Relocate Index: Plataforma de Ranking de Países Construida con IA
Diseñé un scoring engine de 10 dimensiones y un flujo de onboarding que prioriza el descubrimiento — respaldado por pipelines de datos automatizados y metodología transparente — para ayudar a familias a armar su shortlist de países para mudarse al exterior.
ExploraloContexto y Rol
El espacio del problema
281 millones de migrantes internacionales en el mundo. Las herramientas disponibles para evaluar países son cajas negras detrás de paywall (EIU a $1,000+/reporte, Mercer con licencia corporativa), datos crudos sin síntesis (Numbeo), optimizadas para nómadas digitales (NomadList), o muertas (Teleport — la alternativa más cercana — adquirida y cerrada). Ninguna herramienta ayuda a los usuarios a descubrir qué dimensiones les importan antes de filtrar.
Los usuarios
Familias con hijos en edad escolar, trabajadores remotos con ingreso flexible en ubicación, y jubilados evaluando calidad de vida — personas que necesitan comparar países en dimensiones que ni siquiera habían considerado (cultura cívica, calidez social, ambiente escolar, libertad religiosa), no solo salario y costo de vida.
Contexto de negocio
Build en solitario. $0 de presupuesto en datos — las 14+ fuentes son datasets institucionales gratuitos (World Bank, OECD, WHO, IHME, Pew, IEP, EF, IMD, Hofstede, InterNations). Validación primero: sin monetización hasta que 6 métricas de engagement demuestren demanda. Sin auth, sin paywall — el producto tiene que ser útil en una sola sesión anónima.
Mi rol
Builder en solitario. Dueño del ciclo de vida completo del producto: diseño de metodología de scoring (21 iteraciones documentadas), desarrollo frontend (Next.js 14, Tailwind, shadcn/ui), backend y pipeline de datos (Supabase, Edge Functions, pg_cron), instrumentación de analytics (Amplitude, 7 eventos), deployment (Netlify), y monitoreo continuo de calidad de datos. Operé el 100% del flujo de desarrollo dentro de un entorno personalizado de Claude Code con un archivo de contexto CLAUDE.md completo, integraciones MCP, delegación a sub-agentes, y un knowledge graph estructural para code review.
Problema e Hipótesis
Dolor del usuario
Las personas que consideran mudarse al exterior caen por defecto en salario y costo de vida porque son las métricas más visibles. Cultura cívica, ambiente escolar, libertad religiosa y calidez social quedan completamente sin examinar — no porque a los usuarios no les importen, sino porque ninguna herramienta las presenta como criterios de evaluación relevantes. El marco de evaluación del usuario está incompleto antes de que siquiera empiece a filtrar.
Dolor de producto
Los índices existentes son cajas negras (EIU, Mercer — metodología opaca, sin ponderación por el usuario), volcados de datos crudos (Numbeo — datos sin síntesis), u optimizados para un perfil que no encaja con familias (NomadList — nómadas digitales solos, sin cultura escolar ni libertad religiosa). El paso de síntesis — ponderar señales contradictorias entre 10+ fuentes distintas — queda enteramente en manos del usuario. Suecia puntuúa alto en seguridad pero bajo en calidez hacia extranjeros. Japón es el segundo país más pacífico pero puntuúa bajo en dominio de inglés. Ninguna herramienta te ayuda a razonar estos trade-offs con tus propias prioridades.
Hipótesis
Creímos que combinar un flujo de onboarding que prioriza el descubrimiento (exponiendo dimensiones que el usuario no había considerado) con un scoring engine transparente y ponderado por el usuario (10 dimensiones, 14+ fuentes institucionales, todo client-side), respaldado por pipelines de datos automatizados con refresh mensual, ayudaría a familias a construir su propio marco de evaluación y reducir 60 países a 5-8 candidatos que valga la pena investigar — sin requerir login, pago, ni confianza en una metodología de caja negra.
Mi Enfoque y Proceso
Investigación y definición del problema
- ◆ Partí de una necesidad personal: mi familia de cuatro estaba evaluando mudarse de Bogotá. Corrí 9 sesiones de investigación iterativa con Claude que produjeron un framework de scoring multi-fuente. El documento resultante — 12 secciones, 20 fuentes, una fórmula compuesta con dimensiones ponderadas — era, retrospectivamente, una especificación de producto. La transición de análisis personal a producto fue un cambio de nombre, no un rediseño.
- ◆ Acotamos el V1 solo al paso de shortlisting. Excluimos explícitamente rutas de visa, mercados de vivienda, estructura fiscal y disponibilidad de empleo. Posicionamiento: "Relocator acota el campo. No toma la decisión." Lo que la herramienta NO cubre es una sección de primera clase en la página de metodología — enmarcada para generar confianza, no como disclaimer.
Diseño de metodología asistido por IA
- ◆ Corrí todo el desarrollo del producto dentro de un sistema operativo personalizado en Claude Code: un CLAUDE.md completo sirviendo como contexto estructurado (arquitectura, fórmulas de scoring, anti-patrones de diseño, roles de sub-agentes), integraciones de Model Context Protocol para Supabase y automatización de navegador, y delegación a sub-agentes especialistas para research paralelo y code review. Cada sesión de desarrollo hereda el contexto completo de metodología.
