Inspiration

EIRA Movimiento Rosa A.C. reporta más de 51,000 personas beneficiadas acumuladas a septiembre de 2026, y su propia guía aclara que esa cifra no equivale a pacientes únicas. Para informar a un donante, la coordinación consolida a mano los Excel de cada programa, donde la misma mujer puede aparecer escrita distinto: con o sin acento, sin segundo apellido, con otro teléfono. Sumar filas arriesga contarla dos veces. Quisimos que ese doble conteo dejara de ser una sospecha y se pudiera ver y corregir.

What it does

Huella Rosa une los archivos de los programas de EIRA y los convierte en un informe trazable, en seis pasos:

  1. Carga: arrastras tus CSV y Excel como están. La app reconoce las columnas aunque se llamen distinto en cada archivo (por ejemplo, "Municipio" y "mpio") y tú confirmas el mapeo.
  2. Mapa: México se levanta en 3D. Cada estado sube según las personas atendidas y cada punto es una alianza. Atenciones, participaciones y personas se cuentan por separado.
  3. Calidad: alertas por fechas inválidas, localidades faltantes, teléfonos inválidos o servicios fuera de periodo. Corregir, aceptar o excluir siempre pide un motivo, que queda en la bitácora.
  4. Coincidencias: el sistema sugiere pares con su puntaje y sus razones, pero nunca fusiona solo. Una persona con rol de Coordinación decide cada par. Al confirmar, el conteo de personas únicas baja y los estados del mapa también.
  5. Alianzas: un clic en un punto abre la ficha de la alianza, con mujeres atendidas contadas una sola vez y servicios por tipo.
  6. Informe: cada indicador lleva fecha de corte, denominador, fuente y versión de regla, con gráficas y el anexo de ajustes manuales. Se exporta en PDF y CSV.

Con el caso práctico de la guía (120 atenciones y 80 participaciones ficticias, 200 filas), el máximo de personas únicas baja de 200 a 162 al confirmar las 38 coincidencias probables. Mientras falten decisiones, la cifra se muestra como intervalo con la leyenda "estimado, no oficial".

Todo corre en el navegador, sin servidor: los datos no salen de la computadora. Para cualquier rol que no sea Coordinación, los datos de identidad se enmascaran.

How we built it

  • 100 % frontend: Vite, React y TypeScript. El parseo, el mapeo, las reglas de calidad, las coincidencias, los indicadores y el informe son módulos locales.
  • Archivos: PapaParse para CSV y SheetJS para Excel, leídos en el navegador.
  • Mapeo de columnas: diccionario de sinónimos, similitud Jaro-Winkler e inspección de valores de muestra. Devuelve una confianza que la persona confirma.
  • Coincidencias: normalización de nombres, agrupación por fecha de nacimiento y por estado, y un puntaje tipo Fellegi-Sunter simplificado con pesos por campo. El nombre nunca es llave.
  • Mapa: Mapbox GL con extrusión de estados; si no hay token o red, MapLibre con el GeoJSON local.
  • Campañas como configuración: el mapeo y las reglas de calidad viven en archivos JSON. Otra campaña es otro preset, no otro código.
  • Datos: un generador determinista crea los archivos sintéticos con verdad conocida, para poder medir si el sistema acierta.
  • Proceso: lo construimos con agentes de Devin y Claude Code trabajando en paralelo, cada tarea con pruebas escritas antes del código, revisión cruzada entre agentes y una dirección visual elegida por una persona.

Challenges we ran into

  • No presentar una estimación como cifra oficial. Resolvimos mostrar un intervalo hasta que una persona valide, y marcar cada número como "estimado" o "validado".
  • Las homónimas. Dos mujeres con el mismo nombre y distinta fecha de nacimiento no deben unirse. El sistema las marca "revisar con cuidado" en lugar de descartarlas o fusionarlas.
  • Columnas distintas para el mismo dato entre archivos, sin pedirle a la coordinadora que rehaga sus hojas.
  • Privacidad sin backend. Decidimos que nada saliera del navegador, lo que obligó a hacer todo el procesamiento del lado del cliente.
  • Coordinar varios agentes a la vez sin que se pisaran: cada pantalla con su dueño, contratos entre tareas y un shell compartido.

Accomplishments that we're proud of

  • Visualizacion de datos a traves del mapa
  • El doble conteo se ve: confirmas coincidencias y el mapa baja.
  • El flujo completo corre de punta a punta con el caso práctico de la guía de EIRA, sin cuentas ni servidor.
  • Cada número en pantalla dice de dónde sale, y cada ajuste manual queda registrado con motivo, rol y hora.
  • El informe muestra qué tan bien sugiere coincidencias el sistema, medido contra la verdad conocida de los datos sintéticos.

What we learned

  • En impacto social, el número más honesto a veces es un intervalo.
  • La confirmación humana no frena el proceso: le da a la cifra alguien que responde por ella.
  • Separar personas, atenciones y participaciones desde el modelo de datos evita la mayoría de los errores de conteo.
  • Con agentes en paralelo, las pruebas y los contratos claros importan más que la velocidad de cada uno.

What's next for Huella Rosa

  • Un piloto con archivos reales de EIRA, después de un análisis jurídico de datos personales sensibles.
  • Backend con roles reales, almacenamiento cifrado y respaldo.
  • Límites estatales desde la fuente oficial de INEGI y catálogo nacional de localidades.
  • Confirmación por lotes de las coincidencias de mayor puntaje, siempre con una persona que decide.
  • Presets de mapeo y reglas para otras campañas y programas.

Built With

Share this project:

Updates

Submission history