Michael/CollectFlow
1
0 Fork 0
mirror of https://github.com/R0m1k3/CollectFlow.git synced 2026-10-11 17:26:32 +02:00
Code Issues Packages Projects Releases Wiki Activity

feat: Add bulk AI product analysis feature with a new UI component and API route.

Browse Source
This commit is contained in:
Michael committed 2026-02-22 11:00:44 +01:00
1 parent 4b3672e65a
commit 7f9c07b58e
2 files changed
+24 -140
Download Patch File Download Diff File Expand all files Collapse all files

No files matched your search

src/app/api/ai/analyze/route.ts
+4 -75
View File
@@ -11,20 +11,11 @@ const AnalyzeSchema = z.object({
sales12m: z.record(z.string(), z.number()),
codeGamme: z.string().nullable(),
score: z.number().nullable().optional(),
// Champs enrichis (optionnels, envoyés par le batch)
weightInNomenclature2: z.number().optional(),
adjustedCaWeight: z.number().optional(),
nomenclature2Weight: z.number().optional(),
scorePercentile: z.number().optional(),
moisActifs: z.number().optional(),
nomenclature: z.string().optional(),
// Mode batch : retourne du JSON structuré au lieu de texte libre
batchMode: z.boolean().optional(),
});
const OPENROUTER_URL = "https://openrouter.ai/api/v1/chat/completions";
const SYSTEM_PROMPT_INDIVIDUAL = `Tu es un expert en stratégie d'achat retail. Ton rôle est de catégoriser ce produit (A=Permanent, C=Saisonnier, Z=Sortie) via une analyse de VALEUR CONTEXTUELLE.
const SYSTEM_PROMPT = `Tu es un expert en stratégie d'achat retail. Ton rôle est de catégoriser ce produit (A=Permanent, C=Saisonnier, Z=Sortie) via une analyse de VALEUR CONTEXTUELLE.
L'IMPORTANCE ÉCONOMIQUE PRIME SUR LE SCORE DE PERFORMANCE RELATIVE.
@@ -41,27 +32,6 @@ DÉFINITION :
Réponse courte, mentionnant la contribution économique et le score. Ne mentionne aucun seuil en euros.
Format: "[Recommandation]: [Justification basée sur la valeur et le score]"`;
const SYSTEM_PROMPT_BATCH = `Tu es un expert en assortiment retail. Decide si ce produit doit rester en gamme (A) ou sortir (Z).
REPONDS UNIQUEMENT A ou Z. Jamais C. La saisonnalite est geree manuellement par l'acheteur.
DONNEES CLES :
- weightInNomenclature2 : % du CA du produit dans sa categorie. LE CRITERE PRINCIPAL.
- adjustedCaWeight : % du CA produit dans le total fournisseur (extrapole reseau).
- scorePercentile : rang du produit parmi le fournisseur (50 = median).
- moisActifs : mois avec ventes > 0 sur 12 mois.
REGLES (dans l'ordre, la premiere qui s'applique gagne) :
1. weightInNomenclature2 >= 5% → A
2. moisActifs >= 8 → A
3. scorePercentile >= 50 ET moisActifs >= 4 → A
4. En cas de doute → A
5. Z seulement si TOUT est faible : weightInNomenclature2 < 3% ET moisActifs < 5 ET scorePercentile < 30
Ne tiens PAS compte du nom du produit pour ta decision. Base-toi UNIQUEMENT sur les chiffres.
