feat: Add batch AI product categorization API and a bulk analyzer UI component.

.claude/settings.local.json

@@ -0,0 +1,7 @@
+{
+  "permissions": {
+    "allow": [
+      "Bash(npx tsc:*)"
+    ]
+  }
+}

src/app/api/ai/batch-analyze/route.ts

@@ -7,17 +7,33 @@ const BatchAnalyzeSchema = z.object({
     rayon: z.string(),
     supplierTotalCa: z.number().optional(),
     supplierTotalMarge: z.number().optional(),
+    supplierStats: z.object({
+        totalProducts: z.number(),
+        medianScore: z.number(),
+        scoreDistribution: z.object({
+            above70: z.number(),
+            between30and70: z.number(),
+            below30: z.number(),
+        }),
+        maxStoreCount: z.number(),
+        nomenclature2Count: z.number(),
+    }).optional(),
     products: z.array(z.object({
         codein: z.string(),
         nom: z.string().nullable().optional(),
         ca: z.number().nullable().optional(),
+        caWeight: z.number().optional().default(0),
+        adjustedCaWeight: z.number().optional().default(0),
         ventes: z.number().nullable().optional(),
         marge: z.number().nullable().optional(),
         score: z.number().nullable().optional(),
+        scorePercentile: z.number().optional().default(0),
         codeGamme: z.string().nullable().optional(),
         sales12m: z.record(z.string(), z.number()).nullable().optional(),
         storeCount: z.number().optional().default(1),
         nomenclature: z.string().nullable().optional(),
+        nomenclature2Weight: z.number().optional().default(0),
+        weightInNomenclature2: z.number().optional().default(0),
     })),
 });
 
@@ -40,51 +56,83 @@ export async function POST(req: NextRequest) {
             return NextResponse.json({ error: "Format de données invalide." }, { status: 400 });
         }
 
-        const { rayon, products, supplierTotalCa, supplierTotalMarge } = parsed.data;
+        const { rayon, products, supplierTotalCa, supplierTotalMarge, supplierStats } = parsed.data;
 
-        const supplierMetricsContext = supplierTotalCa && supplierTotalMarge
+        // Build rich supplier context with distribution awareness
-            ? `CONTEXTE FOURNISSEUR TOTAL :
+        const supplierMetricsContext = (() => {
-- CA Total Fournisseur : ${supplierTotalCa.toLocaleString('fr-FR')} €
+            const parts: string[] = [];
-- Marge Totale Fournisseur : ${supplierTotalMarge.toLocaleString('fr-FR')} €
 
-Toute analyse de poids doit se faire par rapport à ce TOTAL FOURNISSEUR global, et non uniquement par rapport au lot envoyé.`
+            if (supplierTotalCa && supplierTotalMarge) {
-            : "CONTEXTE : Analyse par rapport au lot fourni.";
+                parts.push(`CONTEXTE FOURNISSEUR GLOBAL :
+- CA Total Fournisseur : ${supplierTotalCa.toLocaleString('fr-FR')} EUR
+- Marge Totale Fournisseur : ${supplierTotalMarge.toLocaleString('fr-FR')} EUR`);
+            }
 
-        // Context-Aware System Prompt: Strategic Purchase Expert
+            if (supplierStats) {
-        const systemPrompt = `Tu es un expert en stratégie d'achat retail et category manager. Ton rôle est de catégoriser les produits d'un fournisseur (A=Permanent, C=Saisonnier, Z=Sortie).
+                parts.push(`DISTRIBUTION DES SCORES (sur ${supplierStats.totalProducts} produits du fournisseur) :
+- Score median : ${supplierStats.medianScore}/100
+- Produits score > 70 : ${supplierStats.scoreDistribution.above70} (${Math.round(supplierStats.scoreDistribution.above70 / supplierStats.totalProducts * 100)}%)
+- Produits score 30-70 : ${supplierStats.scoreDistribution.between30and70} (${Math.round(supplierStats.scoreDistribution.between30and70 / supplierStats.totalProducts * 100)}%)
+- Produits score < 30 : ${supplierStats.scoreDistribution.below30} (${Math.round(supplierStats.scoreDistribution.below30 / supplierStats.totalProducts * 100)}%)
+- Nomenclatures N2 distinctes : ${supplierStats.nomenclature2Count}
+- Magasins reseau : ${supplierStats.maxStoreCount}
+
+ATTENTION CRITIQUE : Le Score est RELATIF au meilleur produit du fournisseur (le top performer a ~100). Un score median de ${supplierStats.medianScore} signifie que la MOITIE des produits ont un score inferieur a cette valeur. Utilise le \`scorePercentile\` (rang centile) pour comparer les produits entre eux, PAS le score brut.`);
+            }
+
+            return parts.join('\n\n');
+        })();
+
+        const systemPrompt = `Tu es un expert en strategie d'achat retail et category manager. Ton role est de categoriser les produits d'un fournisseur (A=Permanent, C=Saisonnier, Z=Sortie).
 
