src/modules/ml_dashboard.py

import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime, timedelta
import numpy as np
import time

def show_ml_features(client, sheet_name):
    # Fonction helper pour charger les données
    def get_data_from_sheet(sheet_name_tab):
        try:
            # Assurez-vous que l'objet 'client' et 'sheet_name' sont définis en amont dans votre script
            sh = client.open(sheet_name)
            ws = sh.worksheet(sheet_name_tab)
            return pd.DataFrame(ws.get_all_records())
        except:
            return pd.DataFrame()
    
    # Chargement des données nécessaires
    # Note: 'client' et 'sheet_name' doivent être définis avant ce bloc
    df_prets_master = get_data_from_sheet("Prets_Master")
    df_prets_update = get_data_from_sheet("Prets_Update")
    df_capital_invest = get_data_from_sheet("Capital_Investissement")
    df_clients = get_data_from_sheet("Clients_KYC")
    
    # === En-tête ===
    st.header("OBJECT EXPLORER")
    # Note: 'sheet_name' doit être défini
    st.success(f"✅ Liaison Directe établie") 
    
    # === CALCULS POUR LES MÉTRIQUES ===
    
    # 1. Capital de l'entreprise (somme de Capital_Investissement)
    capital_entreprise = 0
    capital_variation = 0
    if not df_capital_invest.empty and 'Capital' in df_capital_invest.columns:
        df_capital_invest['Capital_Num'] = pd.to_numeric(
            df_capital_invest['Capital'].astype(str).str.replace('FCFA', '').str.replace(' ', '').str.strip(), 
            errors='coerce'
        ).fillna(0)
        capital_entreprise = df_capital_invest['Capital_Num'].sum()
        # Variation = dernier vs précédent
        if len(df_capital_invest) > 1:
            derniere_entree = df_capital_invest.iloc[-1]['Capital_Num']
            avant_derniere = df_capital_invest.iloc[-2]['Capital_Num']
            if avant_derniere > 0:
                capital_variation = ((derniere_entree - avant_derniere) / avant_derniere) * 100
    
    # 2. Capital dehors (prêts non remboursés)
    capital_dehors = 0
    if not df_prets_master.empty and 'Montant_Capital' in df_prets_master.columns:
        df_prets_master['Montant_Capital_Num'] = pd.to_numeric(df_prets_master['Montant_Capital'], errors='coerce').fillna(0)
        capital_dehors = df_prets_master[df_prets_master['Statut'] != 'TERMINE']['Montant_Capital_Num'].sum()
    
    # 3. Flux attendu (Montant_Total des prêts non remboursés)
    flux_attendu = 0
    flux_variation = 0
    if not df_prets_master.empty and 'Montant_Total' in df_prets_master.columns:
        df_prets_master['Montant_Total_Num'] = pd.to_numeric(df_prets_master['Montant_Total'], errors='coerce').fillna(0)
        flux_attendu = df_prets_master[df_prets_master['Statut'] != 'TERMINE']['Montant_Total_Num'].sum()
        # Variation = différence avec capital dehors
        if capital_dehors > 0:
            flux_variation = ((flux_attendu - capital_dehors) / capital_dehors) * 100
    
    # 4. Score de liquidité
    score_liquidite = 0
    score_tendance = "Stable"
    if capital_entreprise > 0:
        score_liquidite = (capital_dehors / capital_entreprise) * 10
        score_liquidite = min(score_liquidite, 10)
        # Tendance basée sur le ratio
        ratio = (capital_dehors / capital_entreprise) * 100
        if ratio > 70:
            score_tendance = "▲ Élevé"
        elif ratio > 40:
            score_tendance = "→ Moyen"
        else:
            score_tendance = "▼ Faible"
    
    # 5. Bénéfices nets 2026
    benefices_nets = 0
    benefices_variation = 0
    if not df_prets_master.empty and 'Cout_Credit' in df_prets_master.columns:
        df_prets_master['Cout_Credit_Num'] = pd.to_numeric(df_prets_master['Cout_Credit'], errors='coerce').fillna(0)
        benefices_nets = df_prets_master['Cout_Credit_Num'].sum()
        # Simulation variation (peut être calculée vs mois précédent si date disponible)
        benefices_variation = 5.2  # Placeholder - à calculer avec historique
    
