Upload app.py.txt

app.py.txt

@@ -1,171 +1,112 @@
-import streamlit as st
+import gradio as gr
 import pandas as pd
 import numpy as np
 import os
 from openai import OpenAI
 
-# --- ページ設定 ---
-st.set_page_config(page_title="CDG AI Strategist - 論理分析特化版", layout="wide")
-
 # --- OpenAI設定 ---
 api_key = os.getenv("OPENAI_API_KEY")
-if api_key:
+
+def analyze_cd_logic(m_file, p_file, target_brand):
+    if not api_key:
+        return "❌ OpenAI APIキーが設定されていません。Settings > Secretsを確認してください。"
+    if m_file is None or p_file is None or not target_brand:
+        return "⚠️ 原紙マスタ、製品マップの両方をアップロードし、銘柄名を入力してください。"
+
     client = OpenAI(api_key=api_key)
-else:
-    st.error("🔑 OpenAI APIキーをSettings > Secretsに登録してください。")
 
-# --- データ読み込み ---
-def load_data(m_file, p_file):
     try:
-        m_df = pd.read_csv(m_file)
+        # データ読み込み
+        m_df = pd.read_csv(m_file.name)
         if '1' in m_df.columns:
             m_df.columns = m_df.iloc[0]
             m_df = m_df[1:].reset_index(drop=True)
-        p_df = pd.read_csv(p_file)
+            
+        p_df = pd.read_csv(p_file.name)
         if '基礎情報' in p_df.columns:
             p_df.columns = p_df.iloc[0]
             p_df = p_df[1:].reset_index(drop=True)
-        return m_df, p_df
+
+        # 1. 銘柄特定ロジック
+        mask = (m_df['親品番'].astype(str) == target_brand) | \
+               (m_df['銘柄名'].astype(str) == target_brand) | \
+               (m_df.iloc[:, 2].astype(str) == target_brand)
+        
+        brand_data = m_df[mask]
+        if brand_data.empty:
+            return f"❌ 銘柄「{target_brand}」は見つかりませんでした。"
+        
+        spec = brand_data.iloc[0]
+        findings = []
+
+        # --- ロジック抽出 ---
+        # A. 共用銘柄化（単価差）
+        all_same_parent = m_df[m_df['親品番'] == spec['親品番']].copy()
+        all_same_parent['price'] = pd.to_numeric(all_same_parent['仕入単価（新）'], errors='coerce')
+        if all_same_parent['製紙会社'].nunique() > 1:
+            findings.append(f"【共用銘柄化】同一品番内で単価乖離あり(最大差:{all_same_parent['price'].max() - all_same_parent['price'].min()}円)。安値メーカーへの集約。")
+
+        # 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成功事例(▲18M)に基づくコストダウン。")
+
+        # C. 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】特抄・特寸仕様を廃止し、汎用JIS規格品へ切り替え。競争環境の再構築。")
+
+        # D. 坪量適正化
+        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/㎡。製品要件を再定義し薄物化による面積単価低減。")
+
+        if not findings:
+            return "💡 明確な自動判定ロジックに該当する施策が見つかりませんでした。個別交渉を検討してください。"
+
+        # OpenAIによる詳細化
+        prompt = f"""
+        あなたは調達戦略スペシャリストです。以下の分析結果を、実務的な「CD施策シート」に変換してください。
+        交渉メール、挨拶、反論対策は一切不要です。論理性と具体的アクションのみを出力してください。
+
+        【対象銘柄】: {target_brand} ({spec['製紙会社']} / {spec['仕入単価（新）']}円)
+        【抽出された事実】:
+        {"/".join(findings)}
+
+        【出力項目】
+        各項目について以下を記載：
+        1. 切り口
+        2. 具体的な方法
+        3. 現状の課題（データ根拠）
+        4. 提案内容と期待効果（具体的アクション）
+        """
+
+        response = client.chat.completions.create(
+            model="gpt-4o",
+            messages=[{"role": "system", "content": "論理的な調達分析官として振る舞ってください。"},
+                      {"role": "user", "content": prompt}],
+            temperature=0.3
+        )
+        return response.choices[0].message.content
+
     except Exception as e:
-        st.error(f"データ読込エラー: {e}")
-        return None, None
-
-# --- 徹底的な論理分析エンジン ---
-def run_deep_analysis(target, m_df, p_df):
-    # 検索（親品番・銘柄名・一般名称）
-    mask = (m_df['親品番'].astype(str) == target) | \
-           (m_df['銘柄名'].astype(str) == target) | \
-           (m_df.iloc[:, 2].astype(str) == target)
-    
-    brand_data = m_df[mask]
-    if brand_data.empty: return None, None, []
-    
-    spec = brand_data.iloc[0]
-    category = spec['分類']
-    prods = p_df[p_df['代表銘柄'].astype(str) == target]
-    
-    findings = []
+        return f"解析エラー: {str(e)}"
 
