CollectFlow/task.md

Tâches en cours : Refonte du Moteur de Recommandation IA (Multi-Dimensionnel)

Contexte

Mary (IA) donnait des recommandations basées sur le score brut sans analyse contextuelle. La refonte introduit un profilage statistique adaptatif (poids CA, poids QTÉ, marge, profil quadrant) avant de soumettre à l'IA.

Focus Actuel

Implémentation : Création du context-profiler.ts, refonte du prompt analysis-engine.ts, injection dans bulk-ai-analyzer.tsx.

Master Plan

• Diagnostic et analyse du pipeline existant
• Rédaction du plan d'implémentation (validé par Michael)
• Créer context-profiler.ts (profilage adaptatif, percentiles dynamiques)
• Modifier ai-analysis.types.ts (ajout contextProfile + codeNomenclatureN2)
• Refondre analysis-engine.ts (nouveau prompt Mary v3)
• Modifier bulk-ai-analyzer.tsx (injection ContextProfiler + r.code2)
• [/] Vérification TypeScript (tsc --noEmit en cours)
• Tests manuels sur cas critiques (à faire par Michael)

Progress Log

• Diagnostic : Problème identifié — Mary ratifiait le verdict sans interpréter le contexte statistique.
• Plan : Architecture MPC validée par Michael.
• context-profiler.ts : Créé. Calcule percentiles, poids CA/QTÉ fournisseur ET rayon N2, signaux Trafic/Marge, quadrant — tout adaptatif sur la distribution réelle.
• Correction N2 : Michael a signalé que le poids rayon doit être au niveau 2 (4 premiers chiffres). Corrigé avec getRayonKey() qui utilise codeNomenclatureN2 (= r.code2) au lieu de libelleNiveau2 (N3 trop fin).
• analysis-engine.ts : Refonte complète. Mary reçoit une fiche normalisée (percentiles, poids, signaux) au lieu d'un verdict pré-mâché.
• bulk-ai-analyzer.tsx : Injection du ContextProfiler dans le pipeline. r.code2 transmis pour le groupement N2.