Work04 — FeaturedE-Commerce & Generative AI

Thrift Plug.

Plateforme e-commerce de friperie haut de gamme avec tarification et catégorisation assistées par IA et réservation de stock en temps réel.

Visit Live Project
CLIENT
Thrift Plug (Cameroon)
ROLE
Lead Fullstack & DevOps Engineer
YEAR
2026
DURATION
3 Months
STATUS
In Production
thrift-plug
§01 — OVERVIEW
Thrift Plug est une plateforme e-commerce sur mesure conçue pour surmonter les défis opérationnels et de gestion de stock uniques du marché de la friperie au Cameroun (ciblant Douala et Yaoundé). Contrairement au e-commerce classique, chaque vêtement de friperie est une pièce unique. La plateforme associe un frontend ultra-rapide sous Next.js à Payload CMS, un système de catalogage automatisé par IA multimodale via Google Gemini, un moteur d'acquisition de stock atomique en temps réel pour empêcher les conflits d'achat concurrents, et un pipeline DevOps CI/CD entièrement conteneurisé.
§02 — CHALLENGE

Concurrence critique et double-achat sur pièce unique

Chaque article étant unique, si deux clients tentent d'acheter le même vêtement à la même milliseconde, les requêtes de base de données traditionnelles risquent de valider les deux paniers. Cela entraîne des erreurs d'inventaire critiques et une mauvaise expérience utilisateur.

Goulot d'étranglement de la saisie d'informations

Renseigner manuellement le titre, la marque, la couleur, la catégorie et rédiger une description de vente attrayante en français pour des centaines d'articles uniques chaque semaine constitue une tâche chronophage et sujette aux erreurs humaines.

Performances d'affichage des galeries d'images

Les clients de friperie ont besoin d'images haute résolution sous plusieurs angles pour évaluer la qualité des vêtements. Charger ces fichiers lourds directement depuis le serveur d'application ralentit le site, en particulier sur les connexions mobiles locales.

§03 — THE BUILD
Thrift Plug homepage grid featuring premium one-of-a-kind vintage apparel
Multimodal AI auto-cataloging interface analyzing newly uploaded garment images
[ Image Placeholder ]
Page d'accueil de la boutique Thrift Plug présentant les collections de pièces uniques
§04 — APPROACH
Pour proposer une expérience fluide et hautement performante, j'ai mis en place une architecture technique avancée : 1. Stratégie de verrouillage atomique : J'ai développé une Server Action Next.js personnalisée accédant directement à MongoDB. Grâce à l'opération atomique findOneAndUpdate, les articles sont réservés pendant 10 minutes au moment exact du passage à la caisse. Toute tentative d'achat concurrente échoue et est annulée instantanément. Un cron automatisé déclenché par n8n libère périodiquement les réservations expirées. 2. Pipeline de catalogage assisté par IA : J'ai configuré un hook beforeChange dans Payload CMS qui transmet la photo du vêtement fraîchement importée à l'API Google Gemini Flash. L'IA analyse l'image et génère instantanément le titre, la marque, la couleur, la catégorie idéale et une description marketing persuasive en français. Un second hook synchronise automatiquement la nouvelle catégorie générée avec les paramètres globaux de la boutique. 3. Stockage d'images Cloudflare R2 : Liaison transparente du stockage d'images via un protocole S3 avec diffusion par CDN pour garantir un temps de chargement immédiat et soulager la base de données. 4. Pipeline CI/CD DevOps robuste : Conception d'un workflow GitHub Actions. Lors de chaque mise en production, le runner lance un conteneur MongoDB isolé, exécute les tests d'intégration Vitest, compile le projet Next.js et pousse l'image Docker finale sur GitHub Container Registry (GHCR) pour un déploiement continu sécurisé.
STACK
Next.js 15Payload CMSMongoDBGemini Flash AICloudflare R2DockerGitHub ActionsVitest
§05 — OUTCOMES
100%
Zéro erreur de double achat en production
< 5s
Temps d'analyse et catalogage d'article par IA
100%
Déploiements automatisés via Docker CI/CD
NEXT PROJECT
05 / 4
Nextise

Un écosystème SaaS et d'automatisation IA d'entreprise optimisant les processus métiers via des flux de travail évolutifs.