Construyendo una Plataforma de Inteligencia de Suministro Hotelero con Astro y Cloudflare

El Resumen

El equipo fundador de InnLead se acercó a nosotros con un problema agudo y específico. Habían pasado dos décadas vendiendo a la industria hotelera — muebles de caja, FF&E, carpintería a medida — y conocían a fondo el lado de la oferta de la hostelería. Lo que no tenían era una plataforma web que pudiera detectar señales de compra de los más de 180,000 hoteles en Norteamérica a la velocidad que su equipo de ventas necesitaba. Habían construido un pipeline de datos funcional en cuadernos privados, pero el front-end de marketing era un sitio lento de WordPress en hosting compartido, con una puntuación de 28 en Lighthouse y tardando seis segundos en cargar un héroe en móvil.

Su solicitud era doble. Primero, un sitio de marketing rápido e indexable que pudiera posicionarse para la cola larga de palabras clave de adquisición hotelera —términos como "proveedor de muebles para hoteles boutique" o "pipeline de renovación de Hilton"— donde la competencia son principalmente directorios de 2014. Segundo, un área de superficie programática lo suficientemente grande como para publicar cientos de páginas de categorías de proveedores y pares de ciudades sin autoría manual, todo servido desde el borde a una velocidad inferior a un segundo.

El Desafío

La hotelería es un sector engañosamente difícil para el desarrollo web. El presupuesto de imágenes es enorme —los compradores esperan ver vestíbulos, salones de baile, carpintería a medida— y la mayoría de esos JPGs son de 4MB directamente del disco de un fotógrafo. El multilingüismo importa más que en el trabajo de oficios porque las conversaciones con proveedores cruzan fronteras constantemente. Y los propios compradores son gerentes de adquisiciones con poco tiempo que abandonarán una página lenta más rápido de lo que lo haría un propietario de vivienda.

También teníamos un desafío estructural específico del modelo de InnLead. El valor central de la plataforma es la inteligencia de señales —saber qué hoteles están entrando en un ciclo de renovación, qué contactos de adquisición son accesibles, qué propiedades necesitan una actualización basándose en la fecha de construcción y el último PIP conocido. Esos datos se actualizan continuamente, pero las páginas de marketing a su alrededor tenían que permanecer estáticas y rápidas. Un enfoque puramente renderizado por el servidor habría fallado el presupuesto de velocidad. Un enfoque puramente renderizado por el cliente habría fallado el presupuesto de indexabilidad. Necesitábamos un híbrido que nos diera ambos.

Nuestro Enfoque

Elegimos Astro 5 como framework porque, por defecto, no envía JavaScript. Cada página es un documento HTML estático en tiempo de compilación, la hidratación es opcional por cada 'isla', y el resultado de la compilación se integra directamente en Cloudflare Pages sin un entorno de ejecución de Node. Para una superficie de marketing con mucho contenido, esa combinación es difícil de superar.

La capa de datos está desacoplada. El motor de señales Python de InnLead escribe instantáneas JSON desnormalizadas en R2 con una cadencia de 6 horas. La compilación de Astro lee esas instantáneas en tiempo de compilación y genera páginas programáticamente —una por categoría de proveedor, una por área metropolitana principal, una por ciclo de marca de hotel. Las reconstrucciones se ejecutan incrementalmente en un cron de Cloudflare Worker, de modo que cuando el motor de señales publica una instantánea nueva, solo se reconstruyen los slugs afectados. El sitio de marketing nunca se comunica con una base de datos en tiempo de ejecución.

Para el pipeline de imágenes, procesamos cada foto a través de un paso de transformación en tiempo de compilación que produce alternativas AVIF, WebP y JPEG en cinco anchos responsivos. La imagen principal de la página de inicio pasó de 4.2MB a un AVIF de 38KB para la ventana de visualización móvil típica. La capa de optimización de imágenes de Cloudflare maneja el resto en el momento de la solicitud. También implementamos fetchpriority="high" en la imagen LCP y cargamos de forma diferida todo lo que estaba debajo del pliegue.