Reponds UNIQUEMENT en JSON : {"recommandationGamme":"A|Z","justificationCourte":"..."}`;
export async function POST(req: NextRequest) {
const config = await getSavedDatabaseConfig();
const apiKey = process.env.OPENROUTER_API_KEY || config?.openRouterKey;
@@ -79,42 +49,19 @@ export async function POST(req: NextRequest) {
}
const p = parsed.data;
const isBatch = p.batchMode === true;
// Format monthly sales for the prompt
const monthlySummary = Object.entries(p.sales12m)
.map(([k, v]) => `${k}: ${Math.round(v)} unités`)
.join(", ");
let userMessage: string;
let systemPrompt: string;
if (isBatch) {
// Mode batch : prompt simplifié avec métriques enrichies, PAS de codeGamme
systemPrompt = SYSTEM_PROMPT_BATCH;
const enrichedLines = [
`Produit: "${p.libelle1}" (${p.codein})`,
p.nomenclature ? `Nomenclature: ${p.nomenclature}` : null,
`CA: ${p.totalCa.toFixed(0)} EUR | Marge: ${p.tauxMarge.toFixed(1)}% | Volume: ${Math.round(p.totalQuantite)} unites`,
p.weightInNomenclature2 != null ? `Poids dans sa categorie N2: ${p.weightInNomenclature2}%` : null,
p.adjustedCaWeight != null ? `Poids global fournisseur (ajuste): ${p.adjustedCaWeight}%` : null,
p.nomenclature2Weight != null ? `Poids de la categorie N2 dans le fournisseur: ${p.nomenclature2Weight}%` : null,
p.scorePercentile != null ? `Rang percentile: ${p.scorePercentile}/100` : null,
p.moisActifs != null ? `Mois actifs (ventes > 0): ${p.moisActifs}/12` : null,
`Historique: ${monthlySummary}`,
].filter(Boolean).join("\n");
userMessage = enrichedLines;
} else {
// Mode individuel : prompt original
systemPrompt = SYSTEM_PROMPT_INDIVIDUAL;
userMessage = `Produit: "${p.libelle1}" (Code: ${p.codein})
const userMessage = `Produit: "${p.libelle1}" (Code: ${p.codein})
Gamme actuelle: ${p.codeGamme ?? "Non définie"}
Score de performance: ${p.score ?? "N/A"}/100
CA total 12m: ${p.totalCa.toFixed(0)}€ | Taux de marge: ${p.tauxMarge.toFixed(1)}% | Volume: ${Math.round(p.totalQuantite)} unités
Historique mensuel: ${monthlySummary}
Quelle gamme recommandes-tu et pourquoi ?`;
}
try {
const response = await fetch(OPENROUTER_URL, {
@@ -128,10 +75,9 @@ Quelle gamme recommandes-tu et pourquoi ?`;
body: JSON.stringify({
model,
messages: [
{ role: "system", content: systemPrompt },
{ role: "system", content: SYSTEM_PROMPT },
{ role: "user", content: userMessage },
],
...(isBatch ? { response_format: { type: "json_object" } } : {}),
max_tokens: 150,
temperature: 0.1,
}),
@@ -151,24 +97,7 @@ Quelle gamme recommandes-tu et pourquoi ?`;
const data = await response.json();
const content: string = data.choices?.[0]?.message?.content ?? "";
if (isBatch) {
// Parse JSON response for batch mode
let jsonStr = content;
const start = content.indexOf("{");
const end = content.lastIndexOf("}");
if (start !== -1 && end !== -1) {
jsonStr = content.slice(start, end + 1);
}
const result = JSON.parse(jsonStr);
return NextResponse.json({
codein: p.codein,
recommandationGamme: result.recommandationGamme || "A",
justificationCourte: result.justificationCourte || "",
isDuplicate: false,
});
} else {
return NextResponse.json({ insight: content, codein: p.codein });
}
return NextResponse.json({ insight: content, codein: p.codein });
} catch (err) {
const msg = err instanceof Error ? err.message : "Unknown error";
return NextResponse.json({ error: msg }, { status: 500 });
src/features/grid/components/bulk-ai-analyzer.tsx
+20 -65
View File
@@ -13,70 +13,20 @@ export function BulkAiAnalyzer() {