    # 6. Objectif 2026
    objectif_2026 = 2_200_000
    progression_objectif = (benefices_nets / objectif_2026) * 100 if objectif_2026 > 0 else 0
    
    # 7. Reste à générer
    reste_a_generer = max(0, objectif_2026 - benefices_nets)
    reste_variation = -((reste_a_generer / objectif_2026) * 100) if objectif_2026 > 0 else 0
    
    # 8. Capital total sorti
    capital_total_sorti = 0
    nb_prets_total = 0
    if not df_prets_master.empty and 'Montant_Capital' in df_prets_master.columns:
        # Convertir Montant_Capital en numérique si pas déjà fait
        if 'Montant_Capital_Num' not in df_prets_master.columns:
            df_prets_master['Montant_Capital_Num'] = pd.to_numeric(df_prets_master['Montant_Capital'], errors='coerce').fillna(0)
        
        # Prêts NON UPDATED - on prend de Prets_Master
        prets_non_updated = df_prets_master[df_prets_master['Statut'] != 'UPDATED']
        nb_prets_total = len(prets_non_updated)
        capital_total_sorti = prets_non_updated['Montant_Capital_Num'].sum()
        
        # Prêts UPDATED - on prend depuis Prets_Update
        if not df_prets_update.empty and 'ID_Pret' in df_prets_update.columns:
            df_prets_update['Montant_Capital_Num'] = pd.to_numeric(df_prets_update['Montant_Capital'], errors='coerce').fillna(0)
            prets_updated_ids = df_prets_master[df_prets_master['Statut'] == 'UPDATED']['ID_Pret'].tolist()
            prets_updated_montants = df_prets_update[df_prets_update['ID_Pret'].isin(prets_updated_ids)]
            capital_total_sorti += prets_updated_montants['Montant_Capital_Num'].sum()
            nb_prets_total += len(prets_updated_montants)
            
            # Ajouter aussi les prêts qui sont UNIQUEMENT dans Prets_Update (nouveaux prêts)
            prets_update_nouveaux = df_prets_update[~df_prets_update['ID_Pret'].isin(df_prets_master['ID_Pret'].tolist())]
            capital_total_sorti += prets_update_nouveaux['Montant_Capital_Num'].sum()
            nb_prets_total += len(prets_update_nouveaux)

    # Ajoutez le ration bénéfice net sur total sortie
    
    # === AFFICHAGE DES MÉTRIQUES (2 lignes de 4) ===
    
    # Ligne 1
    col1, col2, col3, col4 = st.columns(4)
    
    col1.metric(
        "CAPITAL D'INVESTISSEMENT", 
        f"{capital_entreprise:,.0f} XOF".replace(',', ' '),
        delta=f"{'▲' if capital_variation > 0 else '▼'} {abs(capital_variation):.1f}%" if capital_variation != 0 else "Stable"
    )
    
    col2.metric(
        "CAPITAL DEHORS", 
        f"{capital_dehors:,.0f} XOF".replace(',', ' '),
        delta=f"{(capital_dehors/capital_entreprise*100 if capital_entreprise > 0 else 0):.1f}% du capital investi"
    )
    
    col3.metric(
        "FLUX ATTENDU", 
        f"{flux_attendu:,.0f} XOF".replace(',', ' '),
        delta=f"{'▲' if flux_variation > 0 else '▼'} {abs(flux_variation):.1f}% vs capital" if flux_variation != 0 else "Stable"
    )
    
    col4.metric(
        "LIQUIDITÉ UTILISÉE", 
        f"{score_liquidite:.1f}/10",
        delta=score_tendance
    )
    
