identificar clients

o simplement 🏆 Trobar “els millors”

Un exemple senzill: si una empresa mostra creixement exponencial amb alta correlació (escala logarítmica), la seva predictibilitat és molt alta. Si, a més, ha superat moments com el Covid o la inflació sense entrebancs, això vol dir alguna cosa, oi?

Però de vegades cal ser atents. No sempre és tan fàcil… hi ha situacions en què la 🙇‍♂️ 𝐩𝐫𝐞𝐝𝐢𝐜𝐭𝐢𝐛𝐢𝐥𝐢𝐭𝐚𝐭 𝐞𝐧𝐠𝐚𝐧𝐲𝐚. Ho explico en el següent post. (Continuarà!)

Ens enorgulleix, un any més, col·laborar amb

Pimec

en el tractament de dades per a l’𝐀𝐧𝐮𝐚𝐫𝐢, una de les publicacions de referència a Catalunya sobre l’estat i evolució del teixit empresarial.

Des de fa més de 20 anys, juntament amb

Moisès Bonal

i

Enric Genescà

, hem perfeccionat un model rigorós de 𝐟𝐢𝐥𝐭𝐫𝐚𝐭𝐠𝐞 i 𝐭𝐫𝐚𝐜𝐭𝐚𝐦𝐞𝐧𝐭 𝐝𝐞 𝐝𝐚𝐝𝐞𝐬, que avui és una de les fonts més fiables per analitzar la realitat de les empreses catalanes.

Gràcies a

Moisès Bonal

, a l’Observatori de @PIMEC i a

Oriol Amat

per la confiança i per permetre’ns formar part d’aquesta gran obra.

𝐃𝐞𝐥 𝐁𝐨𝐫𝐧 𝐝𝐞𝐥 𝐬𝐞𝐠𝐥𝐞 𝐗𝐕𝐈𝐈𝐈 𝐚 𝐥𝐞𝐬 𝐝𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬 𝐝𝐞𝐥 𝐬𝐞𝐠𝐥𝐞 𝐗𝐗𝐈

La presa de decisions intel·ligent ha estat clau des de fa segles. Ja abans de la Revolució industrial catalana, els 𝐜𝐨𝐦𝐞𝐫𝐜𝐢𝐚𝐧𝐭𝐬 𝐢 𝐢𝐧𝐝𝐮𝐬𝐭𝐫𝐢𝐚𝐥𝐬 𝐝𝐞 𝐁𝐚𝐫𝐜𝐞𝐥𝐨𝐧𝐚 portaven registres detallats de producció i comerç. Aquells registres, encara que manuals, els van permetre adaptar-se ràpidament als mercats i construir 𝐚𝐯𝐚𝐧𝐭𝐚𝐭𝐠𝐞𝐬 𝐜𝐨𝐦𝐩𝐞𝐭𝐢𝐭𝐢𝐯𝐞𝐬.

Avui, en ple segle XXI, les 𝐝𝐚𝐝𝐞𝐬 continuen sent la nostra brúixola, però amb un poder molt més gran: la seva recollida i actualització constant ens permet detectar tendències, anticipar necessitats i optimitzar recursos.

És aquí on entren els 𝐒𝐢𝐬𝐭𝐞𝐦𝐞𝐬 𝐝’𝐞𝐧𝐪𝐮𝐞𝐬𝐭𝐚 𝐜𝐨𝐧𝐭í𝐧𝐮𝐚: plataformes que recullen informació de manera regular i automatitzada, ajudant institucions públiques, universitats i empreses a:

📊 Conèixer l’opinió dels ciutadans, estudiants o clients en temps real

🔍 Detectar canvis i necessitats emergents abans que esdevinguin problemes

⚡ Adaptar polítiques, programes o productes amb rapidesa i precisió

Les dades deixen de ser un “arxiu estàtic” per convertir-se en una 𝐞𝐢𝐧𝐚 𝐝𝐞 𝐭𝐫𝐚𝐧𝐬𝐟𝐨𝐫𝐦𝐚𝐜𝐢ó 𝐜𝐨𝐧𝐭í𝐧𝐮𝐚. Amb dades actualitzades constantment, podem aproximar-nos a les millors decisions possibles, sense por a equivocar-nos.

