The Good Part

Introducción

En la entrega de electrodomésticos, el éxito no es algo que el cliente note, sino la ausencia de fallos. Un registro duplicado, un conductor mal asignado, una marca de tiempo desincronizada: cada uno de estos errores representa una oportunidad perdida o un segundo viaje. Las operaciones de The Good Part habían superado la capacidad de su sistema backend y las deficiencias comenzaban a ser evidentes. A lo largo de este proyecto de desarrollo de software, entregamos:

• Desarrollo de back-end en Java 17
• Modelado de bases de datos en PostgreSQL
• Desarrollo guiado por pruebas en un entorno Dockerizado
• Integración del desarrollo y despliegue de API

Desafío

The Good Part contactó con Redwerk con un sistema de gestión interna que se había quedado obsoleto. A medida que aumentaba el volumen de pedidos, las pequeñas dificultades del sistema interno se convertían en retrasos diarios para los encargados de la logística, el personal del almacén y los gerentes.

Se habían acumulado registros duplicados de clientes, lo que generaba inconsistencias en los pedidos y obligaba al equipo a corregirlos manualmente. Los encargados de la logística no podían ver en tiempo real qué conductores estaban ocupados, lo que ralentizaba y hacía menos precisa la planificación de rutas. Los almacenes y las filiales no estaban vinculados formalmente en el modelo de datos, por lo que la coordinación logística dependía de la memoria y la comunicación informal.

Además, las marcas de tiempo no siempre eran precisas, el estado de los pedidos debía actualizarse manualmente después de las entregas y no existía una forma sencilla de validar o previsualizar un pedido antes de procesarlo. Cada uno de estos problemas era menor por sí solo. Sin embargo, en conjunto, implicaban más trabajo manual, tiempos de respuesta más lentos y menor confianza en los datos. El equipo necesitaba una intervención específica para solucionar rápidamente los puntos débiles más críticos sin reconstruir todo el sistema ni interrumpir las operaciones diarias.

Solución

Nos propusimos un alcance preciso y específico, y entregamos siete mejoras de backend en un plazo ajustado. El código base está escrito en Java 17, con un estilo funcional basado en la API Stream. Nuestro equipo de desarrollo lo respetó al pie de la letra, sin excepciones, por lo que el nuevo código se integra perfectamente con el resto del sistema, sin desentonar.

Cada funcionalidad se entrega con sus propias pruebas unitarias y de integración para cumplir con los altos estándares de desarrollo guiado por pruebas del cliente. Las pruebas se ejecutan en un entorno Docker que crea una instancia real de PostgreSQL, lo que nos permite validar con el motor de base de datos real en el que se ejecuta el sistema, no con una simulación. Los despliegues se realizan mediante una canalización de compilación, envío y despliegue de GitHub Actions, con entornos de prueba y producción como destinos separados, lo que garantiza lanzamientos rápidos y predecibles.

Esto es lo que entregamos:

• Gestión de clientes duplicados: Detección automática de registros de clientes duplicados, etiquetado claro en la interfaz de usuario y un flujo de trabajo de resolución que permite al personal fusionar o descartar duplicados con solo unos clics. Se acabaron las limpiezas semanales.
• Gestión de almacenes: Se introdujo una entidad de almacén propiamente dicha y se modelaron las relaciones entre almacenes y filiales, de modo que la coordinación logística cuenta con una estructura real en lugar de depender del conocimiento informal.
• Disponibilidad de conductores para la asignación de rutas: Se han añadido indicadores en tiempo real que muestran qué conductores están ocupados durante la planificación de rutas. Ahora, los coordinadores pueden crear rutas sin tener que alternar entre pantallas ni adivinar.
• Automatización del ciclo de vida de los pedidos: Las entregas completadas ahora actualizan su estado automáticamente, eliminando un paso manual que anteriormente dificultaba la elaboración de informes al final del día.
• Correcciones en la precisión de las marcas de tiempo: Se detectaron y corrigieron los errores en las marcas de tiempo que hacían que el seguimiento de los pedidos no fuera fiable.
• Punto final de la API de vista previa de pedidos: Se agregó un punto final de backend que permite al equipo revisar y validar los datos del pedido antes de que se confirmen, de modo que los errores se detecten antes de que se conviertan en problemas para el cliente.
• Integración de código y soporte para solicitudes de extracción: Trabajamos dentro del repositorio y el proceso de revisión existentes del cliente, por lo que cada cambio se fusionó correctamente sin sobrecarga de integración adicional por su parte.

Todas las funciones se entregan completamente probadas e integradas en el sistema en funcionamiento.