    # Ligne 2
    col5, col6, col7, col8 = st.columns(4)
    
    col5.metric(
        "BÉNÉFICES NETS 2026",
        f"{benefices_nets:,.0f} XOF".replace(',', ' '),
        delta=f"▲ {benefices_variation:.1f}%" if benefices_variation > 0 else "Stable"
    )
    
    col6.metric(
        "OBJECTIF 2026",
        f"{objectif_2026:,.0f} XOF".replace(',', ' '),
        delta=f"{progression_objectif:.1f}% atteint"
    )
    
    col7.metric(
        "RESTE À GÉNÉRER",
        f"{reste_a_generer:,.0f} XOF".replace(',', ' '),
        delta=f"▼ {abs(reste_variation):.1f}%" if reste_a_generer > 0 else "✓ Objectif atteint !"
    )
    
    # Affichage de la métrique
    col8.metric(
        "CAPITAL TOTAL SORTI",
        f"{capital_total_sorti:,.0f} XOF".replace(',', ' '),
        delta=f"{nb_prets_total} prêt{'s' if nb_prets_total > 1 else ''} tot{'aux' if nb_prets_total > 1 else 'al'}"
    )
    
    #======> ANALYSE MENSUELLE DES BÉNÉFICES <=====
    st.divider()
    st.subheader("ANALYSE MENSUELLE DES BÉNÉFICES 2026")
    
    # Préparation des données mensuelles
    if not df_prets_master.empty and 'Date_Deblocage' in df_prets_master.columns and 'Cout_Credit' in df_prets_master.columns:
        # Conversion des dates et montants
        df_prets_master['Date_Deblocage_dt'] = pd.to_datetime(df_prets_master['Date_Deblocage'], format='%d/%m/%Y', errors='coerce')
        df_prets_master['Cout_Credit_Num'] = pd.to_numeric(df_prets_master['Cout_Credit'], errors='coerce').fillna(0)
        
        # Filtrer uniquement l'année 2026
        df_2026 = df_prets_master[df_prets_master['Date_Deblocage_dt'].dt.year == 2026].copy()
        
        if not df_2026.empty:
            # Créer la colonne Mois (numérique)
            df_2026['Mois'] = df_2026['Date_Deblocage_dt'].dt.month
            
            # CRÉER d'abord benefices_mensuels
            benefices_mensuels = df_2026.groupby('Mois')['Cout_Credit_Num'].sum().reset_index()
            benefices_mensuels.columns = ['Mois', 'Benefice']
            
            # Ajouter les noms de mois
            mois_noms = {1: 'Janvier', 2: 'Février', 3: 'Mars', 4: 'Avril', 
                        5: 'Mai', 6: 'Juin', 7: 'Juillet', 8: 'Août',
                        9: 'Septembre', 10: 'Octobre', 11: 'Novembre', 12: 'Décembre'}
            benefices_mensuels['Mois_Nom'] = benefices_mensuels['Mois'].map(mois_noms)
            
            # Calculer les variations mensuelles (% vs mois précédent)
            benefices_mensuels['Variation'] = benefices_mensuels['Benefice'].pct_change() * 100
            benefices_mensuels['Variation'] = benefices_mensuels['Variation'].fillna(0)
            
            # Calculer le capital mensuel sorti (Montant_Capital)
            df_2026['Montant_Capital_Num'] = pd.to_numeric(df_2026['Montant_Capital'], errors='coerce').fillna(0)
            capital_mensuel = df_2026.groupby('Mois')['Montant_Capital_Num'].sum().reset_index()
            capital_mensuel.columns = ['Mois', 'Capital_Sorti']
            
            # Fusionner avec les bénéfices mensuels
            benefices_mensuels = benefices_mensuels.merge(capital_mensuel, on='Mois', how='left')
            benefices_mensuels['Capital_Sorti'] = benefices_mensuels['Capital_Sorti'].fillna(0)
            
