CASO DE ESTUDIO · FULL STACK
Plataforma inmobiliaria
Un portal de búsqueda de vivienda centrado en el mapa, con alertas de búsquedas guardadas y mensajes directos con los agentes.
- ROL
- Desarrollador principal
- DURACIÓN
- 12 semanas
- EQUIPO
- 3 personas
- PLATAFORMA
- Web responsive
IDENTIDAD DE PRODUCTO
haven
Encuentra el lugar al que llamarás hogar.
01 · RESUMEN
Resumen del proyecto
TIEMPO DE DESARROLLO
12 semanas
Del MVP al lanzamiento público
TAMAÑO DEL EQUIPO
3 personas
Dev principal, diseño, backend
LOGRO CLAVE
48k anuncios
Indexados y buscables en < 300 ms
EL PROBLEMA
Los compradores saltaban entre tres portales, anuncios caducados y agentes que nunca respondían. Los resultados ignoraban lo que más les importaba: trayectos, colegios y fotos reales.
EL ENFOQUE
Haven reúne los feeds MLS en un único índice, lo actualiza cada 15 minutos y convierte el mapa en la forma principal de buscar, con búsquedas guardadas que avisan en cuanto algo nuevo encaja.
48k
anuncios activos indexados
< 300 ms
de respuesta media en las búsquedas
3,2x
más respuestas de agentes que con formularios por email
02 · FUNCIONALIDADES
Qué hace
Búsqueda en el mapa
Dibuja una zona o mueve el mapa: los resultados se actualizan con cada movimiento.
Búsquedas y alertas
Recibe un email o una notificación en cuanto una vivienda nueva encaje.
Calculadora de hipoteca
Coste mensual con impuestos, seguro y comunidad, en el propio anuncio.
Mensajes con agentes
Chatea con el agente y reserva una visita en el mismo hilo.
Reserva de visitas
Elige huecos libres para visitas presenciales o por vídeo.
Panel del vendedor
Visitas, guardados y consultas de cada anuncio a lo largo del tiempo.
03 · PROCESO
Cómo se hizo
SEMANA 1–2
Descubrir
Entrevisté a compradores y agentes, y audité la calidad de los datos MLS.
- Customer journey
- Auditoría de datos
SEMANA 3–4
Diseñar
Vista de mapa + lista, ficha del anuncio y flujos de mensajes, probados con 12 compradores.
- Prototipo en Figma
- Design tokens
SEMANA 5–10
Construir
Frontend en React, API en Django, búsqueda con PostGIS y el pipeline de importación MLS.
- App web
- Índice de búsqueda
SEMANA 11–12
Lanzar
Pruebas de carga, landings SEO y un lanzamiento ciudad a ciudad.
- Lanzamiento público
- Lighthouse 96
04 · STACK TÉCNICO
Tecnologías
FRONTEND
- React
- TypeScript
- Mapbox GL
BACKEND
- Django
- DRF
- Celery
DATOS
- PostgreSQL
- PostGIS
- Elasticsearch
INFRAESTRUCTURA
- AWS S3
- CloudFront
- Docker
ARQUITECTURA
App web Haven
React + Mapbox GL
API REST en Django
Búsqueda, chat, alertas
PostGIS
Anuncios + geo
Elasticsearch
Búsqueda de texto
Feeds MLS
Importación cada 15 min
05 · APRENDIZAJES
Retos y aprendizajes
Mapa a gran escala
RETO
Pintar miles de marcadores congelaba el mapa en portátiles de gama media.
RESULTADO
El clustering en servidor y las consultas por área visible mantuvieron el mapa a 60 fps.
Anuncios caducados
RETO
Las viviendas vendidas seguían apareciendo días después del cierre.
RESULTADO
Una importación MLS incremental cada 15 minutos con borrado lógico mantuvo los resultados al día.
¿Te interesa este proyecto?
Te enseño encantado el código, las decisiones que hay detrás o cómo podría funcionar algo parecido para tu equipo.