feat: create ScoringEngine for AI copilot product analysis and scoring.

src/features/ai-copilot/business/context-profiler.ts

@@ -182,15 +182,19 @@ export class ContextProfiler {
         const targetCaPerStore = normCa(target);
         const targetQtyPerStore = normQty(target);
 
-        // 1. Totaux fournisseur (valeurs brutes pour les poids de représentativité réseau)
-        const totalCaFournisseur = allProds.reduce((s, p) => s + (p.totalCa ?? 0), 0);
-        const totalQtyFournisseur = allProds.reduce((s, p) => s + (p.totalQuantite ?? 0), 0);
+        // 1. Totaux fournisseur (valeurs PONDÉRÉES pour comparaison équitable réseau)
+        //    weightedTotalCa/Qty projettent les 1-magasin sur une base réseau (×2).
+        const getWeightedCa = (p: ProductAnalysisInput) => p.weightedTotalCa ?? p.totalCa ?? 0;
+        const getWeightedQty = (p: ProductAnalysisInput) => p.weightedTotalQuantite ?? p.totalQuantite ?? 0;
+
+        const totalCaFournisseur = allProds.reduce((s, p) => s + getWeightedCa(p), 0);
+        const totalQtyFournisseur = allProds.reduce((s, p) => s + getWeightedQty(p), 0);
 
         // 2. Totaux du rayon (Niveau 2 de nomenclature)
         const targetRayonKey = getRayonKey(target);
         const rayonProds = allProds.filter(p => getRayonKey(p) === targetRayonKey);
-        const totalCaRayon = rayonProds.reduce((s, p) => s + (p.totalCa ?? 0), 0);
-        const totalQtyRayon = rayonProds.reduce((s, p) => s + (p.totalQuantite ?? 0), 0);
+        const totalCaRayon = rayonProds.reduce((s, p) => s + getWeightedCa(p), 0);
+        const totalQtyRayon = rayonProds.reduce((s, p) => s + getWeightedQty(p), 0);
 
         // 3. Distributions normalisées (PAR MAGASIN) — pour les percentiles et le quadrant
         const allCaPerStore = allProds.map(normCa);
@@ -209,14 +213,14 @@ export class ContextProfiler {
         const isTop20Qty = targetQtyPerStore >= top20QtyThreshold;
         const isAboveMedianComposite = pComposite >= 50;
 
-        // 5. Poids bruts (valeurs réseau pour représentativité commerciale réelle)
+        // 5. Poids pondérés (valeurs réseau projetées pour représentativité réaliste)
         const weightCaFournisseur =
             totalCaFournisseur > 0
-                ? Math.round(((target.totalCa ?? 0) / totalCaFournisseur) * 1000) / 10
+                ? Math.round((getWeightedCa(target) / totalCaFournisseur) * 1000) / 10
                 : 0;
         const weightQtyFournisseur =
             totalQtyFournisseur > 0
-                ? Math.round(((target.totalQuantite ?? 0) / totalQtyFournisseur) * 1000) / 10
+                ? Math.round((getWeightedQty(target) / totalQtyFournisseur) * 1000) / 10
                 : 0;
 
         const isLowContribution = weightCaFournisseur < 0.5 && weightQtyFournisseur < 0.5;
@@ -289,11 +293,11 @@ export class ContextProfiler {
             weightQtyFournisseur,
             weightCaRayon:
                 totalCaRayon > 0
-                    ? Math.round(((target.totalCa ?? 0) / totalCaRayon) * 1000) / 10
+                    ? Math.round((getWeightedCa(target) / totalCaRayon) * 1000) / 10
                     : 0,
             weightQtyRayon:
                 totalQtyRayon > 0
-                    ? Math.round(((target.totalQuantite ?? 0) / totalQtyRayon) * 1000) / 10
+                    ? Math.round((getWeightedQty(target) / totalQtyRayon) * 1000) / 10
                     : 0,
 
             tauxMarge: target.tauxMarge ?? 0,

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

@@ -131,12 +131,23 @@ export class ScoringEngine {
         };
     }
 
+    /**
+     * Normalise les KPIs d'un produit pour comparaison équitable.
+     *
+     * Utilise les valeurs pondérées (weightedTotalCa / weightedTotalQuantite)
+     * qui projettent les produits 1-magasin sur une base réseau comparable
+     * (×2 si 1 magasin, ×1 si 2 magasins). Cela évite de pénaliser un
+     * produit vendu uniquement dans 1 magasin face à un produit vendu dans 2.
+     *
+     * Applique ensuite la projection Run Rate pour les produits récents
+     * (\< 12 mois d'historique) afin de comparer sur une base annuelle.
+     */
     private static preprocess(p: ProductAnalysisInput) {
-        const coef = (p.totalMagasins || 1) / (p.storeCount || 1);
-        let caNorm = (p.totalCa || 0) * coef;
-        let volNorm = (p.totalQuantite || 0) * coef;
+        // Valeurs pondérées réseau — si absentes, fallback sur les brutes
+        let caNorm = p.weightedTotalCa ?? p.totalCa ?? 0;
+        let volNorm = p.weightedTotalQuantite ?? p.totalQuantite ?? 0;
 
-        // Run Rate Projection
+        // Run Rate Projection (produits avec 3-11 mois d'historique)
         if ((p.regularityScore || 0) >= 3 && (p.regularityScore || 0) < 12) {
             caNorm = (caNorm / (p.regularityScore || 3)) * 12;
             volNorm = (volNorm / (p.regularityScore || 3)) * 12;