De la mateixa manera, el nostre compromís amb les dades actualitzades constantment ens manté connectats i centrats per prendre les millors decisions, com feien els comerciants i industrials catalans de fa segles: aplicant rigor, observació i sistemàtica. “𝐑𝐨𝐝𝐚 𝐞𝐥 𝐦ó𝐧 𝐢 𝐭𝐨𝐫𝐧𝐚 𝐚𝐥 𝐁𝐨𝐫𝐧”: sempre tornem als fonaments, perquè fer bé les coses és el que marca la diferència.

💡 La clau no és només tenir dades, sinó tenir-les en moviment, interpretables i fiables cada dia. Aquesta és la diferència entre reaccionar tard o anticipar el canvi.

Imatge d’un llibre de comptes. I pintura del mercat del Born d’autor desconegut. Tots dos del sXVIII.

Els banys de la Barceloneta eren famosos a principis del 1900. Mires les fotografies i sembla que la gent tenia costums com les d’ara. Però es veuen diferències. Tenen les mirades diferents, es vestien diferent... pensaven igual que ara?

Fa un segle, per saber què opinava la gent, s’havia de recórrer a una 𝐦è𝐝𝐢𝐮𝐦.

Avui, creiem que les 𝐈𝐀 ens poden donar totes les respostes.

Però hi ha una cosa que ni els mèdiums ni les IA poden saber: i és el que realment pensem 🧠 cadascun de nosaltres.

Les nostres 𝐨𝐩𝐢𝐧𝐢𝐨𝐧𝐬, 𝐢𝐧𝐪𝐮𝐢𝐞𝐭𝐮𝐝𝐬 i 𝐬𝐞𝐧𝐭𝐢𝐦𝐞𝐧𝐭𝐬 són únics. Només es poden conèixer si algú ens ho pregunta… i nosaltres ho compartim.

Llavors decidim fer una enquesta 📋.

Sovint veiem estudis que només ens diuen quantes vegades anem a la platja, o si estem satisfets amb la neteja…

Està bé però, realment: què és 𝐢𝐦𝐩𝐨𝐫𝐭𝐚𝐧𝐭 per a nosaltres ⭐?, quines són les nostres 𝐩𝐫𝐢𝐨𝐫𝐢𝐭𝐚𝐭𝐬 🎯?, què ens faria més 𝐟𝐞𝐥𝐢ç𝐨𝐬 😊 o ens augmentaria la confiança 🤝?.

I el que fa l’enquesta?: com relaciona tot això per guiar els nostres 𝐨𝐛𝐣𝐞𝐜𝐭𝐢𝐮𝐬 🎯 en 𝐚𝐜𝐜𝐢𝐨𝐧𝐬 📈 encertades, rendibles, mesurables per incrementar la 𝐜𝐨𝐧𝐟𝐢𝐚𝐧ç𝐚 🤝 i la 𝐬𝐚𝐭𝐢𝐬𝐟𝐚𝐜𝐜𝐢ó 😃?

Fer una bona enquesta va molt més enllà d’omplir un formulari. Calen bons algorismes, preguntes ben pensades, mètodes i models estructurats, estadística rigorosa i, sobretot, capacitat d’escoltar i interpretar.

Potser si els que tenien responsabilitats dels banys haguessin fet una enquesta s’haurien pogut adaptar a les noves inquietuds que van apareixent. A alguns llocs s’hi van adaptar.

Diuen que potser l'oracle més antic és el de Delphi, a Grècia, que servia per predir el futur. No sé si és una casualitat, però actualment el Mètode Delphi és un dels més poderosos per predir el futur.

𝗨𝗻𝗮 𝗲𝗻𝗾𝘂𝗲𝘀𝘁𝗮, 𝘀𝗼𝘃𝗶𝗻𝘁, 𝗻𝗼 𝗲́𝘀 𝗺𝗲́𝘀 𝗾𝘂𝗲 𝗹’𝗮𝗽𝗹𝗶𝗰𝗮𝗰𝗶𝗼́ 𝗱’𝘂𝗻 𝗰𝗿𝗶𝘁𝗲𝗿𝗶 —𝗲𝘅𝗽𝗲𝗿𝘁 𝗼 𝗻𝗼— 𝘀𝗼𝗯𝗿𝗲 𝘂𝗻𝗮 𝘃𝗮𝗿𝗶𝗮𝗯𝗹𝗲.

