Inteligência de inventário

Este modelo cria um sistema completo de gestão de estoque para o varejo na stack do Databricks: um app em React no qual gerentes de loja acompanham a saúde do estoque, revisam recomendações de reposição geradas por IA e aprovam pedidos de compra — tudo isso apoiado por um pipeline medalhão em tempo real e por um job de previsão de demanda plugável.

Fluxo de Dados

Os dados de vendas e estoque fluem do Lakebase Postgres pelo lakehouse, são enriquecidos por um modelo de previsão de demanda e voltam ao app por meio de sincronização reversa:

1. Gravações OLTP chegam ao Lakebase Postgres (lojas, produtos, níveis de estoque, transações de vendas, pedidos de reposição).
2. O Lakebase Change Data Feed (CDF) replica cada alteração no Unity Catalog como tabelas de histórico CDC (camada bronze).
3. Um Lakeflow Spark Declarative Pipeline transforma o histórico CDC em tabelas silver de estado atual e visualizações materializadas gold (visão geral do estoque, alertas de estoque baixo, velocidade de vendas).
4. Um Lakeflow Job é executado de forma agendada, carrega o histórico de vendas silver e roda um modelo de previsão de demanda plugável para gerar previsões de unidades para 30 dias e recomendações de reposição em uma tabela Delta gold.
5. As Sync Tables (sincronização reversa) replicam as tabelas gold de volta ao Lakebase para leituras de baixa latência.
6. O Inventory Intelligence App (Databricks App) lê tanto das tabelas OLTP quanto das tabelas gold sincronizadas para exibir dashboards, detalhamentos por loja, uma fila de reposição e análises opcionais com Genie.

Design

O app deve ter um design bonito e refinado — tipografia limpa, espaçamento consistente e uma estética profissional de varejo. Use componentes do shadcn/ui como base, Tailwind para toda a estilização e as cores da marca em toda a interface. Os dashboards devem transmitir riqueza de dados sem poluição visual; a fila de reposição deve tornar os fluxos de aprovação algo simples e sem esforço.

O que adaptar

O provisionamento (schemas do Unity Catalog, REPLICA IDENTITY do Lakebase), o seeding, os deploys de pipeline, o reverse sync e o deploy do app estão documentados no README.md do repositório, junto com o código.

Para adaptar este modelo ao seu caso:

• Catálogo: defina a variável catalog no databricks.yml de cada pipeline com o nome do seu catálogo do Unity Catalog.
• Lakebase: aponte o databricks.yml do app para o seu próprio projeto, branch e banco de dados do Lakebase.
• Tabelas: o script de seed cria o schema OLTP com 5 lojas, 25 produtos e 90 dias de histórico de vendas. Após o seeding, configure o Change Data Feed para replicar as tabelas do schema inventory.
• Sync Tables: crie manualmente as três configurações de reverse sync (consulte o README para ver os mapeamentos exatos das tabelas).
• Modelo de previsão: defina a variável forecast_model no pipeline de previsão de demanda como weighted_moving_average (padrão), exponential_smoothing, prophet ou model_serving.
• Genie Agent: crie um Genie Agent sobre suas tabelas gold e defina o genie_space_id no bundle do app para ativar a aba Analytics.