La interfaz maneja onboarding, entradas de recomendación y presentación de resultados.
En progreso2026Destacado
SAVR - Plataforma de Recomendaciones Contextuales
Plataforma full-stack de recomendaciones gastronómicas con flujos explicables.
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.
Problema
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.
Solución
Cómo lo abordé
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.
Arquitectura
Estructura del sistema
La API separa autenticación, restaurantes, experiencias y rutas de recomendación.
El modelo de datos soporta preferencias, metadatos de restaurantes, ambiente y futuras señales de eventos.
La capa de recomendación conecta contexto del usuario con atributos del lugar y explica por qué encaja.
Decisiones
Tradeoffs y resultados
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.
Evidencia
Evidencia e impacto
Construí una base full-stack funcional con rutas backend en FastAPI, pantallas de producto en React/TypeScript, autenticación, datos de restaurantes y flujos de recomendación.
Convertí una idea amplia de producto en modos concretos de entrada: Describe Your Night, Build Your Night y Surprise Me.
Agregué 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.
Roadmap
Siguiente iteración
Agregar capturas reales de resultados de recomendación, diagramas de arquitectura y ejemplos de payloads API.
Desplegar una demo pública estable cuando las rutas principales, los datos semilla y las salidas de recomendación estén limpias para producción.
Expandir la lógica de ranking con recomendaciones a nivel platillo, señales de eventos, presets guardados y tarjetas de explicación más claras.