Pagbuo ng Platform ng Hotel Supply Intelligence sa Astro at Cloudflare

Ang Buod

Ang founding team ng InnLead ay lumapit sa amin na may matalas at tiyak na problema. Dalawang dekada na silang nagbebenta sa industriya ng hotel — mga case goods, FF&E, custom millwork — at alam na alam nila ang supply side ng hospitality. Ang wala sila ay isang web platform na kayang magpakita ng mga buying signal mula sa mahigit 180,000 hotel sa North America sa bilis na kailangan ng kanilang sales team. Nakagawa sila ng gumaganang data pipeline sa mga pribadong notebook, ngunit ang marketing front-end ay isang mabagal na WordPress site sa shared hosting, na nakakuha ng 28 sa Lighthouse at tumatagal ng anim na segundo para magpakita ng hero sa mobile.

Ang kanilang hiling ay dalawang bahagi. Una, isang mabilis, indexable na marketing site na kayang mag-rank para sa long tail ng mga keyword sa pagkuha ng hospitality — mga termino tulad ng "supplier ng case goods para sa boutique hotel" o "Hilton renovation pipeline" — kung saan ang kompetisyon ay halos mga direktoryo mula 2014. Pangalawa, isang programmatic surface area na sapat ang laki upang mag-publish ng daan-daang pahina ng vendor-category at city-pair nang walang manual na paggawa, lahat ay inihahatid mula sa edge sa bilis na wala pang isang segundo.

Ang Hamon

Ang hospitality ay isang mapanlinlang na mahirap na vertical para sa web development. Napakalaki ng budget para sa mga larawan — inaasahan ng mga mamimili na makita ang mga lobby, ballrooms, custom millwork — at karamihan sa mga JPG na iyon ay 4MB direkta mula sa drive ng photographer. Mas mahalaga ang multilingual kaysa sa trades work dahil ang mga pag-uusap ng supplier ay patuloy na tumatawid ng mga hangganan. At ang mga mamimili mismo ay mga procurement manager na kapos sa oras na mas mabilis na iiwan ang isang mabagal na pahina kaysa sa isang may-ari ng bahay.

Mayroon din kaming structural na hamon na partikular sa modelo ng InnLead. Ang pangunahing halaga ng platform ay signal intelligence — alam kung aling mga hotel ang pumapasok sa renovation cycle, kung aling mga procurement contact ang maaaring maabot, kung aling mga property ang kailangan ng refresh batay sa petsa ng konstruksyon at huling-kilalang-PIP. Patuloy na nag-a-update ang data na iyon, ngunit ang mga pahina ng marketing sa paligid nito ay kailangang manatiling static-fast. Ang isang purong server-rendered na diskarte ay hindi makakapasa sa speed budget. Ang isang purong client-rendered na diskarte ay hindi makakapasa sa indexability budget. Kailangan namin ng isang hybrid na magbibigay sa amin ng pareho.

Ang Aming Diskarte

Pinili namin ang Astro 5 bilang framework dahil nagpapadala ito ng zero JavaScript bilang default. Ang bawat pahina ay isang static na dokumento ng HTML sa build time, ang hydration ay opt-in sa bawat island, at ang build output ay direktang bumabagsak sa Cloudflare Pages nang walang Node runtime. Para sa isang content-heavy na marketing surface, mahirap talunin ang kombinasyong iyon.

Ang data layer ay decoupled. Ang Python signal engine ng InnLead ay nagsusulat ng denormalized JSON snapshots sa R2 sa loob ng 6 na oras. Binabasa ng Astro build ang mga snapshot na iyon sa build time at bumubuo ng mga pahina nang programmatically — isa bawat vendor category, isa bawat major metro, isa bawat hotel brand-cycle. Ang mga rebuild ay tumatakbo nang incrementally sa isang Cloudflare Worker cron, kaya kapag nag-publish ang signal engine ng bagong snapshot, tanging ang mga apektadong slug lang ang muling bubuo. Ang marketing site ay hindi kailanman nakikipag-usap sa isang database sa runtime.

Para sa image pipeline, pinatakbo namin ang bawat larawan sa isang build-time transformation step na gumagawa ng AVIF, WebP, at JPEG fallbacks sa limang responsive na lapad. Ang hero image sa homepage ay bumaba mula 4.2MB patungong 38KB AVIF para sa tipikal na mobile viewport. Ang image optimization layer ng Cloudflare ang humahawak sa natitira sa request time. Ikonekta rin namin ang fetchpriority="high" sa LCP image at lazy-loaded ang lahat ng nasa ibaba ng fold.