De vegades, per explicar la precisió d’aquestes valoracions, recorro a una tècnica iterativa molt visual.

📏 𝗣𝗿𝗼𝘃𝗲𝘂-𝗵𝗼: demaneu a un grup de persones que mesurin a ull una distància.

• En la 𝗽𝗿𝗶𝗺𝗲𝗿𝗮 𝗲𝘀𝘁𝗶𝗺𝗮𝗰𝗶𝗼́, les respostes solen ser molt disperses: hi ha imprecisió.

• A la 𝘀𝗲𝗴𝗼𝗻𝗮 𝘃𝗼𝗹𝘁𝗮, molts ja ajusten la seva opinió en funció del que han sentit o dit els altres.

• A la 𝘁𝗲𝗿𝗰𝗲𝗿𝗮, algú troba una referència (la mida d’una rajola, un patró visual) i fa un càlcul més precís. Els altres comencen a ajustar-se a aquest nou punt d’equilibri.

• En les 𝘀𝗲𝗴𝘂̈𝗲𝗻𝘁𝘀 𝗶𝘁𝗲𝗿𝗮𝗰𝗶𝗼𝗻𝘀, la precisió col·lectiva augmenta notablement.

🔁 He provat aquest mètode en grups, i sovint, cap a la cinquena estimació l’error es redueix molt. Un cop vam arribar a només 𝟭 𝗰𝗺 de diferència en una distància de diversos metres!

📊 Igual que en els models matemàtics iteratius, la convergència depèn de la naturalesa del problema i de com s'ajusten les estimacions a cada pas.

De fet, tècniques similars s'utilitzen en l’anomenat 𝗺𝗲̀𝘁𝗼𝗱𝗲 𝗗𝗲𝗹𝗽𝗵𝗶 per arribar a consensos entre experts.

🧠 Si reunim experts de disciplines diverses i els demanem com evoluciona el seu camp i com influirà sobre una variable comuna, podem iterar aquest procés:

• Cada expert formula una estimació.

• En successives rondes, ajusten les seves prediccions tenint en compte les dels altres que han fet en el pas previ.

• Així es genera una 𝘀𝗶𝗺𝘂𝗹𝗮𝗰𝗶𝗼́ 𝗶𝘁𝗲𝗿𝗮𝘁𝗶𝘃𝗮, 𝗰𝗼𝗹·𝗹𝗲𝗰𝘁𝗶𝘃𝗮 𝗶 𝗳𝗼𝗻𝗮𝗺𝗲𝗻𝘁𝗮𝗱𝗮 del què passarà en el futur.

💡 𝗘́𝘀 𝘂𝗻𝗮 𝗺𝗮𝗻𝗲𝗿𝗮 𝘀𝗲𝗻𝘇𝗶𝗹𝗹𝗮, 𝗽𝗲𝗿𝗼̀ 𝗽𝗼𝗱𝗲𝗿𝗼𝘀𝗮, 𝗱’𝗮𝗻𝘁𝗶𝗰𝗶𝗽𝗮𝗿 𝗲𝗹 𝗾𝘂𝗲̀ 𝗽𝗼𝘁 𝗽𝗮𝘀𝘀𝗮𝗿.

𝐄𝐔 𝐃𝐚𝐭𝐚 𝐀𝐜𝐭

Potser n’heu sentit a parlar. El Data Act és segurament un dels canvis regulatoris més importants del món sobre el tractament i ús de dades. I no, no és una amenaça a la nostra privacitat com potser heu llegit en posts alimentats per les xarxes: és més aviat una sacsejada al poder dels grans monopolis que fins ara han acaparat les dades i n’han fet la seva font principal de domini.

El 12 𝐝𝐞 𝐬𝐞𝐭𝐞𝐦𝐛𝐫𝐞 𝐝𝐞 2025 ha entrat en vigor i la seva essència és clara:

• Les 𝐝𝐚𝐝𝐞𝐬 𝐠𝐞𝐧𝐞𝐫𝐚𝐝𝐞𝐬 pels dispositius, maquinària o serveis connectats no quedaran tancades dins d’una sola empresa. Seran accessibles per a tu i per a qui tu decideixis.

