feat: Introduce AI copilot for bulk product analysis and integrate a new product scoring engine.

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

@@ -9,14 +9,14 @@ En analysant les données de ventes fournies, génère une recommandation de gam
 - [C] - SAISONNIER : Produit dont les ventes sont concentrées sur des périodes spécifiques (pics saisonniers).
 - [Z] - SORTIE : Produit en fin de cycle de vie, sans rotation significative ou en chute libre, devant être retiré du référencement.
 
-Critères de pondération et Règles Métier :
+Critères de pondération et Règles Métier Strictes :
-1. Volume Relatif (Flux de stock) : Si le volume est élevé (très supérieur à la moyenne), c'est un produit "fond de rayon" qui génère du trafic. ON LE GARDE (A ou C) même si son CA individuel est faible.
+1. Normalisation Totale (Base 2 magasins) : TOUTES les statistiques fournies (Totaux et Historique Mensuel) sont PONDÉRÉES par 2 si le produit n'est présent que dans 1 magasin. L'objectif est de simuler une performance sur une base réseau de 2 magasins.
-2. Mix CA/Marge (Rentabilité) : Si le volume est faible mais que le produit génère un CA conséquent et une BONNE MARGE, c'est une pépite. ON LE GARDE EN A.
+2. Seuil "Permanent" (A) : Pour être A, un produit doit avoir un volume PONDÉRÉ significatif (ex: > 30-50 unités/an).
-3. Poids Relatif : Analyse toujours la performance du produit PAR RAPPORT AU RESTE (moyenne fournisseur). Un produit doit être Z uniquement s'il est faible sur TOUS les indicateurs (Volume, CA, Marge).
+3. Seuil "Sortie" (Z) : Un produit avec moins de 10 unités pondérées par an et un CA faible est un candidat naturel à la sortie (Z).
-4. Contexte Magasins (Crucial) : Compare le produit à ses pairs. Si le produit est dans 1 magasin, compare son volume à la moyenne des produits à 1 magasin (avgQtyGroup1). Ne le pénalise pas parce qu'il vend moins qu'un produit présent dans 2 magasins ou plus. Un produit à 1 magasin qui performe mieux que la moyenne de son groupe est un excellent candidat A.
+4. Volume/CA/Marge : Un produit "A" doit justifier sa place en rayon par son flux (volume) OU sa rentabilité brute (CA/Marge). S'il est faible sur les deux, c'est un Z.
-5. Régularité : La stabilité sur 12 mois est la signature du Permanent (A).
+5. Poids Relatif : Analyse la performance par rapport aux moyennes fournies.
 
-Ta réponse doit être en 1-2 phrases maximum, en français, directe et actionnable.
+Ta réponse doit être courte, directe et sans complaisance.
 Format impératif : "[Recommandation]: [Justification courte]"`;
     }
 
@@ -25,17 +25,20 @@ Format impératif : "[Recommandation]: [Justification courte]"`;
             .map(([k, v]) => `${k}: ${Math.round(v)}u`)
             .join(", ");
 
-        const volumeContext = p.avgTotalQuantite
+        const volumeInfo = `Stats Réelles : ${Math.round(p.totalQuantite)}u (${p.totalCa.toFixed(2)}€) sur ${p.storeCount} mag.
-            ? `- Volume vs Moyenne Fournisseur : ${Math.round(p.totalQuantite)}u (Moyenne: ${Math.round(p.avgTotalQuantite)}u)`
+Stats Pondérées (Base 2 mag) : ${Math.round(p.weightedTotalQuantite || 0)}u (${(p.weightedTotalCa || 0).toFixed(2)}€)`;
-            : `- Volume total : ${Math.round(p.totalQuantite)} unités`;
+
+        const benchmarks = p.avgQtyGroup1 !== undefined && p.avgQtyGroup2 !== undefined
+            ? `\nBenchmarks (Volumes moyens) :
+- Moyenne mag unique : ${Math.round(p.avgQtyGroup1)}u
+- Moyenne multi-magasins : ${Math.round(p.avgQtyGroup2)}u`
+            : "";
 
         return `Produit : "${p.libelle1}" (Ref: ${p.codein})
 Gamme actuelle : ${p.codeGamme ?? "Non définie"}
-Contexte : Données basées sur ${p.storeCount} magasin(s).
+${volumeInfo}${benchmarks}
-Indicateurs 12m :
+Indicateurs Clés :
-- CA : ${p.totalCa.toFixed(2)}€
 - Marge : ${p.tauxMarge.toFixed(1)}%
-${volumeContext}
 - Historique mensuel : ${monthlySummary}
 
 Quelle est ta recommandation (A, C ou Z) et pourquoi ?`;

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

@@ -4,6 +4,8 @@ export interface ProductAnalysisInput {
     totalCa: number;
     tauxMarge: number;
     totalQuantite: number;
+    weightedTotalQuantite?: number;
+    weightedTotalCa?: number;
     avgTotalQuantite?: number;
     avgQtyGroup1?: number; // Moyenne volume pour produits à 1 magasin
     avgQtyGroup2?: number; // Moyenne volume pour produits à 2 magasins+

