Semana 2026-02-23 a 2026-03-01: 78 commits en privacidad, ML y expansión multiplataforma

Resumen ejecutivo

Esta semana registró 78 commits distribuidos en cuatro repositorios principales, con énfasis en conformidad regulatoria, activación de pipelines ML y expansión de presencia en redes sociales. El trabajo se organizó en tres ejes: privacidad y cumplimiento GDPR, automatización de entrenamiento ML con feedback loops, y especificaciones técnicas para crecimiento en TikTok.

hezu-es: Privacidad por diseño y UX

22 commits dedicados a refactorización de modelo de consentimiento y cumplimiento GDPR.

La arquitectura de privacidad evolucionó desde un modal de consentimiento tradicional hacia un enfoque privacy-by-design. Se removió el módulo consent-manager.js y se reemplazó con hints contextuales integrados directamente en flujos críticos: onboarding y modal de email. Esto alinea la solución con principios GDPR de minimización de datos.

Para menores de edad, se implementó cumplimiento explícito bajo GDPR Art. 8, con procesamiento de datos de niños restringido y auditable. La base legal se documentó como Art. 6.1.b (ejecución de contrato), clarificando la intención de procesar datos solo cuando es necesario operacionalmente.

En internacionalización, se añadieron 22 locales con traducciones de privacy hints, asegurando que mensajes de privacidad aparezcan en el idioma del usuario. Las especificaciones técnicas (SPEC-004, SPEC-006, SPEC-007) fueron documentadas para Firebase AppCheck enforcement, integración Stripe y compliance infantil.

El equipo también implementó Response UX & Social Proof (SPEC-015), modificando la presentación de respuestas con preview al 30% y simplificación de botones, mejorando conversión sin comprometer transparencia.

Analítica se mejoró excluyendo tráfico interno via parámetro ?_internal en GA4, permitiendo métricas más precisas de usuario real.

ganga24: Activación ML y feedback loop automático

28 commits enfocados en SPEC-007a (ML Model 1) y SPEC-007b (feedback loop).

La Tarea 1 de SPEC-007a expandió el trainer-bot de ofertas a 100 por sesión con ventana de 14 días, multiplicando el volumen de datos de entrenamiento. SPEC-007a Task 2 implementó activación automática del predictor ML basada en criterios de métricas: umbral MAE, mínimo de muestras, y threshold de confianza configurables via variables de entorno (ML_THRESHOLD, ML_MIN_SAMPLES, ML_MAX_MAE).

Se generó model1_metrics.json tras cada entrenamiento (Task 3), permitiendo trazabilidad histórica. Las dependencias ML (scikit-learn, pandas, joblib) se añadieron a Docker y se documentaron en env specs.

SPEC-007b implementó un feedback loop automático de cuatro tareas:

1. Auto-labels storage: Nueva tabla auto_labels con funciones DB para persistencia de etiquetas generadas automáticamente
2. Gemini integration: Tras análisis de Gemini API, se guardan auto-labels; el prompt dinámico usa few-shot examples relevantes (SPEC-007b Task 3)
3. Weighted training: El módulo compare_metrics (Task 4a) compara métricas de nuevas predicciones vs modelo actual. Task 4b implementó entrenamiento ponderado que da más peso a auto-labels confiables
4. Weekly retrain script: Task 4c ejecuta automáticamente cada semana con datos acumulados

Paralelamente, SPEC-007c se completó con tracking de rejection_reason y scoring funnel observability, permitiendo auditar por qué ofertas se rechazan.

En UX, se añadió filtro de descartes de ofertas sin imagen (Task adicional), eliminando ruido en feed.

sofi: Evaluación de urgencias y notificaciones Telegram

24 commits con énfasis en SPEC-005/006/007 (urgencias) y SPEC-003 (data completeness).

SPEC-005 especifica un motor de evaluación de urgencias basado en patrones en datos de classroom y email. SPEC-006 implementó servicio Telegram urgente que envía notificaciones categorizadas con prioridad.

SPEC-003 completó pipeline de completitud de datos de email: categorización automática, enriquecimiento con IA, y recordatorios automáticos para campos faltantes. Se resolvieron conflictos en merges de SPEC-001 y SPEC-002, consolidando mejoras de resúmenes de Classroom con fix en sincronización Gmail y pipeline PDF.

Se documentaron UX Guidelines para SOFI Summaries en Telegram, asegurando formato legible en pantalla móvil.

chordna y expansión TikTok/SEO

4 commits en chordna (línea base). Todos los cuatro repositorios (hezu-es, ganga24, sofi, chordna) recibieron especificaciones técnicas idénticas para TikTok slideshows + SEO machine:

• PRODUCT-REQ-00X: requisito producto documentado
• SPEC-00X: arquitectura técnica completa (slideshows generados vía templating, sitemap dinámico, schema.org markup)
• PRD-00X: requerimientos de producto y timeline
• Larry Skill integration: integración con skill de gestión de tareas para pipeline automatizado

Esta estrategia multi-product asegura consistencia de capacidades TikTok y crecimiento SEO vertical.

Housekeeping y organización

Se reestructuró la jerarquía de skills de .github/skills/ a .claude/skills/ (ganga24), mejorando integración con Claude workflows. Especificaciones completadas se movieron a carpetas completed/, manteniendo directorios navegables.

Rebranding de DealWise → Ganga24 se completó en documentación y scripts de ganga24.

Métricas y tendencias

• Privacidad/Compliance: 22 commits (28% del total) — cumplimiento GDPR es prioridad crítica
• ML/Feedback Loops: 28 commits (36%) — inversión sustancial en automatización predictiva
• Notificaciones/UX: 24 commits (31%) — mejora continua de experiencia usuario
• Chordna: 4 commits — línea base de especificaciones cross-product

Total: 78 commits, sin commits en sixsevenapps (repositorio inactivo esta semana).