app.py

import gradio as gr
import pandas as pd
import numpy as np
import os
from openai import OpenAI

# --- 設定 ---
api_key = os.getenv("OPENAI_API_KEY")

# 固定ファイル名
MASTER_FILE = "master.csv"
PLM_FILE = "plm.csv"

def robust_read_csv(path, target_columns):
    """
    タイトル行や空行をスキップし、特定のカラム名が含まれる行をヘッダーとして自動認識して読み込む。
    """
    if not os.path.exists(path):
        return None, f"ファイル '{path}' が見つかりません。"

    encodings = ['cp932', 'utf-8', 'shift_jis']
    for enc in encodings:
        try:
            # まずはヘッダーなしで全行読み込む
            raw_df = pd.read_csv(path, encoding=enc, header=None, on_bad_lines='skip', engine='python')
            
            # ターゲットとなるカラム名が含まれる行を探す
            header_idx = None
            for i, row in raw_df.iterrows():
                row_values = [str(x) for x in row.values]
                # target_columnsのいずれかが含まれている行をヘッダーとみなす
                if any(col in row_values for col in target_columns):
                    header_idx = i
                    break
            
            if header_idx is not None:
                # 特定した行をヘッダーとして再読み込み
                df = pd.read_csv(path, encoding=enc, skiprows=header_idx)
                # カラム名に含まれる改行コードなどを除去
                df.columns = [str(c).replace('\n', '').strip() for c in df.columns]
                return df, None
            else:
                return None, f"ヘッダー行（{target_columns}）が見つかりませんでした。"
                
        except UnicodeDecodeError:
            continue
        except Exception as e:
            return None, str(e)
            
    return None, "文字コードの判定に失敗しました。"

# データの読み込み（起動時に実行）
# 原紙マスタは「品番」、PLMは「代表銘柄」をキーにヘッダーを探索
M_DF, M_ERR = robust_read_csv(MASTER_FILE, ["品番", "親品番", "銘柄名"])
P_DF, P_ERR = robust_read_csv(PLM_FILE, ["代表銘柄", "品名", "材料名"])

def analyze_cd_logic(target_brand):
    # エラーチェック
    if M_DF is None: return f"❌ マスタ読み込みエラー: {M_ERR}"
    if P_DF is None: return f"❌ PLMデータ読み込みエラー: {P_ERR}"
    if not api_key: return "❌ OpenAI APIキーが未設定です。"
    if not target_brand: return "⚠️ 銘柄名または親品番を入力してください。"

    client = OpenAI(api_key=api_key)

    try:
        # 1. 銘柄検索ロジック (親品番、銘柄名、一般名称銘柄)
        # カラム名の揺れに対応（マスタ側）
        brand_mask = (M_DF['親品番'].astype(str) == target_brand) | \
                     (M_DF['銘柄名'].astype(str) == target_brand)
        
        # 3列目（一般名称銘柄）も検索対象に
        if M_DF.shape[1] > 2:
            brand_mask |= (M_DF.iloc[:, 2].astype(str) == target_brand)
        
        brand_data = M_DF[brand_mask]
        
        if brand_data.empty:
            return f"❌ 銘柄「{target_brand}」はマスタに見つかりません。"
        
        spec = brand_data.iloc[0]
        
        # 2. 製品紐付け（PLM側）
        related_prods = P_DF[P_DF['代表銘柄'].astype(str) == target_brand]
        prod_names = related_prods['品名'].unique()[:5] if not related_prods.empty else ["紐付けなし"]

        # 3. CDロジック判定（資材1G戦略に基づく）
        findings = []

        # A. 共用銘柄化（メーカー集約）
        all_variants = M_DF[M_DF['親品番'] == spec['親品番']].copy()
        all_variants['price'] = pd.to_numeric(all_variants['仕入単価（新）'], errors='coerce')
        if all_variants['製紙会社'].nunique() > 1:
            p_max = all_variants['price'].max()
            p_min = all_variants['price'].min()
            if p_max > p_min:
                findings.append(f"【共用銘柄化】同一品番内で複数メーカー混在。単価差 {p_max - p_min:.1f}円/kg。安値メーカーへの全量集約。")

        # B. 環境対応（1Gナレッジ）
        if str(spec.get('古紙使用フラグ')) == '1':
            findings.append("【環境対応見直し】古紙配合品からFSC認証紙へのスペック変更。1G事例（▲18M/年）に基づくコスト構造の改善。")

        # C. 価値の再定義（一般品化）
        if '1' in [str(spec.get('特抄フラグ')), str(spec.get('特寸フラグ'))]:
            findings.append("【価値の再定義】特注仕様（特抄・特寸）を廃止し、一般流通品へ集約。供給ソース固定化の解消と相見積の実施。")

        # D. 仕様変更（薄物化）
        gram = pd.to_numeric(spec['坪量　g/㎡'], errors='coerce')
        if not np.isnan(gram) and gram > 70:
            findings.append(f"【仕様変更】現行{gram}g/㎡。オーバースペックの可能性。一段階下の米坪（薄物化）による原資コスト低減。")

        if not findings:
            return "💡 明確な自動判定ロジックに該当する施策は見つかりませんでした。市場市況に基づく価格交渉、または物流商流の効率化を検討してください。"

        # 4. AIによる具体的施策の肉付け
        prompt = f"""
        あなたは製造業の戦略調達プロフェッショナルです。以下のデータ分析結果に基づき、実務に即した「CD施策シート」を作成してください。
        
        【対象銘柄情報】
        銘柄: {spec['銘柄名']}
        製紙会社: {spec['製紙会社']} / 現行単価: {spec['仕入単価（新）']}円
        主要使用製品: {', '.join(prod_names)}
        検出された論理: {" / ".join(findings)}
        
        【出力ルール】
        - 交渉メール案、反論対策、導入文、挨拶は一切含めないでください。
        - 以下の4項目を1セットとして、各切り口ごとに鋭く、論理的なアクションを出力してください。
        
        1. 切り口
        2. 具体的な方法
        3. 現状の課題（データからの根拠）
        4. 提案内容と期待効果（具体的アクションプラン）
        """

        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[{"role": "system", "content": "あなたは論理的で実務に厳しい調達分析官です。"},
                      {"role": "user", "content": prompt}],
            temperature=0.3
        )
        return response.choices[0].message.content

    except Exception as e:
        return f"🚨 解析エラー: {str(e)}"

# --- Gradio UI ---
with gr.Blocks(theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 🛡️ CDG AI Strategist - 論理分析特化版")
    gr.Markdown("不規則なCSV形式にも対応した強化版読み込みエンジンを搭載しています。")
    
    with gr.Row():
        with gr.Column(scale=1):
            brand_input = gr.Textbox(label="銘柄名 / 親品番 を入力", placeholder="例: Jｳﾒ70AC")
            btn = gr.Button("CD戦略を生成", variant="primary")
            
            # ステータス表示
            if M_DF is not None:
                gr.Markdown(f"✅ 原紙マスタ: {len(M_DF)}行 読み込み完了")
            else:
                gr.Markdown(f"❌ 原紙マスタ: {M_ERR}")
            
            if P_DF is not None:
                gr.Markdown(f"✅ PLMデータ: {len(P_DF)}行 読み込み完了")
            else:
                gr.Markdown(f"❌ PLMデータ: {P_ERR}")
                
        with gr.Column(scale=2):
            output = gr.Markdown(label="CD施策詳細レポート")

    btn.click(fn=analyze_cd_logic, inputs=brand_input, outputs=output)

if __name__ == "__main__":
    demo.launch()