            # Graphique en barres groupées avec Plotly (pleine largeur)
            fig_mensuel = go.Figure()
            
            # Barres des bénéfices
            fig_mensuel.add_trace(go.Bar(
                x=benefices_mensuels['Mois_Nom'],
                y=benefices_mensuels['Benefice'],
                name='Bénéfices',
                marker=dict(
                    color='#58a6ff',
                    line=dict(color='rgba(139, 148, 158, 0.3)', width=1.5)
                ),
                text=benefices_mensuels['Benefice'].apply(lambda x: f"{x:,.0f}".replace(',', ' ')),
                textposition='outside',
                textfont=dict(size=11, color='#c9d1d9', family='Space Grotesk'),
                opacity=0.85,
                hovertemplate='<b>%{x}</b><br>Bénéfice: %{y:,.0f} XOF<extra></extra>'
            ))
            
            # Barres du capital sorti
            fig_mensuel.add_trace(go.Bar(
                x=benefices_mensuels['Mois_Nom'],
                y=benefices_mensuels['Capital_Sorti'],
                name='Capital Sorti',
                marker=dict(
                    color='#f85149',
                    line=dict(color='rgba(139, 148, 158, 0.3)', width=1.5)
                ),
                text=benefices_mensuels['Capital_Sorti'].apply(lambda x: f"{x:,.0f}".replace(',', ' ')),
                textposition='outside',
                textfont=dict(size=11, color='#c9d1d9', family='Space Grotesk'),
                opacity=0.85,
                hovertemplate='<b>%{x}</b><br>Capital Sorti: %{y:,.0f} XOF<extra></extra>'
            ))
            
            # Mise en forme
            fig_mensuel.update_layout(
                title={
                    'text': 'Évolution des bénéfices et capital sorti mensuels (2026)',
                    'font': {'size': 16, 'color': '#c9d1d9', 'family': 'Space Grotesk'},
                    'x': 0,
                    'xanchor': 'left'
                },
                plot_bgcolor='rgba(13, 17, 23, 0.8)',
                paper_bgcolor='rgba(22, 27, 34, 0.3)',
                font={'color': '#8b949e', 'family': 'Space Grotesk', 'size': 12},
                xaxis={
                    'title': '',
                    'gridcolor': 'rgba(48, 54, 61, 0.3)',
                    'linecolor': 'rgba(48, 54, 61, 0.5)',
                    'tickfont': {'family': 'Space Grotesk', 'size': 13},
                    'tickangle': -45
                },
                yaxis={
                    'title': {
                        'text': 'Montant (XOF)',
                        'font': {'size': 13, 'family': 'Space Grotesk'}
                    },
                    'gridcolor': 'rgba(48, 54, 61, 0.3)',
                    'linecolor': 'rgba(48, 54, 61, 0.5)',
                    'tickfont': {'family': 'Space Grotesk', 'size': 12}
                },
                barmode='group',
                showlegend=True,
                legend=dict(
                    orientation='h',
                    yanchor='bottom',
                    y=1.02,
                    xanchor='right',
                    x=1,
                    font={'family': 'Space Grotesk', 'size': 12, 'color': '#c9d1d9'}
                ),
                height=550,
                margin=dict(t=100, b=120, l=80, r=30)
            )
            
            # === TREEMAP DES VARIATIONS MENSUELLES ===
            st.markdown("<h3 style='font-size: 1.1rem; color: #8b949e; margin-top: 32px; margin-bottom: 16px;'>Répartition mensuelle des bénéfices</h3>", unsafe_allow_html=True)
            
            # Préparer les données pour le treemap (uniquement les mois avec bénéfices > 0)
            df_treemap = benefices_mensuels[benefices_mensuels['Benefice'] > 0].copy()
            
            if not df_treemap.empty:
                # Ajouter les pourcentages
                total_benefices = df_treemap['Benefice'].sum()
                df_treemap['Pourcentage'] = (df_treemap['Benefice'] / total_benefices * 100).round(1)
                
                # Créer des labels avec nom du mois + pourcentage
                df_treemap['Label'] = df_treemap.apply(
                    lambda row: f"{row['Mois_Nom']}<br>{row['Pourcentage']:.1f}%", 
                    axis=1
                )
                
