
Hi ha una cosa paradoxal en moltes organitzacions: mai no havíem tingut tantes dades, tants dashboards i tanta capacitat tècnica… i, tanmateix, continua sent freqüent que les decisions importants es prenguin per intuïció, per jerarquia o per inèrcia. No perquè faltin gràfics, sinó perquè falta criteri.
La visualització és necessària, però no és el final del camí. En el millor dels casos, la visualització fa visible un patró. El que costa, i el que realment aporta valor, és convertir aquest patró en una decisió defensable: què fem, per què ho fem, què sacrifiquem en fer-ho i com sabrem si ha funcionat.
Aquest salt és el cor del data storytelling seriós. I aquest salt és també on apareix un enemic silenciós: el fals rigor.
El fals rigor: quan sembla que sabem, però només estem “presentant”
Anomeno fals rigor una sensació de certesa que es recolza en números i estètica, però no en un raonament sòlid. És el tipus d'anàlisi que impressiona en una slide, però es trenca tan bon punt algú pregunta: “Quina evidència seria suficient per canviar d'opinió?” o “Quina alternativa estem descartant?” El fals rigor sol entrar per tres portes.
La primera és l'obsessió per la mètrica. Quan una mesura es converteix en objectiu, deixa de ser una bona mesura. És la idea coneguda com a llei de Goodhart: optimitzes el número i, sense adonar-te'n, deformes el comportament del sistema. Pots millorar el KPI i empitjorar el negoci. La història és plena d'exemples: des de polítiques públiques fins a entorns corporatius, on l'organització aprèn a “guanyar el joc” de l'indicador, no el joc del valor.
La segona porta és convertir correlacions en causalitat. Ens encanta dir “això ha passat per culpa de X”, perquè tranquil·litza: simplifica un món complex en una frase accionable. El problema és que moltes vegades aquesta causalitat no està demostrada. Hi pot haver factors de context, canvis simultanis, biaixos de selecció o simples coincidències temporals. En aquests casos, el data story es converteix en un relat convincent… i fràgil.
La tercera porta és més tècnica, però més comuna del que sembla: la flexibilitat analítica no declarada. En recerca s'ha documentat àmpliament que, quan es prenen decisions “a la carta” durant l'anàlisi (què excloure, què segmentar, què mesurar, quan parar), el risc de falsos positius es dispara. No cal mala fe: n'hi ha prou de provar prou variacions fins que apareix el resultat que “encaixa”.
I en la mateixa línia, l'American Statistical Association ha insistit que la significació estadística no es pot fer servir com un segell simplista de veritat: un p-value no et diu, per si sol, ni la importància pràctica, ni la probabilitat que la hipòtesi sigui certa, ni la qualitat del disseny de l'estudi.
Tot plegat produeix una situació molt reconeixible: informes que semblen impecables, però que no ajuden a decidir millor. Molt “output”, poc “outcome”.
El canvi de mentalitat: de “mostrar dades” a “enginyeritzar decisions”
Un data story útil no comença amb un gràfic. Comença amb una decisió. Per això em resulta especialment valuós l'enfocament de decision intelligence: entendre i “dissenyar” com es prenen les decisions, com s'avaluen els resultats i com es millora a partir del feedback. Dit sense argot: connectar evidència amb acció i aprenentatge, en lloc de quedar-se en el reporting. Quan treballes així, canvia fins i tot la manera de mirar un dashboard. Ja no preguntes “què podem ensenyar?”, sinó “què hem de decidir?”. I això redueix soroll, escurça discussions i eleva l'estàndard de responsabilitat.
La prova final: la teva anàlisi obliga a triar?
Hi ha una pregunta simple que separa visualització de data storytelling: després de veure això, algú pot prendre una decisió concreta sense inventar-se el criteri? Si la resposta és “no”, probablement hi falta una peça clau: el pont entre anàlisi i criteri. Perquè decidir no és només “saber”. Decidir és assumir un trade-off: triar una opció i renunciar-ne a una altra, amb una justificació explícita i un pla per comprovar si l'aposta era raonable.
En un article de blog, no et proposaré una llista de verificació interminable. Però sí que et proposo un gest pràctic que sol canviar-ho tot: la propera vegada que preparis un informe, escriu abans de res una frase d'una línia que comenci amb un verb: “Prioritzarem X”, “pausarem Y”, “reassignarem pressupost d'A a B”, “llançarem/ajornarem…”. Si no pots completar aquesta frase de manera honesta amb el que saps, el problema no és el gràfic. El problema és que encara no tens un criteri defensable (o no estàs mesurant el que cal per construir-lo).
I la IA generativa, m'ajuda?
La IA generativa pot ser un accelerador fantàstic, precisament en el tram on més fallem: passar de l'anàlisi a un memo de decisió clar. Et pot ajudar a redactar, a estructurar arguments, a proposar alternatives, a assenyalar salts lògics, a identificar factors de confusió plausibles. Però també pot amplificar el fals rigor, perquè escriu amb autoritat fins i tot quan l'evidència és feble. Per això el principi és senzill: fes-la servir com a copilot de pensament i comunicació, no com a àrbitre de veritat. Si l'estàndard metodològic és baix, la IA només el farà “més presentable”

El que diferencia els equips madurs
Els equips madurs no són els que tenen més dashboards. Són els que han acordat, explícitament, com es decideix: quins llindars importen, quins riscos accepten, quines mètriques són guies i quines són objectius, quina evidència exigiran abans d'escalar una acció, i com revisaran el que ha passat per aprendre sense reescriure el passat. Aquest enfocament connecta amb la idea de decision intelligence: millorar la qualitat de les decisions entenent explícitament com es prenen i com s'avaluen i es milloren amb feedback. Això és data storytelling més enllà de la visualització: una disciplina per convertir anàlisi en criteri, i criteri en decisió. Sense trucs. Sense maquillatge. Sense seguretat injustificada
Si aquest plantejament et ressona, el més habitual és que no necessitis “més reporting”, sinó un estàndard compartit que tanqui el salt entre insight i acció: narrativa verificable, criteris explícits i un mètode de revisió posterior que converteixi cada decisió en aprenentatge. De vegades, n'hi ha prou de formular bé l'embussament perquè comenci a resoldre's. Si et ve de gust, explica'm quina és la decisió que genera més fricció en el teu context, en una nota curta; no prometo receptes universals, però sí una resposta raonada i adaptada al cas.