const handleAnalyze = async () => {
const { rows } = useGridStore.getState();
const supplierTotalCa = rows.reduce((acc, row) => acc + (row.totalCa || 0), 0);
console.log("[BulkAiAnalyzer] Starting analysis on", rows.length, "rows");
// --- Statistiques globales pour contextualiser le score ---
const allScores = rows.map(r => r.score || 0).sort((a, b) => a - b);
const totalProducts = rows.length;
const maxStoreCount = Math.max(...rows.map(r => r.workingStores?.length || 1), 1);
// Percentile par produit
const scorePercentileMap = new Map<string, number>();
rows.forEach(r => {
const productScore = r.score || 0;
const rank = allScores.filter(s => s <= productScore).length;
scorePercentileMap.set(r.codein, Math.round((rank / totalProducts) * 100));
});
// Double poids par nomenclature niveau 2
const nomenclature2CaMap = new Map<string, number>();
rows.forEach(r => {
const n2 = r.libelleNiveau2 || "Non classe";
nomenclature2CaMap.set(n2, (nomenclature2CaMap.get(n2) || 0) + (r.totalCa || 0));
});
const nomenclature2WeightMap = new Map<string, number>();
nomenclature2CaMap.forEach((ca, n2) => {
nomenclature2WeightMap.set(n2, supplierTotalCa > 0
? parseFloat(((ca / supplierTotalCa) * 100).toFixed(1))
: 0);
});
// Préparer les payloads enrichis pour chaque produit
const productPayloads = rows.map(r => {
const rawCaWeight = supplierTotalCa > 0
? parseFloat(((r.totalCa / supplierTotalCa) * 100).toFixed(3))
: 0;
const storeCount = r.workingStores?.length || 1;
const storeRatio = storeCount < maxStoreCount ? maxStoreCount / storeCount : 1;
const adjustedCaWeight = parseFloat((rawCaWeight * storeRatio).toFixed(3));
const n2 = r.libelleNiveau2 || "Non classe";
const n2Ca = nomenclature2CaMap.get(n2) || 1;
const weightInNomenclature2 = parseFloat((((r.totalCa || 0) / n2Ca) * 100).toFixed(2));
const moisActifs = Object.values(r.sales12m || {}).filter(v => v > 0).length;
return {
codein: r.codein,
libelle1: r.libelle1 || "",
totalCa: r.totalCa || 0,
tauxMarge: r.tauxMarge || 0,
totalQuantite: r.totalQuantite || 0,
sales12m: r.sales12m || {},
codeGamme: r.codeGamme || null,
score: r.score || 0,
// Champs enrichis
weightInNomenclature2,
adjustedCaWeight,
nomenclature2Weight: nomenclature2WeightMap.get(n2) ?? 0,
scorePercentile: scorePercentileMap.get(r.codein) ?? 0,
moisActifs,
nomenclature: `${r.libelleNiveau1 || ""} > ${r.libelleNiveau2 || ""} > ${r.libelle3 || ""}`,
batchMode: true,
};
});
// Payload identique à l'analyse individuelle — aucun enrichissement
const productPayloads = rows.map(r => ({
codein: r.codein,
libelle1: r.libelle1 || "",
totalCa: r.totalCa || 0,
tauxMarge: r.tauxMarge || 0,
totalQuantite: r.totalQuantite || 0,
sales12m: r.sales12m || {},
codeGamme: r.codeGamme || null,
score: r.score || 0,
}));
setIsAnalyzing(true);
let completed = 0;
@@ -119,10 +69,15 @@ export function BulkAiAnalyzer() {
errors++;
} else {
const data = await res.json();
if (data.recommandationGamme) {
setDraftGamme(data.codein, data.recommandationGamme);
const justification = `Gamme ${data.recommandationGamme} — ${data.justificationCourte || "Analyse effectuée."}`;
setInsight(data.codein, justification, data.isDuplicate ?? false);
if (data.insight) {
// Extraire la recommandation (première lettre A, C ou Z)
const match = data.insight.match(/^[^A-Z]*([ACZ])\b/i);
const gamme = match ? match[1].toUpperCase() : null;
if (gamme) {
setDraftGamme(data.codein, gamme);
setInsight(data.codein, data.insight, false);
}
}
}
} catch {