-    # 1. 競争環境（メーカー集約・単価差）
-    all_same_parent = m_df[m_df['親品番'] == spec['親品番']].copy()
-    all_same_parent['price'] = pd.to_numeric(all_same_parent['仕入単価（新）'], errors='coerce')
-    unique_mfrs = all_same_parent['製紙会社'].unique()
+# --- Gradio UI ---
+with gr.Blocks(title="CDG AI Strategist") as demo:
+    gr.Markdown("# 🛡️ CDG AI Strategist - 資材1G論理分析")
+    gr.Markdown("原紙マスタと製品マップから、利益貢献の切り口に基づいた具体的CD案を生成します。")
     
-    if len(unique_mfrs) > 1:
-        findings.append({
-            "切り口": "共用銘柄化・メーカー集約",
-            "具体的な方法": "最安値メーカーへの全量集約",
-            "データ根拠": f"同一品番で{len(unique_mfrs)}社（{', '.join(unique_mfrs)}）が混在。単価差 {all_same_parent['price'].max() - all_same_parent['price'].min()}円/kgを確認。"
-        })
-
-    # 2. 一般品化（特抄・特寸フラグ）
-    if str(spec.get('特抄フラグ')) == '1' or str(spec.get('特寸フラグ')) == '1':
-        findings.append({
-            "切り口": "価値の再定義・一般品化",
-            "具体的な方法": "特殊仕様（特抄・特寸）の廃止と汎用品への切替",
-            "データ根拠": f"現行品は特抄/特寸フラグが立っており、特定の供給元に固定。一般流通品への置換余地あり。"
-        })
-
-    # 3. 環境対応（1Gナレッジ：古紙→FSC）
-    if str(spec.get('古紙使用フラグ')) == '1':
-        findings.append({
-            "切り口": "環境対応の見直し",
-            "具体的な方法": "古紙配合品からFSC認証紙へのスペック変更",
-            "データ根拠": "古紙配合によるコスト高（または供給不安）をFSC化（▲18Mの成功事例に準拠）で解消。"
-        })
-
-    # 4. 整理統合（寸法多寡）
-    same_name_variants = m_df[m_df['銘柄名'] == spec['銘柄名']]
-    dims = same_name_variants['寸法（幅）　mm'].nunique()
-    if dims >= 3:
-        findings.append({
-            "切り口": "仕様変更：整理統合（寸法）",
-            "具体的な方法": "近似寸法の統合によるロット拡大",
-            "データ根拠": f"同一銘柄名で{dims}種類の寸法が並立。標準寸法へ集約し、製造効率UPによる単価引き下げ交渉。"
-        })
-
-    # 5. 薄物化（坪量）
-    gram = pd.to_numeric(spec['坪量　g/㎡'], errors='coerce')
-    category_avg = pd.to_numeric(m_df[m_df['分類'] == category]['坪量　g/㎡'], errors='coerce').mean()
-    if not np.isnan(gram) and gram > category_avg:
-        findings.append({
-            "切り口": "仕様変更：坪量変更（薄物化）",
-            "具体的な方法": "現状の強度要件を再定義し、一段階下の米坪へ変更",
-            "データ根拠": f"分類「{category}」の平均({category_avg:.1f}g/㎡)に対し、現行{gram}g/㎡と重厚。面積単価の低減が可能。"
-        })
-
-    # 6. 市場対応（商流整理）
-    if '24年(重量)' in spec and pd.to_numeric(spec['24年(重量)'], errors='coerce') > 500000:
-        findings.append({
-            "切り口": "調達見直し：物流・商流",
-            "具体的な方法": "代理店マージンの見直しまたは物流ルートの最短化",
-            "データ根拠": f"年間購入重量 {spec['24年(重量)']}kgと大口。直送化または商流整理による手数料削減のインパクト大。"
-        })
-
-    return spec, prods, findings
-
-# --- UI構築 ---
-st.title("🛡️ CDG AI Strategist - 完全論理分析レポート")
-st.markdown("### 資材1G 利益貢献ロジックに基づくCD案生成")
-
-with st.sidebar:
-    st.header("📁 データソース")
-    m_file = st.file_uploader("原紙マスタ（CSV）", type="csv")
-    p_file = st.file_uploader("製品マップ（CSV）", type="csv")
-
-target_brand = st.text_input("分析対象（親品番・銘柄名）", placeholder="Jｳﾒ70AC")
-
-if st.button("CD戦略案を生成"):
-    if m_file and p_file and target_brand:
-        m_df, p_df = load_data(m_file, p_file)
-        spec, prods, findings = run_deep_analysis(target_brand, m_df, p_df)
+    with gr.Row():
+        with gr.Column():
+            m_input = gr.File(label="1. 原紙マスタ(CSV)をアップロード")
+            p_input = gr.File(label="2. 製品マップ(CSV)をアップロード")
+            brand_input = gr.Textbox(label="3. 分析対象の銘柄名を入力", placeholder="例: Jｳﾒ70AC")
+            btn = gr.Button("分析実行", variant="primary")
         
