GBC Analytics Dashboard

Описание проекта

Мини-пайплайн для обработки заказов:

RetailCRM → Supabase → Дашборд → Telegram-уведомления

Проект реализует полный цикл:

• импорт заказов в RetailCRM
• синхронизацию данных в Supabase
• визуализацию данных
• уведомления о заказах с высокой суммой

Решение собрано как MVP с фокусом на скорость разработки и простоту интеграций.

---

Стек технологий

• Python — интеграция с API и ETL
• Supabase — база данных (PostgreSQL + REST API)
• HTML + Chart.js — дашборд
• Telegram Bot API — уведомления
• RetailCRM API — источник данных

---

Архитектура

RetailCRM → Python scripts → Supabase → Dashboard (Vercel) ↓ Telegram alerts (>50k)

---

Функциональность

• Импорт тестовых заказов из mock_orders.json в RetailCRM
• Синхронизация заказов из RetailCRM в Supabase (upsert)
• Веб-дашборд с графиком заказов
• Telegram-уведомления при заказах > 50 000 ₸
• Деплой на Vercel

---

Подход

Основной фокус был на:

• быстром создании рабочего MVP
• минимизации сложности
• прозрачности потока данных

Решение реализовано без избыточной архитектуры (например, без полноценного backend-приложения), так как это не требовалось для задачи.

---

Альтернативы

Рассматривались варианты:

• использование no-code инструментов (Make / n8n)
• использование Next.js с API routes
• реализация real-time через вебхуки

Выбран текущий подход как наиболее простой, быстрый и достаточный для MVP.

---

Компромиссы

• нет real-time синхронизации (используется скрипт)
• минимальная обработка ошибок
• упрощённый UI

Это сознательный выбор в пользу скорости разработки.

---

Использование AI

AI (Codex CLI) использовался как основной инструмент разработки.

Примеры промптов

• "The repo contains a file named mock_orders.json with 50 test orders. Import them into your RetailCRM via the API. Use python."
• "Create a web page with an order chart (using data from Supabase)."
• "Set up a notification in Telegram whenever an order totaling more than 50,000 ₸ appears in RetailCRM."
• "make script automatically create tables"
• "can you make script automatically create ordertypes?"

---

Подход к работе с AI

Работа велась итеративно:

1. Разбиение задачи на этапы
2. Генерация базового решения через AI
3. Проверка вручную
4. Уточнение промптов при ошибках

---

Основные сложности и решения

RetailCRM

• Заказы не принимались из-за отсутствующего orderType
  → добавлено автоматическое создание через API

• Ошибка при использовании некорректного limit
  → исправлено на допустимые значения

---

Supabase

• Неверный формат SUPABASE_URL
  → добавлена нормализация

• Bootstrap через API не работал (403)
  → реализован через прямое подключение к Postgres

• Проблемы с подключением к БД
  → использован pooler-host вместо direct

---

Python / окружение

• Несовместимость Python 3.15
  → использован Python 3.12

• Ошибка SSL
  → добавлен SSL_CERT_FILE

---

Frontend

• Страница не работала через file://
  → запуск через HTTP-сервер

---

Telegram

• Проблема с дедупликацией уведомлений
  → реализован флаг отправки (частично)

---

Деплой

• Нельзя хранить конфиг в репозитории
  → реализована генерация config из env

---

Возможные улучшения

• реализация real-time через вебхуки
• улучшение обработки ошибок
• добавление фильтров на дашборде
• полноценная дедупликация уведомлений

---

Демо

Дашборд (Vercel):
https://gbc-analytics-dashboard-alpha.vercel.app/

---

Итог

Проект демонстрирует:

• способность быстро разбираться в новых API
• построение интеграций между сервисами
• использование AI в процессе разработки
• доведение задачи до рабочего MVP (end-to-end)