Sistema de gestión de inventario y catálogo omnicanal con reconocimiento visual, sincronización de WhatsApp y portal público para tiendas de calzado.

• Gestión completa de productos, tallas, almacenes y movimientos de inventario por tienda.
• Generación de catálogos públicos por tienda (/catalog/[slug]) con carrito y envío directo a WhatsApp.
• Reconocimiento visual de productos mediante embeddings y referencia de imágenes.
• Paneles administrativos independientes por tienda con métricas, alertas de stock y automatizaciones.
• Integración con Supabase (auth, storage, funciones) y flujos multi-tenant.

Requisitos previos

• Node.js 20.19.5 (usa nvm use 20.19.5 o descarga esa versión específica).
• Herramientas de desarrollo de escritorio de C++ instaladas mediante el instalador de Visual Studio (Build Tools) para compilar dependencias nativas.

npm install -g pnpm
pnpm install
pnpm add jspdf jspdf-autotable
pnpm run dev --webpack

Si necesitas usar npm tradicional: npm install y, si hay conflictos, npm install --legacy-peer-deps.

1. Copia .env.local.example (o el bloque del README) a .env.local.
2. Rellena las variables de Supabase (NEXT_PUBLIC_SUPABASE_URL, NEXT_PUBLIC_SUPABASE_ANON_KEY, SUPABASE_SERVICE_ROLE_KEY).
3. Define el bucket SUPABASE_PRODUCT_BUCKET y las claves del servicio de embeddings (EMBEDDING_SERVICE_URL, EMBEDDING_SERVICE_TOKEN).
4. Añade la clave de Google Maps (NEXT_PUBLIC_GOOGLE_MAPS_API_KEY).
5. Cada tienda debe configurar su número de WhatsApp desde el panel de administración.

• Next.js 16: App Router, RSC y manejo de layouts.
• React 18: Componentización y hooks personalizados para estado y servicios.
• TypeScript: Tipado estático para mayor robustez y mantenibilidad.
• Tailwind CSS + shadcn/ui: Sistema de diseño y componentes accesibles.
• Supabase: Postgres multi-tenant, Auth, Storage y funciones administrativas.
• Google Cloud Functions: Servicio de embeddings y procesamiento ML.
• TensorFlow + MobileNetV2: Pipeline de entrenamiento y reconocimiento visual para generar embeddings, con fine-tuning opcional basado en datasets propios para mejorar el matching.
• Python 3 + tooling científico: Scripts offline (ml/) para preparar datasets, ejecutar fine-tuning y regenerar embeddings antes de sincronizarlos con Supabase.
• Vercel: Despliegue, edge/runtime y automatización CI/CD.

1. Haz fork y crea una rama feature (git checkout -b feature/nueva-funcionalidad).
2. Ejecuta pnpm run lint / pnpm run test antes de abrir un PR.
3. Describe claramente los cambios y adjunta capturas o pasos de prueba cuando aplique.

Este proyecto está bajo la Business Source License 1.1. El uso no comercial y académico está permitido, pero el uso en producción o comercial requiere una licencia comercial separada hasta la fecha de cambio (2035-01-01), momento en el cual pasará a ser Apache License 2.0.

Consulta el archivo LICENSE para más detalles.

• Jheysmar Armando Fragozo Acosta
• Alam Steven Cortes Martínez
• Amin Jose Pineda Linares

Universidad Popular del César - 2025