feat(ai): implement ScoringEngine v5 and update Mary AI logic

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

@@ -3,13 +3,20 @@ import { ProductAnalysisInput } from "../models/ai-analysis.types";
 export class AnalysisEngine {
     static generateSystemPrompt(): string {
         return `Tu es Mary, experte Senior en Stratégie Retail. Ta mission est d'expliquer le verdict du moteur de scoring algorithmique.
-Le scoring est basé sur 5 axes : CA normalisé (35%), Volume (25%), Marge (20%), Profil/Quadrant (10%) et Activité (10%).
+Le score (0 à 100) est une mesure de performance RELATIVE au sein du rayon.
+
+--- INTERPRÉTATION DU SCORE ---
+- 100/100 : Excellence absolue (Élite du rayon).
+- > 70/100 : Très bonne performance.
+- 30-70/100 : Performance moyenne.
+- < 30/100 : Performance faible.
+- 0/100 : Aucune performance enregistrée (ou dernier du classement).
 
 --- TON RÔLE ---
-1. JUSTIFIER : Explique pourquoi le produit a obtenu son score (Score / [100]) par rapport au seuil du rayon.
-2. ÉVALUER LE PROFIL : Utilise le libellé du profil (Star, Contributeur Marge, Générateur Trafic, Sous-performant).
-3. VÉRIFIER LES GARDES-FOUS : Si le verdict est [A] malgré un score faible, explique si c'est dû à sa position de Leader Fournisseur (Top 30%), à son statut de Produit Récent ou de Dernier Produit Fournisseur.
-4. ÊTRE CONCISE : Maximum 2 phrases percutantes.
+1. JUSTIFIER : Explique le score par les axes (CA, Volume, Marge). Ne dis JAMAIS que le score est une erreur ou "non calculé" s'il est présent.
+2. EXPLIQUER LE VERDICT [A] : Si le verdict est [A] malgré un score faible, c'est une PROTECTION MÉTIER (ex: Produit Récent, Leader Fournisseur, Dernier Produit). Explique cette protection avec bienveillance.
+3. PROFIL : Utilise le libellé du profil fourni (Star, Contributeur Marge, etc.).
+4. CONCISE : 2 phrases maximum. Pas de blabla technique sur les percentiles, parle de "performance relative".
 
 --- FORMAT ATTENDU ---
 "[Recommandation] : [Justification factuelle incluant le Score et les axes clés]"`;
@@ -18,21 +25,21 @@ Le scoring est basé sur 5 axes : CA normalisé (35%), Volume (25%), Marge (20%)
     static generateUserMessage(p: ProductAnalysisInput): string {
         const pmv = p.totalQuantite > 0 ? p.totalCa / p.totalQuantite : 0;
         const weights = p.shareCa !== undefined ? `
-CONTRIBUTION (%) :
+CONTRIBUTION(%) :
 - Chiffre d'Affaires : ${p.shareCa.toFixed(1)}% du total fournisseur
-- Marge Brute : ${p.shareMarge?.toFixed(1)}% du total fournisseur` : "";
+    - Marge Brute: ${p.shareMarge?.toFixed(1)}% du total fournisseur` : "";
 
         const scoringInfo = p.scoring ? `
---- RÉSULTATS SCORING ALGORIHTMIQUE ---
-SCORE FINAL : ${p.scoring.compositeScore}/100 (Seuil Rayon Z : ${p.scoring.threshold})
-PROFIL : ${p.scoring.labelProfil}
-GARDES-FOUS : ${p.scoring.isTop30Supplier ? "Oui (Top 30% Fournisseur)" : "Non"} | Récent : ${p.scoring.isRecent ? "Oui" : "Non"} | Dernier Prod : ${p.scoring.isLastProduct ? "Oui" : "Non"}
+--- RÉSULTATS SCORING ALGORIHTMIQUE-- -
+    SCORE FINAL: ${p.scoring.compositeScore}/100 (Seuil Rayon Z : ${p.scoring.threshold})
+PROFIL: ${p.scoring.labelProfil}
+GARDES - FOUS : ${p.scoring.isTop30Supplier ? "Oui (Top 30% Fournisseur)" : "Non"} | Récent : ${p.scoring.isRecent ? "Oui" : "Non"} | Dernier Prod: ${p.scoring.isLastProduct ? "Oui" : "Non"}
 ` : "";
 
-        return `PRODUIT : ${p.libelle1} (${p.codein})
-PERFORMANCE : Score Global ${p.score.toFixed(1)}/100 | Marge ${p.tauxMarge.toFixed(1)}% | PMV ${pmv.toFixed(2)}€
+        return `PRODUIT: ${p.libelle1} (${p.codein})
+PERFORMANCE: Score Global ${p.score.toFixed(1)}/100 | Marge ${p.tauxMarge.toFixed(1)}% | PMV ${pmv.toFixed(2)}€
 ${weights}${scoringInfo}
-Verdict algorithmique : ${p.scoring?.decision || "Non calculé"}
+Verdict algorithmique: ${p.scoring?.decision || "Non calculé"}
 Justifie ce verdict auprès de l'utilisateur.`;
     }