Skip to content
Volver a proyectos

RentEdge

En desarrollo

SaaS de pricing y gestión de ingresos para empresas de rent-a-car

Rol: Desarrollador full-stack en solitario

En solitario · Desde jul 2026 · Repo privado

NestJSNext.jsPostgreSQLTimescaleDBRedisBullMQPythonPrismaTurborepo
1,445 (unit + e2e)
Tests de backend
363 unit + 120 Playwright (3 devices)
Tests de frontend
API + Web + 2 Python microservices
Servicios

Una plataforma SaaS multi-tenant que automatiza el pricing, la inteligencia competitiva y la gestión de ingresos para empresas de rent-a-car, construida como un monolito modular alrededor de un motor de reglas determinista y auditable.

Problema

Las empresas de rent-a-car fijan precios manualmente o con hojas de cálculo estáticas, sin detectar cambios competitivos en tiempo real y dejando margen sobre la mesa. Las herramientas empresariales existentes son costosas, cerradas y lentas para adaptarse.

Solución

Un motor de pricing tipo monolito modular con un DSL de reglas determinista, topes de seguridad estrictos (mínimos/máximos de precio que nunca se cruzan), inteligencia automática de tarifas de la competencia, y alertas, todo multi-tenant desde el primer día, con aislamiento real vía JWT/RBAC.

Recorrido de 50 segundos en un tenant de demostración con datos de ejemplo: dashboard, reglas de pricing y una oficina con su simulador de precio. Sin audio.
Arquitectura de RentEdgeLa web en Next.js habla con la API NestJS. La API guarda datos en PostgreSQL con TimescaleDB, encola trabajo en Redis con BullMQ y le pide sugerencias al servicio ml-forecasting. El servicio rate-shopper lee tarifas de las OTAs y manda los precios de la competencia a la API. Un job de backup copia la base de datos a Cloudflare R2.Next.js webNestJS APIreglas · RBAC · auditoríaPostgreSQL+ TimescaleDBRedis + BullMQeventos de repricingml-forecastingFastAPI · sugerenciasrate-shopperPythonOTA APIsR2backup nocturnotarifas de la competenciaseries de precio y ocupación

Arquitectura

  • Monorepo Turborepo: API NestJS, web Next.js, dos servicios Python (rate-shopper y ml-forecasting) y un job de backup, cada uno aislado por perfil de carga
  • Motor de reglas determinista: evaluación condición/acción, resolución de conflictos por especificidad, pisos y techos de precio que nunca se cruzan. También segmenta el precio por duración de estadía y canal, y escribe el texto de "por qué cambió este precio" desde los facts guardados de las reglas, sin LLM
  • Inteligencia de tarifas con adaptadores ligeros que llaman directo a las APIs internas de las OTAs (y respetan robots.txt) en vez de manejar un navegador. ml-forecasting es un servicio FastAPI sin estado (forecast de ocupación OLS, elasticidad precio log-log, detección de anomalías con MAD); su salida es solo una sugerencia y el motor de reglas decide cada precio
  • PostgreSQL + TimescaleDB para series de precio y ocupación; Redis + BullMQ para eventos de repricing, con historial de jobs acotado y reintentos con backoff para que la cola del log de auditoría no pierda una entrada por un error transitorio de la DB
  • Dinero como decimal exacto de punta a punta, con locks de fila en cada mutación de precio para que dos eventos de repricing concurrentes no se pisen

Correctitud y seguridad

  • JWT/RBAC multi-tenant con aislamiento de tenant forzado en cada caso de uso y verificado de punta a punta (403 en accesos cruzados); las sesiones tienen revocación real, así que desactivar un usuario invalida su token
  • Guard anti-SSRF con resolución real de DNS (no comparación de strings) que re-valida y fija cada webhook saliente de tenant a su IP verificada al momento del envío, cerrando el hueco donde un hostname se re-apunta a un endpoint de metadata de la nube después de pasar la validación
  • Un único middleware global escribe el log de actividad/auditoría de cada request mutante, en vez de instrumentar endpoint por endpoint

Cómo lo verifiqué

  • gitleaks, Semgrep, OSV-Scanner y Trivy encontraron un hueco en el largo del tag AES-GCM al descifrar secretos 2FA (Node aceptaba tags de 4 bytes) y un bug de orden de filtros de excepción que convertía cada error de validación de dominio en un 500 en producción
  • Un backtest del forecast de ocupación con ML contra el pickup model determinista, sobre historia sintética porque todavía no hay clientes reales. El modelo determinista acierta casi el doble con datos limpios y el OLS gana con datos ruidosos, así que el ML sigue siendo una sugerencia y no fija precios
  • Backups nocturnos de Postgres a Cloudflare R2, con el restore ejercitado en CI, no solo el backup
  • Dos rondas de auditoría cerraron los últimos huecos del motor de reglas (el índice de demanda estacional y los deltas de precio de la competencia pasaron a ser facts de primera clase) y corrigieron los 17 hallazgos de una auditoría de UX/accesibilidad, incluyendo contraste WCAG en cada badge de estado, pestañas ARIA con roving tabindex y foco de teclado visible
  • Una prueba de carga con k6 contra una API local, con un tenant sintético (81 categorías y 405 mil reservas), mostró que una sola petición del dashboard ejecutaba unas 500 consultas. Los índices estaban bien: el costo eran los viajes a la base y las 54 mil reservas leídas en Node. Tras agrupar las consultas, agregar la ocupación en SQL y dejar que las peticiones simultáneas compartan un cálculo, el p95 con 20 usuarios bajó de 32.8 s a 3.4 s y la respuesta quedó igual. Todo corrió en una sola máquina y los datos son sintéticos

Todavía no

Todavía no hay usuarios en producción ni demo pública: la plataforma está construida hacia un piloto con una empresa de rent-a-car que aún no empieza. El servicio de ML solo da sugerencias.