- ◆ 21 iteraciones de metodología documentadas — cada una con una entrada de changelog explicando qué cambió, por qué, y qué reemplazó. La fórmula de scoring para healthcare sola pasó por 3 revisiones completas. Civic culture pasó por 2. Esto no es prompt engineering — es diseño de producto sistemático con un co-builder de IA, trackeado con el mismo rigor que un equipo de ingeniería humano.
Definición de objetivos y validación de features
- ◆ Definí 6 metas de engagement antes de escribir una línea de código frontend — cubriendo completación de cuestionario, profundidad de interacción con sliders, países explorados por sesión, engagement en páginas de detalle, tasa de retorno, y vistas de página de metodología. Instrumenté las 6 vía Amplitude antes del lanzamiento.
- ◆ Filosofía de monetización validación-primero: eliminamos los features de monetización planeados (tier freemium, licenciamiento B2B, export a PDF) del scope del V1. El producto se lanza gratis. Las decisiones de monetización ocurren solo después de que los datos de engagement validen la demanda. No tener modelo de revenue es mejor que tener el modelo equivocado en esta etapa.
Integridad de datos y selección de fuentes
- ◆ Las 14+ fuentes de datos son institucionales: World Bank (WGI, price level, GDP PPP), OECD (AIC per capita, physicians/beds/nurses), WHO (UHC, OOP health expenditure), IHME GBD (HAQ Index), Pew Research (Government Restrictions, Social Hostility), IEP (Global Peace Index), EF (English Proficiency Index), IMD (Infrastructure), Hofstede (IVR), InterNations (Ease of Settling In), Open-Meteo (clima), PISA 2022 (cultura escolar). Cero APIs pagas en V1.
- ◆ La API paga de Numbeo ($500/año) fue excluida deliberadamente. Los datos de PPP de OECD y price level de World Bank son metodológicamente más rigurosos para análisis a nivel país (oficinas nacionales de estadística vs. crowdsourcing). La ventaja de Numbeo — granularidad a nivel ciudad — importa para V2 (drill-down por ciudad), no para V1 (ranking de países). Excepción: el Numbeo Crime Index es gratuito para scrapear y fue agregado como sub-componente de seguridad callejera dentro de civic culture.
Solución y Diseño con IA
El Scoring Engine (El Cerebro)
10 dimensiones, cada una respaldada por 1-4 fuentes institucionales, normalizadas a escala 0-100 (mayor = mejor). Arquitectura de 3 capas: datos crudos → scores normalizados → compuesto ponderado client-side. Todo el cómputo ocurre en el navegador — 60 países × 10 dimensiones = 600 scores, cargados una sola vez desde una materialised view de Supabase, recomputados en cada cambio de slider en menos de 100ms. Sin round-trip al API durante la interacción. Las dimensiones NULL se excluyen y los pesos restantes se re-normalizan automáticamente. El scoring engine es una función pura de TypeScript con cero dependencias de framework.
Explorar la Arquitectura de Scoring y DatosEl Flujo de Descubrimiento (La Guía)
Un onboarding de 6 preguntas que no solo configura pesos — expone dimensiones que el usuario no había considerado. La situación familiar revela cultura escolar y healthcare como prioridades para familias. La fuente de ingreso revela trade-offs de purchasing power para trabajadores remotos vs. buscadores de empleo local. Preguntas directas sobre cultura cívica, calidez, preferencia de clima y necesidades de comunidad religiosa introducen dimensiones que la mayoría de usuarios no habría pensado en evaluar. Cinco perfiles de clima calibrados codifican conocimiento de dominio que los sliders continuos no pueden: a un usuario tropical genuinamente no le importan 200+ días de lluvia, pero a un usuario mediterráneo lo penalizaría fuertemente el mismo nivel.
El Pipeline de Datos (El Pulso)
4 Edge Functions de Supabase programadas vía pg_cron para auto-refresh mensual: indicadores del World Bank (WGI, price level, GDP PPP), datos de WHO (UHC, OOP), promedios climáticos de Open-Meteo, y una función de recompute que re-normaliza todos los scores y refresca la materialised view. Service role key almacenada en Supabase Vault — el frontend usa solo la anon key (solo lectura). El pipeline distingue entre fuentes con refresh mensual y fuentes anuales que requieren actualizaciones manuales de seed.
Entrega y Experimentación
El incidente de fabricación del LLM
Durante el armado de datos seed, Claude fabricó valores para 3 fuentes de datos en 60 países. Todos los valores del Global Peace Index estaban sistemáticamente subestimados. 6 de 7 valores de EF English Proficiency estaban inflados entre 20 y 28 puntos. Los 51 rankings de InterNations ease-of-settling-in estaban mal — Costa Rica, el #1 real, no aparecía. Fix: construí dos scripts dedicados de ingesta de datos que consultan APIs reales y scrapean datasets publicados. Reemplacé todos los valores. Agregué "no LLM country summaries" como kill rule permanente.
