# ================================================
# Dashboard Interativo - ROI e Simulação de Overbooking
# ================================================
# Para rodar: streamlit run app.py
# ================================================

import streamlit as st
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# ==========================
# Função para simulação binomial
# ==========================
def simulate_binomial_revenue(N, p, r, nsim=10000, random_seed=None):
    rng = np.random.default_rng(random_seed)
    X = rng.binomial(n=N, p=p, size=nsim)  # número de sucessos
    return X * r

# ==========================
# Configurações iniciais do dashboard
# ==========================
st.set_page_config(page_title="Simulação ROI - Aérea Confiável", layout="wide")

st.title("✈️ Simulação de ROI - Sistema de Previsão de Overbooking")
st.markdown("""
Este dashboard simula diferentes cenários de desempenho do sistema de previsão
da **Aérea Confiável**, permitindo analisar **risco** e **retorno esperado**.
""")

# ==========================
# Sidebar - Entradas do usuário
# ==========================
st.sidebar.header("⚙️ Parâmetros da Simulação")

# Entradas financeiras
investimento_inicial = st.sidebar.number_input("Investimento Inicial (R$)", min_value=10000.0, value=50000.0, step=1000.0)
receita_alvo = st.sidebar.number_input("Receita Alvo (R$)", min_value=10000.0, value=80000.0, step=1000.0)
custo_operacional = st.sidebar.number_input("Custo Operacional Anual (R$)", min_value=0.0, value=10000.0, step=1000.0)

# Entradas do modelo binomial
N = st.sidebar.slider("Número de Oportunidades (N)", min_value=50, max_value=500, value=200, step=10)
p0 = st.sidebar.slider("Probabilidade Base de Sucesso (p0)", min_value=0.05, max_value=0.95, value=0.40, step=0.01)

# Ajuste de cenários
delta = st.sidebar.slider("Variação da Probabilidade ±", min_value=0.05, max_value=0.30, value=0.15, step=0.01)

# Simulações
nsim = st.sidebar.slider("Número de Simulações", min_value=1000, max_value=50000, value=20000, step=1000)

# Limite de receita mínima
target_threshold = st.sidebar.number_input("Receita Mínima Desejada (R$)", min_value=0.0, value=60000.0, step=1000.0)

st.sidebar.markdown("---")
st.sidebar.info("Ajuste os parâmetros acima para explorar diferentes cenários.")

# ==========================
# Cálculo do ROI determinístico
# ==========================
lucro_investimento = receita_alvo - custo_operacional
roi_deterministico = (lucro_investimento / investimento_inicial) * 100

st.subheader("📊 ROI Determinístico")
st.metric(label="ROI (%)", value=f"{roi_deterministico:.2f}%")
st.caption("ROI calculado apenas com os valores fixos, sem considerar incertezas.")

# ==========================
# Configuração dos cenários
# ==========================
cenarios = {
    "Pessimista": max(0.01, p0 - delta),
    "Real": p0,
    "Otimista": min(0.99, p0 + delta)
}

# Receita por sucesso
r = receita_alvo / (N * p0)

# ==========================
# Simulação
# ==========================
sim_results = {}
summary_rows = []

for nome, p in cenarios.items():
    receita = simulate_binomial_revenue(N, p, r, nsim=nsim)
    sim_results[nome] = receita

    # Estatísticas
    media = receita.mean()
    mediana = np.median(receita)
    desvio = receita.std(ddof=1)
    prob_abaixo = (receita < target_threshold).mean()

    roi_sim = (receita - custo_operacional) / investimento_inicial * 100
    media_roi = roi_sim.mean()
    prob_roi_negativo = (roi_sim < 0).mean()
    pct_10 = np.percentile(roi_sim, 10)
    pct_90 = np.percentile(roi_sim, 90)

    summary_rows.append({
        "Cenário": nome,
        "p (Prob. Sucesso)": p,
        "Receita Média (R$)": media,
        "Mediana Receita (R$)": mediana,
        "Desvio Padrão (R$)": desvio,
        f"P(Receita < {target_threshold:,.0f})": prob_abaixo,
        "ROI Médio (%)": media_roi,
        "P(ROI < 0%)": prob_roi_negativo,
        "ROI 10%": pct_10,
        "ROI 90%": pct_90
    })

summary_df = pd.DataFrame(summary_rows).set_index("Cenário")

# ==========================
# Exibir Tabela
# ==========================
st.subheader("📈 Resumo dos Cenários")
st.dataframe(summary_df.style.format({
    "Receita Média (R$)": "R$ {:,.2f}",
    "Mediana Receita (R$)": "R$ {:,.2f}",
    "Desvio Padrão (R$)": "R$ {:,.2f}",
    f"P(Receita < {target_threshold:,.0f})": "{:.2%}",
    "ROI Médio (%)": "{:.2f}%",
    "P(ROI < 0%)": "{:.2%}",
    "ROI 10%": "{:.2f}%",
    "ROI 90%": "{:.2f}%"
}))

# ==========================
# Visualização - Gráficos
# ==========================
st.subheader("📊 Distribuição da Receita por Cenário")
fig, ax = plt.subplots(figsize=(10,5))
for nome, receita in sim_results.items():
    ax.hist(receita, bins=50, alpha=0.6, label=f"{nome} (p={cenarios[nome]:.2f})")
    ax.axvline(target_threshold, color='red', linestyle='--', label='Meta Receita' if nome=="Pessimista" else "")
ax.set_title("Distribuição da Receita Anual")
ax.set_xlabel("Receita (R$)")
ax.set_ylabel("Frequência")
ax.legend()
ax.grid(True)
st.pyplot(fig)

# ROI Distribution
st.subheader("📊 Distribuição do ROI por Cenário")
fig2, ax2 = plt.subplots(figsize=(10,5))
for nome, receita in sim_results.items():
    roi_sim = (receita - custo_operacional) / investimento_inicial * 100
    ax2.hist(roi_sim, bins=60, alpha=0.5, label=f"{nome} (p={cenarios[nome]:.2f})", density=True)
ax2.set_title("Distribuição do ROI (%)")
ax2.set_xlabel("ROI (%)")
ax2.set_ylabel("Densidade")
ax2.legend()
ax2.grid(True)
st.pyplot(fig2)

# ==========================
# Conclusão baseada nos resultados
# ==========================
st.subheader("💡 Conclusões e Recomendações")

st.markdown(f"""
- **ROI determinístico:** {roi_deterministico:.2f}%  
- Cenário pessimista ainda mostra uma **probabilidade significativa de receita abaixo de R$ {target_threshold:,.0f}**, o que indica risco operacional.
- No cenário otimista, o ROI médio ultrapassa 200%, com risco quase nulo de perdas.
- A empresa deve considerar:
  - Ajustar políticas de overbooking por rota ou perfil de cliente.
  - Integrar dados em tempo real para reduzir variabilidade.
  - Explorar precificação dinâmica para maximizar receita.
""")