Problema que resuelve
Las microempresas que venden productos perecederos (alimentos, cosmética, farmacia) pierden margen por merma evitable: stock que caduca antes de venderse porque nadie lo detectó a tiempo. El SGI convierte esa pérdida en información accionable: alerta antes de que el producto se vuelva pérdida, propone rotaciones y permite tomar decisiones con datos en vez de intuición.
Stack y decisiones técnicas
- Persistencia en la nube para que los datos estén disponibles desde cualquier sucursal, sin servidores físicos.
- Procesos en paralelo y segundo plano para cargas masivas (importación de inventario inicial, recalcular métricas diarias).
- Modelo de datos orientado a fechas: cada lote de producto tiene fecha de ingreso, vencimiento y rotación esperada. La consulta crítica es “qué vence en los próximos N días”.
- Asistente con IA contextualizado al negocio del usuario: responde preguntas operativas usando los datos reales del SGI como contexto.
- Manejo de múltiples usuarios con roles (admin, supervisor, operador) y separación estricta de permisos por rol.
Retos encontrados
- Diseñar el modelo de datos correcto: representar lotes, vencimientos, rotaciones y devoluciones sin volver imposibles las consultas.
- Persistencia en la nube con consistencia adecuada y costos controlados.
- Volúmenes grandes de datos históricos: empresas con un año de operación tienen miles de movimientos. Las queries debían seguir siendo rápidas.
- Predicción útil, no ruido: alertar tantas veces que el usuario las ignora es peor que no alertar.
Cómo resolví los retos
- Iteré el modelo con casos reales: empecé por entrevistar el dominio (qué hace un encargado de bodega un día normal) antes de modelar.
- Índices y vistas materializadas para las consultas de dashboard, sin penalizar las escrituras.
- Procesos batch nocturnos para precalcular métricas pesadas y dejar el dashboard responsivo durante el día.
- Alertas con prioridad: el sistema clasifica por nivel de urgencia (vence hoy, vence esta semana, sobre-stock) en vez de tratarlas a todas igual.
- Apoyo de IA para explorar trade-offs de arquitectura y desbloquear conceptos nuevos, pero las decisiones finales son mías y revisadas.
Qué aprendí
- A pensar la arquitectura limpia como un activo del negocio, no como un capricho técnico.
- A diseñar modelos de datos centrados en el caso de uso real, no en la elegancia teórica.
- A integrar IA como valor añadido contextual, alimentando al asistente con los datos del usuario en vez de respuestas genéricas.
- A diferenciar alertas accionables de ruido informativo.
Estado actual
En producción. Código fuente privado por confidencialidad con el cliente. Demo bajo petición.
Asistente con IA contextualizado al negocio del usuario 