 ${supplierMetricsContext}
 
-MÉTHODOLOGIE D'ANALYSE (APPROCHE PERFORMANCE-FIRST) :
+REGLE FONDAMENTALE : L'IMPORTANCE ECONOMIQUE PRIME SUR LE SCORE DE PERFORMANCE RELATIVE.
 
-1. ANALYSE DU POTENTIEL (RÈGLE DU MULTI-MAGASIN) :
+COMPRENDRE LES DONNEES :
-   - Note le \`storeCount\` de chaque produit. 
+- \`score\` (0-100) : Performance RELATIVE au meilleur produit du fournisseur. Le top produit a ~100. Ce n'est PAS un score absolu de qualite. Un score de 25 peut etre parfaitement normal si le median est a 20.
-   - La majorité des produits sont présents dans 2 magasins. Si un produit a \`storeCount = 1\`, ses données (CA, Ventes, Marge) sont mécaniquement plus faibles car il ne travaille que sur une partie du réseau.
+- \`scorePercentile\` (0-100) : Rang centile du produit parmi TOUS les produits du fournisseur. 50 = median, 80 = top 20%. C'EST L'INDICATEUR A UTILISER pour comparer les produits.
-   - **RÈGLE CRITIQUE** : Pour un produit mono-magasin (\`storeCount = 1\`), multiplie mentalement ses indicateurs par **1.7x** pour évaluer son potentiel réel s'il était déployé partout. Compare-le aux autres produits APRES cette extrapolation.
+- \`caWeight\` : Poids brut du CA du produit par rapport au total fournisseur (%).
+- \`adjustedCaWeight\` : Poids CA extrapole au reseau complet (si un produit n'est present que dans 1 magasin sur 2, son poids est double). UTILISE CETTE VALEUR pour toute decision de poids global.
+- \`weightInNomenclature2\` : Poids du produit dans sa propre nomenclature de niveau 2 (%). C'EST LE CRITERE LE PLUS IMPORTANT. Un produit qui pese 8% de sa nomenclature N2 est un pilier de cette categorie.
+- \`nomenclature2Weight\` : Poids de la nomenclature N2 entiere dans le CA fournisseur (%). Donne le contexte strategique de la categorie.
+- \`sales12m\` : Historique mensuel des ventes (cle YYYYMM). Regarde la REGULARITE, pas seulement le volume.
 
-2. CRITÈRE PRINCIPAL - LA SANTÉ (SCORE) :
+METHODOLOGIE D'ANALYSE (HIERARCHIE STRICTE) :
-   - Le Score (0-100) est ton indicateur de performance combiné (rotation, rentabilité relative, tendance).
-   - Score > 70 : Produit performant, Gamme A par défaut.
-   - Score < 30 : Produit en difficulté, cible prioritaire pour la Gamme Z (sauf si mono-magasin avec fort potentiel extrapolé).
 