Ang schema layer ang pinakamalaking pagkakaiba ng proyektong ito mula sa isang tipikal na agency build. Dahil ang komersyal na taya ng InnLead ay sa mga AI search engine na naglalabas sa kanila sa mga B2B query — mga prompt tulad ng "sino ang nagsu-supply ng case goods sa mga Marriott boutique brand" — malaki ang aming ininvest sa structured data. Ang bawat pahina ng vendor-category ay naglalabas ng Service + Audience + AggregateRating schema. Ang bawat pahina ng paghahambing ay naglalabas ng ItemList. Ang bawat editorial article ay nakakakuha ng buong Article + author + publisher chains. Nag-publish din kami ng isang llms.txt sa site root at isang speakable CSS-selector spec sa bawat artikulo upang ang mga voice assistant ay makakuha ng malinis na sipi.

Ang Mga Resulta

Walong linggo mula sa kickoff, ang bagong platform ay inilabas na may 84 evergreen na pahina at karagdagang 240 programmatically generated na pahina ng vendor-category. Sa loob ng 90 araw, na-index ng Google ang 320+ URL. Ang Lighthouse Performance ay may average na 99 sa nangungunang 20 pahina ng marketing. Ang Largest Contentful Paint ay 0.8 segundo sa isang throttled 4G connection mula sa isang US datacenter — mas mahusay kaysa sa 95% ng mga B2B SaaS site na pinaghambingan namin.

Mas konkreto, bumaba ang linya ng gastos. Ang lumang WordPress stack ay tumakbo sa isang managed host sa $89/month na may CDN add-on sa $40/month. Ang Astro + Cloudflare Pages stack ay $0/month para sa hosting, $5/month para sa R2 storage tier, at isang Cloudflare Workers Paid plan ang sumasaklaw sa mga cron rebuild. Nabawi ng team ang ~$120/month, na tila maliit ngunit iba ang dating kapag ang platform ay pinapatakbo ng mga founder na binabantayan ang bawat linya.

Ang mas malalim na panalo ay ang bilis ng deployment. Sa legacy stack, ang pagbabago ng content ay nangangailangan ng pag-log in sa WordPress, pag-edit sa TinyMCE, at pagdarasal na gumana nang maayos ang caching plugin. Ngayon, ang pagbabago ng content ay isang Markdown edit, isang git push, at isang 38-segundong build. Founder-mode shipping sa kalidad ng agency.

Tech Stack

Ano ang Ginagawa ng InnLead.ai

Para sa mga mambabasa na napunta rito mula sa industriya ng hospitality sa halip na sa mga trades — Ang InnLead ay isang B2B intelligence platform para sa mga taong nagbebenta sa mga hotel, hindi ang mga hotel mismo. Isipin ang mga contract furniture vendor, FF&E manufacturers, OS&E suppliers, hospitality textile mills, lobby art curators. Ang platform ay nagpapakita ng mga signal ng renovation (PIP cycles, brand-mandated refreshes, pagbabago ng pagmamay-ari, construction permits), nagmamapa ng mga procurement contact sa mga signal na iyon, at nagruruta ng mga outbound campaign sa 14 na wika upang maabot ng mga vendor ang mga property-level decision maker bago lumabas ang RFP.

Binabanggit namin ito rito dahil ang supply-side ng hospitality ay isa sa mga pinaka-under-served na vertical sa B2B web tooling, at platform ng intelligence sa supply ng hotel ng InnLead.ai ay tunay na pinakamalinis na implementasyon na nakita namin ng signal-driven B2B pattern na inilapat sa espasyong ito. Kung nagbebenta ka ng anumang bagay na napupunta sa loob ng isang hotel room, sulit na intindihin ang kanilang binuo.

Para sa aming bahagi, itinuturing ng Web Workmen ang build na ito bilang template para sa aming hospitality-vertical practice. Simula noon, ginawa naming produkto ang static-first signal-driven architecture bilang isang alok para sa iba pang B2B vertical — tingnan ang aming serbisyo sa pagbuo ng lead para sa hospitality para sa parehong diskarte na inilapat sa iba pang negosyong malapit sa hotel.

Mga Aral

Kung nagpapatakbo ka ng isang B2B hospitality business sa isang 2014-era na WordPress install at nakikita mong nalalampasan ka ng mga portal na kaakibat ng Procore o Knoll para sa mga termino na alam mong hinahanap ng iyong mga customer, ang daan pasulong ay hindi "pabilisin ang WordPress." Ito ay ang muling pagbuo ng front-end sa isang static-first stack at paghihiwalay nito mula sa iyong data layer. Mas mababa ang gastos kaysa sa iniisip mo, ang pagtaas ng bilis ay non-linear, at ang structured data work ay nagbabayad ng dibidendo sa parehong tradisyonal at AI search.

Nalaman din namin na ang mga mamimili sa hospitality ay mahusay na tumutugon sa mga pahinang mayaman sa imahe — ngunit kung ang mga imaheng iyon ay agad na naglo-load. Ang pinakamalaking pagbabago sa proyektong ito ay ang build-time image pipeline. Kung isa lang ang magagawa naming tama sa isang hospitality web build, iyon ay iyon.