Inteligencia de inventario

Este template crea un sistema completo de gestión de inventario minorista sobre el stack de Databricks: una aplicación React donde los gerentes de tienda supervisan el estado del inventario, revisan recomendaciones de reabastecimiento generadas por IA y aprueban órdenes de compra, todo ello impulsado por un pipeline medallion en tiempo real y un job de previsión de demanda intercambiable.

Flujo de datos

Los datos de ventas e inventario fluyen desde Lakebase Postgres a través del lakehouse, se enriquecen con un modelo de previsión de demanda y regresan a la aplicación mediante sincronización inversa:

1. Las escrituras OLTP llegan a Lakebase Postgres (tiendas, productos, niveles de inventario, transacciones de ventas, órdenes de reabastecimiento).
2. El Change Data Feed (CDF) de Lakebase replica cada cambio en Unity Catalog como tablas de historial CDC (capa bronze).
3. Un Lakeflow Spark Declarative Pipeline transforma el historial CDC en tablas silver con el estado actual y materialized views gold (resumen de inventario, alertas de inventario bajo, velocidad de ventas).
4. Un Lakeflow Job se ejecuta de forma programada, carga el historial de ventas de la capa silver y ejecuta un modelo de previsión de demanda intercambiable para generar pronósticos de unidades a 30 días y recomendaciones de reabastecimiento en una tabla gold de Delta.
5. Las tablas de sincronización (sincronización inversa) replican las tablas gold de vuelta en Lakebase para lecturas de baja latencia.
6. La Inventory Intelligence App (Databricks App) lee tanto de las tablas OLTP como de las tablas gold sincronizadas para mostrar dashboards, desgloses por tienda, una cola de reabastecimiento y análisis opcionales con Genie.

Diseño

La aplicación debe tener un diseño cuidado y atractivo: tipografía limpia, espaciado consistente y una estética profesional propia del retail. Usa los componentes de shadcn/ui como base, Tailwind para todos los estilos y los colores de marca en toda la aplicación. Los dashboards deben transmitir riqueza de datos sin resultar recargados, y la cola de reabastecimiento debe hacer que los workflows de aprobación resulten ágiles y sencillos.

Qué adaptar

El aprovisionamiento (schemas de Unity Catalog, REPLICA IDENTITY de Lakebase), la carga inicial de datos, los despliegues de pipelines, la sincronización inversa y el despliegue de la aplicación están documentados en el README.md del repositorio, junto al código.

Para adaptar este template a tu caso:

• Catálogo: asigna a la variable catalog del databricks.yml de cada pipeline el nombre de tu catálogo de Unity Catalog.
• Lakebase: apunta el databricks.yml de la aplicación a tu propio project, branch y base de datos de Lakebase.
• Tablas: el script de carga inicial crea el schema OLTP con 5 tiendas, 25 productos y 90 días de historial de ventas. Tras la carga inicial, configura Change Data Feed para replicar las tablas del schema inventory.
• Tablas de sincronización: crea manualmente las tres configuraciones de sincronización inversa (consulta el README para ver las correspondencias exactas entre tablas).
• Modelo de previsión: asigna a la variable forecast_model del pipeline de previsión de demanda el valor weighted_moving_average (predeterminado), exponential_smoothing, prophet o model_serving.
• Genie Agent: crea un Genie Agent sobre tus tablas gold y define genie_space_id en el bundle de la aplicación para activar la pestaña de Analítica.