• La 𝐩𝐨𝐫𝐭𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭 serà obligatòria: podràs canviar de proveïdor de serveis al núvol o de programari sense perdre les teves dades.

• La 𝐢𝐧𝐭𝐞𝐫𝐨𝐩𝐞𝐫𝐚𝐛𝐢𝐥𝐢𝐭𝐚𝐭 deixarà de ser un somni: els sistemes hauran de parlar entre ells, i no hi haurà excusa per mantenir murs artificials que només serveixen per retenir clients.

En definitiva:

* Les dades seran més teves.

* El poder de retenir-te dins d’un ecosistema es reduirà.

* Els monopolis perden part del control que han utilitzat per fer-se imprescindibles.

La narrativa que circula per les xarxes, que “perdrem privacitat”, és enganyosa. La veritat és que, amb el Data Act, els que perden són els que vivien de segrestar dades i usuaris. I això, per a nosaltres, és una gran notícia.

De mica en mica algun dia veurem canvis. Perquè puc enviar un mail des de l’Outlook a una persona que el llegeix al Gmail o al Thunderbird?, però en canvi no puc enviar un missatge des del Whatsapp a algú que li agrada més el Telegram?.

Les dues estaran obligades a poder comunicar-se, o portables de l’una a l’altra, però no podran deixar de ser segures.

https://lnkd.in/eD6NXWGk

Ens fa molt orgullosos de poder col•laborar cada any en aquest treball cabdal que mesura l'estat de les empreses catalanes. Gràcies Oriol Amat , Moisès Bonal , Pimec . … more

Ens sentim molt afortunats de poder col·laborar amb l' Oriol Amat . En aquest article, fa un resum imprescindible que recomanem a tothom que estigui involucrat en el món empresarial, així com a aquells que tenen responsabilitats en l’administració pública. Especialment, és una lectura clau en aquests moments de canvis socials i econòmics que les noves tecnologies estan generant. … more

M'omple d'orgull, un any més, posar el nostre granet col·laborant en la nova edició de la Memòria econòmica de Catalunya de la

Cambra de Comerç de Barcelona

presentada avui a la imponent Llotja de Barcelona.

Aquesta satisfacció es multiplica al treballar d'una forma immillorable amb la

Carme Poveda Martinez

i l'

Oriol Amat

. Però a més, al final, ells dos en fan una impecable presentació de l'estudi com la que hem viscut avui.

Enguany amb la felicitat d'haver-la presenciat amb els amics

Josep Rull i Andreu

i

Toni Vert

.

En una enquesta pots obtenir els mateixos resultats simplificant la forma en què fas les preguntes. Així, l’enquestat ha de concentrar-se menys, hi ha menys risc d’abandonament i augmentes la qualitat de les respostes. ✅

L’enquesta aparentment no és la mateixa. No sabrem exactament el mateix de cada persona, però si la mostra és significativa, el resultat serà pràcticament idèntic. 📊

🔬 Què diu la recerca?

Estudis sobre disseny de preguntes mostren que dividir preguntes complexes en parts més petites sovint millora la qualitat de les dades i redueix l’abandonament (Michael Hoerger, Cyberpsychol Behav Soc Netw, 2010, University of Rochester).

🛠️ Bones pràctiques en el disseny d’enquestes:

- 💡 Teoria de l’eficiència

- 🧩 Càrrega cognitiva (Sweller)

- 🔀 Branching (preguntes condicionals segons la resposta prèvia)

- 🗂️ Chunking (dividir la informació en parts més petites i processables)

Conclusió:

✨ Simplicitat = més qualitat i menys abandonament!

Quan dissenyem una enquesta, pensem en la càrrega cognitiva de qui la respon! 📝

Fa anys, les companyies aèries donaven menjar a tots els passatgers, fins i tot en viatges curts. En fer enquestes de satisfacció, descobrien que el menjar no agradava prou. La competència les va portar a fitxar xefs amb estrelles Michelin i a oferir menús sofisticats com el de la imatge (Boeing 747 Huge Viking, 1972, Flickr).

Van tardar anys a entendre que estaven equivocades. Havien preguntat per la satisfacció del menjar, però no per la raó principal del servei: volar. Això va derivar en decisions desafortunades.

Si només preguntes per la satisfacció, corres el risc de perdre el focus. El Model Kano et permet diferenciar entre:

✅ Essencials: el que defineix el servei.

