feat: Add bulk AI product analysis functionality with data models, state management, and a UI component.

src/features/ai-copilot/business/analysis-engine.ts

@@ -11,9 +11,9 @@ En analysant les données de ventes fournies, génère une recommandation de gam
 
 Critères de pondération et Règles Métier Strictes :
 1. Normalisation Totale (Base 2 magasins) : TOUTES les statistiques fournies sont PONDÉRÉES par 2 si le produit n'est au catalogue que de 1 magasin.
-2. Segmentation par Rayon (Univers) : Privilégie la comparaison "Intra-Rayon". Un produit doit être performant par rapport aux standards de son propre Rayon (Niveau 2).
+2. Potentiel Annuel (Run Rate) : Si un produit est récent (Régularité < 12 mois), base ton jugement sur sa "Projection 12m" plutôt que sur son volume brut cumulé.
-3. Score de Performance Global (0-100) : Un score > 70 est un indicateur fort pour "Permanent" (A). Un score < 30 est un indicateur fort pour "Sortie" (Z).
+3. Segmentation par Rayon (Univers) : Privilégie la comparaison "Intra-Rayon". Un produit doit être performant par rapport aux standards de son propre Rayon (Niveau 2).
-4. Régularité des Ventes (0-12 mois) : Un produit avec une vente régulière (> 8 mois/an) est un candidat idéal pour "Permanent" (A). Une régularité faible (< 3 mois) couplée à un volume total faible indique une "Sortie" (Z).
+4. Score de Performance Global (0-100) : Un score > 70 est un indicateur fort pour "Permanent" (A). Un score < 30 est un indicateur fort pour "Sortie" (Z).
 5. Équilibre : Un produit "A" doit justifier sa place par son flux, sa rentabilité brute OU son score global.
 
 Ta réponse doit être courte, directe et sans complaisance.
@@ -29,6 +29,10 @@ Exemple : "A : Volume de vente et score élevés justifiant le maintien en rayon
         const volumeInfo = `Stats Réelles : ${Math.round(p.totalQuantite)}u (${p.totalCa.toFixed(2)}€) sur ${p.storeCount} mag.
 Stats Pondérées (Base 2 mag) : ${Math.round(p.weightedTotalQuantite || 0)}u (${(p.weightedTotalCa || 0).toFixed(2)}€)`;
 
+        const projectionInfo = p.regularityScore < 12 ? `
+--- ANALYSE DE POTENTIEL (Produit récent : ${p.regularityScore}/12 mois active) ---
+Projection 12 mois (Run Rate) : ${Math.round(p.projectedTotalQuantite || 0)}u (${(p.projectedTotalCa || 0).toFixed(2)}€)` : "";
+
         const benchmarks = `
 Benchmarks Fournisseur (Global) :
 - Moyenne 1 mag: ${Math.round(p.avgQtyGroup1 || 0)}u | Multi-mag: ${Math.round(p.avgQtyGroup2 || 0)}u
@@ -38,7 +42,7 @@ Benchmarks Rayon ("${p.libelleNiveau2}") :
         return `Produit : "${p.libelle1}" (Ref: ${p.codein})
 Rayon : ${p.libelleNiveau2 || "Non classé"}
 Gamme actuelle : ${p.codeGamme ?? "Non définie"}
-${volumeInfo}${benchmarks}
+${volumeInfo}${projectionInfo}${benchmarks}
 Indicateurs de Performance :
 - Score Global App : ${p.score.toFixed(1)}/100
 - Régularité des ventes : ${p.regularityScore}/12 mois

src/features/ai-copilot/components/ai-insight-block.tsx

@@ -23,6 +23,9 @@ export function AiInsightBlock({ row }: AiInsightBlockProps) {
         // Vider la recommandation actuelle avant de relancer l'IA
         setDraftGamme(row.codein, "Aucune");
 
+        const regScore = Object.values(row.sales12m || {}).filter(v => v > 0).length;
+        const weight = (row.workingStores?.length || 1) === 1 ? 2 : 1;
+
         analyzeProduct({
             codein: row.codein,
             libelle1: row.libelle1,
@@ -32,6 +35,9 @@ export function AiInsightBlock({ row }: AiInsightBlockProps) {
             sales12m: row.sales12m,
             codeGamme: row.codeGamme,
             score: row.score,
+            regularityScore: regScore,
+            projectedTotalQuantite: regScore > 0 ? (row.totalQuantite * weight * (12 / regScore)) : (row.totalQuantite * weight),
+            projectedTotalCa: regScore > 0 ? (row.totalCa * weight * (12 / regScore)) : (row.totalCa * weight),
         });
     };
 

src/features/ai-copilot/models/ai-analysis.types.ts

@@ -17,6 +17,9 @@ export interface ProductAnalysisInput {
     codeGamme: string | null;
     score: number;
     regularityScore: number;
+    /** Projection sur 12 mois si le produit est récent (Run Rate) */
+    projectedTotalQuantite?: number;
+    projectedTotalCa?: number;
 }
 
 export interface AnalysisResult {

src/features/ai-copilot/store/use-ai-copilot-store.ts

@@ -22,6 +22,9 @@ interface AiCopilotState {
         sales12m: Record<string, number>;
         codeGamme: string | null;
         score?: number | null;
+        regularityScore?: number;
+        projectedTotalQuantite?: number;
+        projectedTotalCa?: number;
     }) => Promise<void>;
     resetInsights: () => void;
 }

src/features/grid/components/bulk-ai-analyzer.tsx

@@ -82,6 +82,12 @@ export function BulkAiAnalyzer() {
                 codeGamme: r.codeGamme || null,
                 score: r.score || 0,
                 regularityScore: Object.values(r.sales12m || {}).filter(v => v > 0).length,
+                projectedTotalQuantite: (Object.values(r.sales12m || {}).filter(v => v > 0).length > 0)
+                    ? ((r.totalQuantite || 0) * weight * (12 / Object.values(r.sales12m || {}).filter(v => v > 0).length))
+                    : ((r.totalQuantite || 0) * weight),
+                projectedTotalCa: (Object.values(r.sales12m || {}).filter(v => v > 0).length > 0)
+                    ? ((r.totalCa || 0) * weight * (12 / Object.values(r.sales12m || {}).filter(v => v > 0).length))
+                    : ((r.totalCa || 0) * weight),
             };
         });