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

@@ -33,19 +33,28 @@ export function BulkAiAnalyzer() {
         const avgQty1 = rowsGroup1.length > 0 ? rowsGroup1.reduce((s: number, r: any) => s + (r.totalQuantite || 0), 0) / rowsGroup1.length : 0;
         const avgQty2 = rowsGroup2.length > 0 ? rowsGroup2.reduce((s: number, r: any) => s + (r.totalQuantite || 0), 0) / rowsGroup2.length : 0;
 
-        const productPayloads: ProductAnalysisInput[] = rows.map(r => ({
+        const productPayloads: ProductAnalysisInput[] = rows.map(r => {
-            codein: r.codein,
+            const sc = r.workingStores?.length || 1;
-            libelle1: r.libelle1 || "",
+            const weight = sc === 1 ? 2 : 1; // On ramène tout sur une base 2 magasins
-            totalCa: r.totalCa || 0,
+
-            tauxMarge: r.tauxMarge || 0,
+            return {
-            totalQuantite: r.totalQuantite || 0,
+                codein: r.codein,
-            avgTotalQuantite: avgQty,
+                libelle1: r.libelle1 || "",
-            avgQtyGroup1: avgQty1,
+                totalCa: r.totalCa || 0,
-            avgQtyGroup2: avgQty2,
+                tauxMarge: r.tauxMarge || 0,
-            storeCount: r.workingStores?.length || 1,
+                totalQuantite: r.totalQuantite || 0,
-            sales12m: r.sales12m || {},
+                weightedTotalQuantite: (r.totalQuantite || 0) * weight,
-            codeGamme: r.codeGamme || null,
+                weightedTotalCa: (r.totalCa || 0) * weight,
-        }));
+                avgTotalQuantite: avgQty,
+                avgQtyGroup1: avgQty1,
+                avgQtyGroup2: avgQty2,
+                storeCount: sc,
+                sales12m: Object.fromEntries(
+                    Object.entries(r.sales12m || {}).map(([month, val]) => [month, val * weight])
+                ),
+                codeGamme: r.codeGamme || null,
+            };
+        });
 
         setIsAnalyzing(true);
         let completed = 0;

src/lib/score-engine.ts

@@ -35,26 +35,31 @@ export function computeProductScores(
 ): ProductRow[] {
     if (rows.length === 0) return rows;
 
-    // 1. Trouver les valeurs maximales (les "Top 1") pour indexer 0-100
+    // 1. Calculer les valeurs pondérées pour tout le monde et trouver les max
-    const maxQty = Math.max(...rows.map((r) => r.totalQuantite ?? 0));
+    const weightedData = rows.map((r) => {
-    const maxCa = Math.max(...rows.map((r) => r.totalCa ?? 0));
+        const weight = (r.workingStores?.length || 1) === 1 ? 2 : 1;
-    const maxMarge = Math.max(...rows.map((r) => r.totalMarge ?? 0));
+        return {
+            row: r,
+            wQty: (r.totalQuantite ?? 0) * weight,
+            wCa: (r.totalCa ?? 0) * weight,
+            wMarge: (r.totalMarge ?? 0) * weight,
+        };
+    });
 
-    // 2. Pour chaque produit, calculer le score relatif au Top 1
+    const maxQty = Math.max(...weightedData.map((d) => d.wQty));
-    for (const row of rows) {
+    const maxCa = Math.max(...weightedData.map((d) => d.wCa));
-        // Score de 0 à 100 sur chaque axe (le Top 1 a 100)
+    const maxMarge = Math.max(...weightedData.map((d) => d.wMarge));
-        const scoreQty = maxQty > 0 ? ((row.totalQuantite ?? 0) / maxQty) * 100 : 0;
+
-        const scoreCa = maxCa > 0 ? ((row.totalCa ?? 0) / maxCa) * 100 : 0;
+    // 2. Pour chaque produit, calculer le score relatif aux max pondérés
-        const scoreMarge = maxMarge > 0 ? ((row.totalMarge ?? 0) / maxMarge) * 100 : 0;
+    for (const data of weightedData) {
+        // Score de 0 à 100 sur chaque axe pondéré (le Top 1 pondéré a 100)
+        const scoreQty = maxQty > 0 ? (data.wQty / maxQty) * 100 : 0;
+        const scoreCa = maxCa > 0 ? (data.wCa / maxCa) * 100 : 0;
+        const scoreMarge = maxMarge > 0 ? (data.wMarge / maxMarge) * 100 : 0;
 
         // Base = meilleur score d'axe
         const base = Math.max(scoreQty, scoreCa, scoreMarge);
 
-        // Bonus polyvalence : combien d'axes dépassent le seuil demandé (en %, c.a.d en score d'axe)
-        // Attention : settings.seuilAxeFort était pensé pour un % du Total (~2%). 
-        // Maintenant le score max étant 100, un "axe fort" devrait plutôt être un paramètre indexé (ex: > 30% du max).
-        // On va garder la règle, mais l'utilisateur devra probablement ajuster le seuil dans les paramètres.
-
         let axesForts = 0;
         if (scoreQty > settings.seuilAxeFort) axesForts++;
         if (scoreCa > settings.seuilAxeFort) axesForts++;
@@ -62,7 +67,7 @@ export function computeProductScores(
 
         const bonus = axesForts * settings.bonusParAxe;
 
-        row.score = Math.round(Math.min(base + bonus, 100) * 10) / 10;
+        data.row.score = Math.round(Math.min(base + bonus, 100) * 10) / 10;
     }
 
     return rows;