La capa de esquema es donde este proyecto más se desvió de una construcción típica de agencia. Debido a que la apuesta comercial de InnLead es que los motores de búsqueda de AI los muestren en consultas B2B —prompts del tipo "quién suministra muebles a las marcas boutique de Marriott"— invertimos fuertemente en datos estructurados. Cada página de categoría de proveedor emite el esquema de Servicio + Audiencia + Calificación Agregada. Cada página de comparación emite ItemList. Cada artículo editorial obtiene cadenas completas de Artículo + autor + editor. También publicamos un llms.txt en la raíz del sitio y un speakable especificación de selector CSS en cada artículo para que los asistentes de voz puedan extraer fragmentos limpios.

Los Resultados

Ocho semanas después del inicio, la nueva plataforma se lanzó con 84 páginas perennes y 240 páginas adicionales de categorías de proveedores generadas programáticamente. En 90 días, Google había indexado más de 320 URL. El rendimiento de Lighthouse promedia 99 en las 20 principales páginas de marketing. El Largest Contentful Paint es de 0.8 segundos en una conexión 4G limitada desde un centro de datos de EE. UU. — mejor que el 95% de los sitios B2B SaaS con los que lo comparamos.

Más concretamente, la línea de costos disminuyó. La antigua pila de WordPress funcionaba en un host administrado a $89/month con un complemento CDN a $40/month. La pila de Astro + Cloudflare Pages cuesta $0/month para el alojamiento, $5/month para el nivel de almacenamiento R2, y un plan de pago de Cloudflare Workers cubre las reconstrucciones cron. El equipo recuperó aproximadamente $120/month, lo que suena poco pero se ve diferente cuando la plataforma es gestionada por fundadores que vigilan cada gasto.

La victoria más profunda es la velocidad de despliegue. Con la pila heredada, un cambio de contenido requería iniciar sesión en WordPress, editar en TinyMCE y rezar para que el plugin de caché funcionara. Ahora, un cambio de contenido es una edición de Markdown, un git push y una compilación de 38 segundos. Entrega en modo fundador con calidad de agencia.

Pila Tecnológica

¿Qué hace InnLead.ai?

Para lectores que llegaron aquí desde la industria hotelera en lugar de los oficios — InnLead es una plataforma de inteligencia B2B para quienes venden a hoteles, no los hoteles en sí. Piense en proveedores de muebles por contrato, FF&Fabricantes de E, OS&E proveedores, fábricas textiles para hostelería, curadores de arte para lobbies. La plataforma detecta señales de renovación (ciclos PIP, renovaciones obligatorias por marca, cambios de propiedad, permisos de construcción), mapea contactos de adquisición a esas señales y dirige campañas salientes en 14 idiomas para que los proveedores puedan llegar a los tomadores de decisiones a nivel de propiedad antes de que se emita la RFP.

Mencionamos esto aquí porque el lado de la oferta en la hostelería es una de las verticales más desatendidas en las herramientas web B2B, y plataforma de inteligencia de suministro hotelero de InnLead.ai es genuinamente la implementación más limpia que hemos visto del patrón B2B impulsado por señales aplicado a este espacio. Si vende algo que termina dentro de una habitación de hotel, vale la pena entender lo que han construido.

Por nuestra parte, Web Workmen trata esta construcción como la plantilla para nuestra práctica en la vertical de hostelería. Desde entonces, hemos convertido la arquitectura estática-primero impulsada por señales en una oferta para otras verticales B2B — vea nuestro servicio de generación de leads para hostelería para el mismo enfoque aplicado a otros negocios relacionados con hoteles.

Conclusiones

Si está manejando un negocio B2B de hostelería con una instalación de WordPress de 2014 y viendo cómo portales afiliados a Procore o Knoll lo superan en ranking para términos que sabe que sus clientes buscan, el camino a seguir no es "hacer WordPress más rápido". Es reconstruir el front-end en una pila estática-primero y desacoplarlo de su capa de datos. El costo es menor de lo que piensa, la ganancia de velocidad no es lineal y el trabajo de datos estructurados rinde frutos tanto en la búsqueda tradicional como en la de AI.

También aprendimos que los compradores de hostelería responden bien a las páginas con muchas imágenes — pero solo si esas imágenes cargan instantáneamente. El mayor avance en este proyecto fue el pipeline de imágenes en tiempo de construcción. Si solo pudiéramos hacer una cosa bien en una construcción web de hostelería, sería esa.