Feira Viva

Contexto

Feiras livres são uma instituição brasileira: acontecem toda semana, em dias fixos, em milhares de bairros. Mas a informação sobre elas é analógica. Quem muda de bairro não sabe onde nem quando tem feira; quem quer um produto específico não sabe qual banca vende; o feirante não tem canal digital próprio e depende de ponto e clientela habitual.

Problema e oportunidade

Dois lados com problemas complementares:

• Consumidor: descobrir feiras por localização e dia, conhecer bancas e garantir produtos sem depender de sorte.
• Feirante: dar visibilidade à banca e receber pedidos antecipados, sem operar logística de entrega.

A hipótese central: uma camada fina de descoberta + reserva (sem pagamento on-line, sem entrega) resolve a dor dos dois lados com uma fração da complexidade de um delivery.

Meu papel

Tudo. Definição de problema, proposta de valor, escopo, arquitetura, modelo de dados, regras de autorização, UX, implementação, deploy e iteração. Sem time, sem cliente, sem prazo externo: as restrições eram tempo pessoal e a decisão consciente de aprender construindo.

Decisões de escopo (e o que ficou de fora)

O corte do MVP foi a decisão de produto mais importante:

Entrou	Ficou de fora	Por quê
Descoberta por estado, cidade, bairro e dia da semana, com ordenação por proximidade	Mapa interativo	Distância calculada resolve “qual feira é perto de mim” sem o custo de renderizar, carregar e manter um mapa
Catálogo de bancas por feira	Pagamento on-line	Pagamento na retirada elimina PCI, split e disputas
Reserva para retirada no dia	Entrega e logística	Entrega transformaria o produto em delivery, outro negócio
Dois perfis (consumidor e feirante)	Avaliações e social	Sem massa crítica, avaliação é ruído

Reserva para retirada é a aposta que define o produto: preserva o ritual da feira (a pessoa vai até lá) e dá previsibilidade ao feirante, sem criar operação logística.

Arquitetura e decisões técnicas

• TanStack Start com SSR: descoberta local depende de busca; renderização no servidor garante páginas de feiras indexáveis por SEO.
• Supabase (Postgres + Auth): backend gerenciado para ir do modelo de dados à API sem construir servidor próprio.
• Row Level Security: autorização resolvida no banco, não na aplicação. Feirante só enxerga e edita a própria banca; consumidor só vê as próprias reservas. Defini as policies como parte do modelo de dados, não como remendo posterior.
• Vercel com deploy contínuo: cada push em produção em minutos, o que sustentou iteração rápida.

Como usei IA (e onde ela não decidiu nada)

• Lovable acelerou a base de interface e a estrutura inicial.
• Claude Code acelerou implementação, refatoração e evolução do código.

O que a IA não fez: definir o problema, cortar o escopo, escolher reserva em vez de delivery, desenhar o modelo de dados, decidir que autorização viveria no banco via RLS. IA multiplicou minha velocidade de execução; a direção foi humana em todas as decisões que importam.

O produto

A jornada completa do consumidor, do MVP em produção.

Telas da visão do consumidor. A visão do feirante (gestão de banca, catálogo e pedidos recebidos) existe no produto e não está retratada aqui.

Resultados e estágio atual

• MVP funcional publicado, com jornada completa: encontrar feira → explorar bancas → reservar → retirar.
• Validação qualitativa com usuários próximos, com boa recepção. Sem lançamento comercial e sem claim de tração: o projeto cumpriu o objetivo de aprendizagem para o qual foi desenhado.

O que eu faria diferente

• Ter definido as policies de RLS antes das primeiras telas, não durante: refazer autorização com o produto andando custa mais caro do que desenhá-la junto com o modelo de dados.

Se o projeto saísse da aprendizagem para operação real

Levar o Feira Viva ao mercado foi uma possibilidade considerada e abandonada: o objetivo era aprender construindo. Mas o caminho de validação estaria mapeado:

• Onboarding assistido de feirantes reais de uma única feira piloto.
• Notificação de véspera de feira para reservas.
• Taxa de retirada das reservas como métrica central de confiança.

Competências demonstradas

Definição de problema e proposta de valor · corte de escopo de MVP · arquitetura e modelo de dados · autorização por RLS · SSR e SEO · desenvolvimento assistido por IA · deploy contínuo · iteração sobre produto em produção