-3. LE POIDS COMME BOUCLIER (PROTECTION DES PILIERS) :
+1. CONTRIBUTION ECONOMIQUE PAR CATEGORIE (CRITERE PRINCIPAL) :
-   - Un produit avec un MAUVAIS SCORE (< 40) ne reste en Gamme A QUE s'il est un pilier indispensable :
+   - Regarde d'abord \`weightInNomenclature2\` : c'est le poids du produit dans sa categorie N2. Un produit qui pese > 5% de sa nomenclature N2 est un contributeur important de cette categorie → forte protection.
-     - Son poids CA/Marge (extrapolé si mono-magasin) est substantiel par rapport au business du fournisseur.
+   - Puis regarde \`adjustedCaWeight\` : le poids global. Un produit dans le top 20% des contributeurs du fournisseur → Gamme A quasi certaine.
-     - OU il génère un flux de volume massif indispensable.
+   - \`nomenclature2Weight\` donne le contexte : si la nomenclature N2 pese > 15% du fournisseur, c'est une categorie strategique et ses contributeurs meritent une protection renforcee.
 
-4. ARBITRAGE POUR LA SORTIE (GAMME Z) :
+2. REGULARITE DES VENTES (CRITERE SECONDAIRE) :
-   - Propose la Gamme Z si le produit cumule :
+   - Compte les mois avec ventes > 0 dans sales12m.
-     - Score faible (< 40).
+   - 10-12 mois actifs = rotation reguliere = signal fort de Gamme A (produit de fond de rayon indispensable, effet de halo sur la categorie).
-     - ET Contribution négligeable au business global (même après extrapolation 1.7x si mono-magasin).
+   - 4-9 mois actifs = rotation moyenne, a croiser avec la contribution.
-     - ET Ventes sporadiques.
+   - 1-3 mois actifs = rotation faible, potentiel produit saisonnier (C) ou candidat sortie (Z).
+   - Un produit avec ventes regulieres sur 10+ mois est un produit de complement indispensable au rayon, meme si son poids individuel est faible.
 
-DÉFINITION DES GAMMES :
+3. PERFORMANCE RELATIVE (CRITERE TERTIAIRE) :
-- A (Permanent) : Produits sains (Score élevé) OU Piliers business indispensables (gros volume/CA malgré score moyen).
+   - Utilise \`scorePercentile\` pour situer le produit. PAS le score brut.
-- C (Saisonnier) : Profil de ventes avec saisonnalité marquée.
+   - scorePercentile > 60 : Produit au-dessus de la moyenne → favorable a Gamme A.
-- Z (Sortie) : Produits non performants et non stratégiques.
+   - scorePercentile 30-60 : Produit moyen → decider selon contribution et regularite.
+   - scorePercentile < 20 : Produit dans le bas du classement → candidat Z, SAUF si contribution significative dans sa nomenclature ou rotation reguliere.
 
-IMPORTANT : RÉPONDS UNIQUEMENT EN JSON VALIDE.
+4. REGLE D'OR DE COHERENCE :
-Ta justification doit expliquer POURQUOI le produit est maintenu ou sorti. Mentionne explicitement si le produit est pénalisé par sa présence dans un seul magasin (ex: "Mono-magasin : potentiel extrapolé de X€, pilier stratégique").
+   - Un produit avec un meilleur scorePercentile ET un meilleur adjustedCaWeight qu'un autre DOIT avoir une recommandation egale ou superieure.
+   - Ne JAMAIS mettre en Z un produit qui est meilleur qu'un autre reste en A.
+
+5. PROTECTION DES PRODUITS DE COMPLEMENT (EFFET HALO) :
+   - Un produit avec une rotation reguliere (8+ mois actifs) et un weightInNomenclature2 > 2% est un produit de complement indispensable au rayon. Il doit rester en A.
+   - Avant de proposer Z, verifie que le produit n'est pas un complement naturel d'un produit A majeur du meme rayon/nomenclature.
+
+DEFINITION DES GAMMES :
+- A (Permanent) : Produits contribuant significativement a leur categorie N2 (weightInNomenclature2 eleve), OU rotation reguliere (fond de rayon), OU forte performance relative.
+- C (Saisonnier) : Profil de ventes avec saisonnalite marquee (pics sur 2-4 mois, quasi-absence le reste).
+- Z (Sortie) : UNIQUEMENT si le produit cumule TOUS ces criteres negatifs : weightInNomenclature2 tres faible (marginal dans sa propre categorie) + adjustedCaWeight negligeable + rotation irreguliere (< 5 mois actifs) + scorePercentile dans le dernier quart (< 25).
+
+IMPORTANT : REPONDS UNIQUEMENT EN JSON VALIDE.
+Ta justification doit etre factuelle. Mentionne le scorePercentile, le weightInNomenclature2, et le nombre de mois actifs.
 