-        if spec is not None:
-            # 1. 銘柄特定
-            st.header("1. 銘柄・製品特定結果")
-            col1, col2 = st.columns(2)
-            with col1:
-                st.info(f"**銘柄:** {spec['銘柄名']} / **分類:** {spec['分類']}")
-                st.write(f"**メーカー:** {spec['製紙会社']} | **単価:** ¥{spec['仕入単価（新）']}/kg")
-            with col2:
-                st.info(f"**使用製品群**")
-                st.write(", ".join(prods['品名'].unique()[:5]) if not prods.empty else "紐付けなし")
-
-            # 2. CD案（AIによる具体化）
-            st.header("2. 切り口別の具体的CD案")
-            if findings:
-                # 分析で見つかった「ネタ」をAIに渡して、各々の具体的なアクションプランを作成させる
-                with st.spinner("論理的整合性を確認し、詳細案を作成中..."):
-                    
-                    data_summary = "\n".join([f"- {f['切り口']}: {f['具体的な方法']} (根拠: {f['データ根拠']})" for f in findings])
-                    
-                    prompt = f"""
-                    あなたは製造業の調達戦略スペシャリストです。
-                    以下のデータ分析結果に基づき、各「切り口」と「具体的な方法」に沿った、論理的に完璧なCD案を作成してください。
-                    
-                    【入力データ】
-                    対象銘柄: {spec['銘柄名']} ({spec['分類']})
-                    分析で見つかった事実:
-                    {data_summary}
-                    
-                    【出力形式】
-                    以下の項目に沿って、各切り口ごとに簡潔かつ鋭い論理で出力してください。
-                    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）
-                    
-                    ※交渉メールや挨拶、反論対策はいりません。実務的な「CD施策シート」として出力してください。
-                    """
-                    
-                    response = client.chat.completions.create(
-                        model="gpt-4o",
-                        messages=[{"role": "system", "content": "あなたは論理的な調達分析官です。"},
-                                  {"role": "user", "content": prompt}],
-                        temperature=0.4
-                    )
-                    st.markdown(response.choices[0].message.content)
-            else:
-                st.warning("現在のマスタデータからは、自動判定されるCDネタが見つかりませんでした。")
-        else:
-            st.error("銘柄が見つかりません。")
+        with gr.Column():
+            output = gr.Markdown(label="CD施策詳細レポート")
+
+    btn.click(fn=analyze_cd_logic, inputs=[m_input, p_input, brand_input], outputs=output)
+
+# HuggingFace用の起動設定
+if __name__ == "__main__":
+    demo.launch()