📌 Requerits: el que esperem trobar.

✨ Atractius: el que ens encanta, però no és necessari.

❌ Indiferents: el que no aporta valor o fins i tot molesta.

🚫 No volguts: allò que provoca rebuig.

Es veu que una "xuleta" és un castellanisme. I la RAE diu que és una paraula que ve del català. Sigui com sigui, us passo aquesta "xuleta":

· Qualitatives nominals (Sexe, color, marca) → 🔹 Freqüències | Chi-quadrat | Anàlisi de correspondències

· Qualitatives ordinals (Grau satisfacció, nivell educatiu) → 📊 Mediana | Mann-Whitney | Kruskal-Wallis | Anàlisi factorial exploratòria

· Quantitatives discretes (Nº fills, compres) → 📈 Mitjana, moda | T-test | ANOVA | Regressió logística | Clústers

· Quantitatives contínues (Ingressos, alçada) → 📉 Mitjana, desviació típica | T-test | Regressió lineal | PCA | Regressió múltiple

· Dades mixtes (Sexe vs. ingressos) → 📊 Mitjanes per grups | ANOVA | GLM | Modelització multivariant

· Dades no normals (Asimètriques, outliers) → 🏷️ Mediana, rang IQR | Wilcoxon | Mann-Whitney | Transformacions | Mètodes no paramètrics

Avui el servidor va a "tot gas".

Hi ha qui li agrada veure una final de futbol, però de veritat, és igual d'emocionant veure en temps real com en el nostre servidor es registren més de 100 enquestes de 40 preguntes cada 10 minuts.

El poder de les petites informacions que tots tenim i podem donar en una enquesta són d'un valor molt especial pel qui llegirà els resultats. Les millores que se'n deriven al servei que es dona són molt rendibles, tant pel qui fa l'enquesta, com pel qui rep el servei.

Gràcies!

Quan parles de dades acabes fent servir indicadors (variables, constants, mesures) i en un projecte dubtes de quan fer-les servir.

Fa més de 20 anys que col·laboro amb els Màsters i Postgraus del professor Lluis Cuatrecasas al Tech Talent Center de la UPC. Durant tot aquest temps, he après que el Project Management és un camp en constant evolució: a cada edició descobreixo noves tendències i disciplines.

Aquesta experiència m’ha portat a una conclusió vital: “tot són projectes”, inclús quan es tracta de fer servir dades.

Recordo quan la Unió Europea va establir directrius per al control de grans projectes públics. Tot i que aquestes normes ja no s’actualitzen, la seva essència segueix present en estàndards com la ISO10006 o el PMBOK. Però hi ha un aspecte que sovint queda fora: la capacitat d’adaptació.

Tots els projectes canvien a mida que anem avançant. Els objectius evolucionen just al mig, apareixen nous reptes i, davant d’una tasca conflictiva, sovint hem de prendre decisions difícils. Les eines i graelles dels manuals ens ajuden, però la clau és saber adaptar-nos al mig d’un projecte a l’haver de fer canvis, i saber quins indicadors usar per mesurar allò al què hem d’adaptar-nos.

La primera vegada que vaig sentir a parlar del Mètode Taguchi, em va semblar molt interessant per la seva aplicabilitat. Aquest mètode permet reduir el nombre de mesures necessàries per obtenir resultats estadísticament vàlids, cosa especialment útil quan la mesura implica destruir l’element que estàs analitzant.

Fora del món industrial o de la recerca científica, no és gaire habitual trobar-se amb situacions on es destrueixi l’objecte a mesurar (l'opinió d’un client, per exemple, no canvia perquè li preguntis què en pensa).

Així i tot el Mètode Taguchi m’ha fet reflexionar sovint sobre com podem optimitzar la recollida de dades per obtenir resultats precisos amb el mínim d’esforç i sense introduir biaixos.

Per exemple, si vull saber els preus dels croissants Barcelona, no em limitaria a recollir dades només al gener i només a l’Eixample. Seria molt més representatiu repartir la recollida de dades al llarg de l’any i en diferents barris de la ciutat.

En definitiva, pensar bé la mostra i la manera de mesurar ens pot ajudar a obtenir informació més fiable i útil, fins i tot en situacions quotidianes.