 Format:
 {
@@ -93,23 +141,26 @@ Format:
       "codein": "ID",
       "recommandationGamme": "A|C|Z",
       "isDuplicate": boolean,
-      "justificationCourte": "Justification incluant le poids relatif (ex: 'Top contributeur CA du lot, à protéger')."
+      "justificationCourte": "Poids N2: X%, Poids global: Y%, Percentile: Z, Mois actifs: N -> [Raison]"
     }
   ]
 }
 
-Données : codein, nom, ca (€), ventes (unités), marge (%), score (0-100), codeGamme (actuel), sales12m (historique), nomenclature.`;
+Donnees fournies par produit : codein, nom, ca (EUR), caWeight (% global), adjustedCaWeight (% extrapole), weightInNomenclature2 (% dans sa N2), nomenclature2Weight (% de la N2 dans le fournisseur), ventes (unites), marge (%), score (0-100, RELATIF), scorePercentile (0-100, rang centile), codeGamme (actuel), sales12m (historique), storeCount, nomenclature.`;
 
-        const userPrompt = `Analyse cette liste de produits: \n${JSON.stringify(products, null, 2)} `;
+        const userPrompt = `Ce lot contient ${products.length} produits du rayon "${rayon}" (sur ${supplierStats?.totalProducts ?? products.length} produits au total pour ce fournisseur).
+
+Analyse ces produits :
+${JSON.stringify(products, null, 2)}`;
 
         const response = await fetch("https://openrouter.ai/api/v1/chat/completions", {
             method: "POST",
             headers: {
-                "Authorization": `Bearer ${apiKey} `,
+                "Authorization": `Bearer ${apiKey}`,
                 "Content-Type": "application/json",
             },
             body: JSON.stringify({
-                model, // uses the model configured in Settings (same as individual analysis)
+                model,
                 messages: [
                     { role: "system", content: systemPrompt },
                     { role: "user", content: userPrompt }
@@ -120,10 +171,9 @@ Données : codein, nom, ca (€), ventes (unités), marge (%), score (0-100), co
         });
 
         if (response.status === 429) {
-            // Read the retry-after header and pass it back to the client
             const retryAfter = response.headers.get("Retry-After") || response.headers.get("x-ratelimit-reset-requests");
             const waitSeconds = retryAfter ? parseInt(retryAfter, 10) : 60;
-            console.warn(`[batch - analyze] Rate limited.Retry after ${waitSeconds} s.`);
+            console.warn(`[batch-analyze] Rate limited. Retry after ${waitSeconds}s.`);
             return NextResponse.json({ error: "rate_limited", retryAfter: waitSeconds }, { status: 429 });
         }
 
@@ -144,11 +194,10 @@ Données : codein, nom, ca (€), ventes (unités), marge (%), score (0-100), co
 
         // Try to extract JSON block from the response (handles markdown code blocks and raw JSON)
         let jsonStr = content;
-        const jsonBlock = content.match(/```json\s * ([\s\S] *?) \s * ```/);
+        const jsonBlock = content.match(/```json\s*([\s\S]*?)\s*```/);
         if (jsonBlock) {
             jsonStr = jsonBlock[1];
         } else {
-            // Look for first { ... } block
             const start = content.indexOf("{");
             const end = content.lastIndexOf("}");
             if (start !== -1 && end !== -1) {

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

@@ -19,6 +19,50 @@ export function BulkAiAnalyzer() {
 
         console.log("[BulkAiAnalyzer] Starting analysis on", rows.length, "rows", { supplierTotalCa, supplierTotalMarge });
 