El problema del ranking de healthcare de EE.UU.
La fórmula inicial de healthcare (UHC × 0.55 + OOP × 0.45) ubicó a Estados Unidos en el puesto #1 — un resultado obviamente incorrecto. Diagnóstico: UHC mide si los servicios existen, no si la gente puede acceder a ellos. 11% de $4.5 billones = $1,472 por persona por año. Fix: diseñé una fórmula de tres pilares que combina cobertura UHC, IHME Healthcare Access & Quality Index y capacidad del sistema (médicos, camas, enfermeros por cada 1,000 habitantes) — cada uno ponderado según su valor diagnóstico. EE.UU. baja a su posición correcta; los sistemas nórdicos y de Europa Occidental suben.
Perfiles discretos de clima vs. sliders continuos
Consideré dejar que los usuarios definieran una temperatura ideal con un slider continuo. Lo rechazo porque los multiplicadores de penalización codifican conocimiento de dominio sobre el cual los usuarios no pueden razonar. A un usuario tropical genuinamente no le importan 200+ días de lluvia (5 puntos), mientras que un usuario cálido-y-soleado perdería 15 puntos por la misma cantidad. Fix: 5 perfiles discretos con referencias de temperatura calibradas, umbrales de lluvia y penalizaciones de sol por tipo de preferencia.
Cultura escolar: de scores editoriales a datos PISA
La dimensión original de cultura escolar era 60% editorial — valores asignados manualmente como "Dinamarca: 90, Francia: 42". Era el punto más débil de toda la metodología: no reproducible por nadie, defendible solo por el juicio del autor. Fix: la reemplacé con los índices PISA 2022 de pertenencia, bullying invertido, calidad académica y seguridad — ponderados para priorizar el ambiente escolar sobre el rendimiento académico bruto — extraídos de 690,000 estudiantes en 81 países.
Resultados de la V1
60
países rankeados en 10 dimensiones con 14+ fuentes de datos institucionales — todas gratuitas, todas trazables
600
scores normalizados pre-computados servidos desde una sola materialised view, refrescada mensualmente por 4 Edge Functions automatizadas
21
iteraciones de metodología documentadas — cada decisión de fórmula, cada cambio de fuente de datos, cada cambio de peso trazable con razonamiento
Sub-100ms
re-ranking en cada interacción con slider — completamente client-side, cero llamadas al API durante la interacción
$0
de costo de datos en V1 — validamos que las fuentes institucionales igualan o superan el rigor metodológico de alternativas de $500+/año
0
datos fabricados despachados — todos los datos placeholder generados por LLM fueron identificados y reemplazados antes del lanzamiento
Aprendizajes Clave
Tu análisis personal ES la especificación de producto. Las 9 sesiones de investigación que produjeron un framework de scoring de relocalización para mi familia de cuatro también produjeron el scoring engine exacto, el set de dimensiones y el sistema de pesos que se convirtieron en el producto. No traduje una necesidad personal en un producto — el análisis era el producto. La transición fue un cambio de nombre, no un rediseño. La implicación: si tu pensamiento estructurado sobre un problema real produce algo que querrías volver a usar, ya es un producto. Lánzalo.
Los LLMs fabrican datos con total confianza. Construíe el pipeline de verificación antes de construir el producto. La iteración 16 atrapó a Claude fabricando valores de índices para 3 fuentes de datos en 60 países — completos con decimales que parecían creíbles y sin ninguna duda. El fix no fue "escribir mejores prompts". El fix fue construir scripts dedicados de ingesta de datos que consultan APIs reales y scrapean datasets publicados, para que la fabricación no tenga punto de entrada. En un producto de datos, el pipeline es la capa de confianza. Ningún dato generado por LLM se despacha. Nunca.
Descubrimiento le gana a filtrado. La mayoría de herramientas de ranking asumen que los usuarios llegan sabiendo qué les importa. No es así. La gente cae por defecto en salario y costo de vida porque son los más visibles — no los más relevantes. El trabajo principal del onboarding es expandir el marco de evaluación del usuario: exponer cultura cívica, calidez social, ambiente escolar y libertad religiosa como dimensiones que no habían pensado evaluar. La herramienta educa antes de rankear. Esto no es un detalle de UX — es el diferenciador central del producto.
La metodología transparente es un feature de producto, no documentación. Cada score traza a una fórmula. Cada fórmula traza a una fuente. Cada fuente es institucional. La página de metodología no es una nota al pie ni un ejercicio de compliance — es un mecanismo de generación de confianza que diferencia directamente de índices de caja negra como EIU y Mercer. Los usuarios que leen la página de metodología interactúan 2-3x más profundamente con el ranking (hipótesis — instrumentada, pendiente de validación). La opacidad es una debilidad competitiva cuando tu audiencia ha sido quemada por "rankings de habitabilidad" opacos que no coinciden con su experiencia vivida.