Volver a proyectos

SAVR - Plataforma de Recomendaciones Contextuales

Plataforma full-stack de recomendaciones gastronómicas que usa preferencias, presupuesto, contexto social e intención de salida para generar sugerencias más relevantes de restaurantes y experiencias.

Rol
Dirección de producto, API backend, flujos frontend, modelo de datos y lógica de recomendación
Tipo
Producto full-stack
Estado
En vivo
Año
2026
Recomendaciones de SAVR clasificadas con platillos sugeridos y maridajes de bebidas
Coincidencias gastronómicas clasificadas y explicables con puntaje de ajuste, platillos sugeridos y maridajes.

Qué resuelve este proyecto

La búsqueda de restaurantes suele ser genérica. Normalmente filtra por ubicación o cocina, pero ignora con quién vas, qué ambiente quieres y qué restricciones importan.

Cómo lo construí

SAVR trata la decisión como un problema de recomendación contextual. El usuario puede describir su noche, construirla con opciones guiadas o usar un modo sorpresa con resultados explicables.

Estructura del sistema

  1. 01La interfaz maneja onboarding, entradas de recomendación y presentación de resultados.
  2. 02La API separa autenticación, restaurantes, experiencias y rutas de recomendación.
  3. 03El modelo de datos soporta preferencias, metadatos de restaurantes, ambiente y futuras señales de eventos.
  4. 04La capa de recomendación conecta contexto del usuario con atributos del lugar y explica por qué encaja.

Stack: FastAPI · React · TypeScript · PostgreSQL · JWT Auth · Recommendation Logic

Tradeoffs que tomé

Modelo de entradas de recomendación

Tradeoff

Una lista simple de restaurantes sería más rápida de construir, pero no capturaría por qué alguien sale, con quién va, su presupuesto, restricciones o ambiente.

Resultado

Estructuré el producto alrededor de Describe Your Night, Build Your Night y Surprise Me para que los resultados sean explicables y extensibles.

Contrato entre backend y frontend

Tradeoff

Las funciones de recomendación se vuelven frágiles cuando los filtros de UI y la lógica de scoring del backend evolucionan por separado.

Resultado

Mantuve rutas API, campos de datos y tarjetas de resultados alineadas con señales explícitas de preferencia, metadatos de restaurantes y resultados explicables.

Evidencia antes de pulido visual

Tradeoff

Los visuales premium pueden hacer que un producto parezca terminado antes de que la lógica de recomendación y el modelo de datos sean realmente útiles.

Resultado

Prioricé flujos funcionales, autenticación, datos de restaurantes, presets, APIs y tarjetas de recomendación antes del pulido visual final.

Cómo se ve

Qué salió de esto

  • 01Construí una base full-stack funcional con rutas backend en FastAPI, pantallas de producto en React/TypeScript, autenticación, datos de restaurantes y flujos de recomendación.
  • 02Convertí una idea amplia de producto en modos concretos de entrada: Describe Your Night, Build Your Night y Surprise Me.
  • 03Agregué evidencia visible mediante capturas del proyecto, estructura de caso de estudio, detalles del stack y una explicación clara de cómo la lógica conecta con el contexto del usuario.

Siguiente iteración

  • 01Agregar explicaciones a nivel platillo y scoring con señales de eventos.
  • 02Expandir el modelo de recomendación con presets guardados y señales de eventos.

Abierto a internships, roles técnicos junior y colaboraciones de proyecto.

jpss2004@icloud.com