+        // --- Statistiques globales pour contextualiser le score ---
+        const allScores = rows.map(r => r.score || 0).sort((a, b) => a - b);
+        const totalProducts = rows.length;
+
+        const medianScore = totalProducts > 0
+            ? (totalProducts % 2 === 0
+                ? (allScores[totalProducts / 2 - 1] + allScores[totalProducts / 2]) / 2
+                : allScores[Math.floor(totalProducts / 2)])
+            : 0;
+
+        const scoreDistribution = {
+            above70: allScores.filter(s => s > 70).length,
+            between30and70: allScores.filter(s => s >= 30 && s <= 70).length,
+            below30: allScores.filter(s => s < 30).length,
+        };
+
+        const maxStoreCount = Math.max(...rows.map(r => r.workingStores?.length || 1), 1);
+
+        // Percentile par produit (rang centile 0-100)
+        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);
+        });
+
+        const nomenclature2Count = nomenclature2CaMap.size;
+
+        console.log("[BulkAiAnalyzer] Stats:", { totalProducts, medianScore, scoreDistribution, nomenclature2Count, maxStoreCount });
+
         setIsAnalyzing(true);
         let completed = 0;
 
@@ -50,18 +94,35 @@ export function BulkAiAnalyzer() {
                 const chunk = remainingChunks.shift();
                 if (!chunk) return;
 
-                const payloadProducts = chunk.items.map(r => ({
+                const payloadProducts = chunk.items.map(r => {
-                    codein: r.codein,
+                    const rawCaWeight = supplierTotalCa > 0
-                    nom: r.libelle1,
+                        ? parseFloat(((r.totalCa / supplierTotalCa) * 100).toFixed(3))
-                    ca: r.totalCa || 0,
+                        : 0;
-                    ventes: r.totalQuantite || 0,
+                    const storeCount = r.workingStores?.length || 1;
-                    marge: r.totalMarge ? parseFloat(((r.totalMarge / (r.totalCa || 1)) * 100).toFixed(1)) : 0,
+                    const storeRatio = storeCount < maxStoreCount ? maxStoreCount / storeCount : 1;
-                    score: r.score || 0,
+                    const adjustedCaWeight = parseFloat((rawCaWeight * storeRatio).toFixed(3));
-                    codeGamme: r.codeGamme || "N/A",
+                    const n2 = r.libelleNiveau2 || "Non classe";
-                    sales12m: r.sales12m || {},
+                    const n2Ca = nomenclature2CaMap.get(n2) || 1;
-                    storeCount: r.workingStores?.length || 1,
+                    const weightInNomenclature2 = parseFloat((((r.totalCa || 0) / n2Ca) * 100).toFixed(2));
-                    nomenclature: `${r.libelleNiveau1 || ""} > ${r.libelleNiveau2 || ""} > ${r.libelle3 || ""}`
+
-                }));
+                    return {
+                        codein: r.codein,
+                        nom: r.libelle1,
+                        ca: r.totalCa || 0,
+                        caWeight: rawCaWeight,
+                        adjustedCaWeight,
+                        ventes: r.totalQuantite || 0,
+                        marge: r.totalMarge ? parseFloat(((r.totalMarge / (r.totalCa || 1)) * 100).toFixed(1)) : 0,
+                        score: r.score || 0,
+                        scorePercentile: scorePercentileMap.get(r.codein) ?? 0,
+                        codeGamme: r.codeGamme || "N/A",
+                        sales12m: r.sales12m || {},
+                        storeCount,
+                        nomenclature: `${r.libelleNiveau1 || ""} > ${r.libelleNiveau2 || ""} > ${r.libelle3 || ""}`,
+                        nomenclature2Weight: nomenclature2WeightMap.get(n2) ?? 0,
+                        weightInNomenclature2,
+                    };
+                });
 
                 try {
                     let res: Response | null = null;
@@ -75,7 +136,14 @@ export function BulkAiAnalyzer() {
                                 rayon: chunk.rayon,
                                 products: payloadProducts,
                                 supplierTotalCa,
-                                supplierTotalMarge
+                                supplierTotalMarge,
+                                supplierStats: {
+                                    totalProducts,
+                                    medianScore: Math.round(medianScore * 10) / 10,
+                                    scoreDistribution,
+                                    maxStoreCount,
+                                    nomenclature2Count,
+                                }
                             })
                         });