                # Créer le treemap
                fig_treemap = go.Figure(go.Treemap(
                    labels=df_treemap['Label'],
                    parents=[""] * len(df_treemap),  # Tous au même niveau
                    values=df_treemap['Benefice'],
                    text=df_treemap['Benefice'].apply(lambda x: f"{x:,.0f} XOF".replace(',', ' ')),
                    textposition="middle center",
                    textfont=dict(size=11, color='#ffffff', family='Space Grotesk', weight=600),
                    marker=dict(
                        colors=df_treemap['Benefice'],
                        colorscale=[
                            [0, '#1c2128'],      # Très faible - gris foncé
                            [0.2, '#30363d'],    # Faible - gris
                            [0.4, '#58a6ff'],    # Moyen - bleu principal
                            [0.6, '#79c0ff'],    # Bon - bleu clair
                            [0.8, '#a5d6ff'],    # Très bon - bleu très clair
                            [1, '#c9d1d9']       # Excellent - bleu blanc
                        ],
                        line=dict(color='#0d1117', width=2),
                        showscale=False
                    ),
                    hovertemplate='<b>%{label}</b><br>Bénéfice: %{value:,.0f} XOF<br>Part: %{percentParent}<extra></extra>'
                ))
                
                fig_treemap.update_layout(
                    plot_bgcolor='rgba(13, 17, 23, 0.8)',
                    paper_bgcolor='rgba(22, 27, 34, 0.3)',
                    font={'color': '#ffffff', 'family': 'Space Grotesk', 'size': 11},
                    height=400,
                    margin=dict(t=10, b=10, l=10, r=10)
                )
                
                st.plotly_chart(fig_treemap, use_container_width=True)
                
                # Légende des variations sous le treemap
                st.markdown("<h4 style='font-size: 0.9rem; color: #8b949e; margin-top: 24px; margin-bottom: 12px;'>Variations mensuelles</h4>", unsafe_allow_html=True)
                
                # Afficher les variations en grille 3 colonnes
                variations_cols = st.columns(3)
                
                for idx, row in df_treemap.iterrows():
                    col_index = idx % 3
                    with variations_cols[col_index]:
                        variation = row['Variation']
                        mois_nom = row['Mois_Nom'][:3]
                        
                        # Couleur et symbole
                        if variation > 0:
                            couleur = "#54bd4b"
                            symbole = "▲"
                        elif variation < 0:
                            couleur = "#f85149"
                            symbole = "▼"
                        else:
                            couleur = "#8b949e"
                            symbole = "→"
                        
                        st.markdown(f"""
                        <div style='
                            background: rgba(22, 27, 34, 0.5);
                            border-left: 3px solid {couleur};
                            padding: 10px;
                            margin-bottom: 8px;
                            border-radius: 4px;
                            font-size: 0.85rem;
                        '>
                            <div style='display: flex; justify-content: space-between; align-items: center;'>
                                <span style='color: #c9d1d9; font-weight: 500;'>{mois_nom}</span>
                                <span style='color: {couleur}; font-weight: 600;'>
                                    {symbole} {abs(variation):.1f}%
                                </span>
                            </div>
                        </div>
                        """, unsafe_allow_html=True)
                
                # Résumé
                st.divider()
                col_stat1, col_stat2, col_stat3 = st.columns(3)
                
                with col_stat1:
                    st.metric("Total 2026", f"{total_benefices:,.0f} XOF".replace(',', ' '))
                
                with col_stat2:
                    mois_max = df_treemap.loc[df_treemap['Benefice'].idxmax(), 'Mois_Nom']
                    montant_max = df_treemap['Benefice'].max()
                    st.metric("Meilleur mois", mois_max, f"{montant_max:,.0f} XOF".replace(',', ' '))
                
                with col_stat3:
                    nb_mois_actifs = len(df_treemap)
                    st.metric("Mois actifs", f"{nb_mois_actifs}/12")
            
            else:
                st.info("ℹ️ Aucun bénéfice enregistré pour créer la visualisation")
    
    else:
        st.warning("⚠️ Colonnes 'Date_Deblocage' ou 'Cout_Credit' introuvables dans Prets_Master")
        
    
    # === GOTHAM SURVEILLANCE THEME CSS ===
    st.markdown("""
    
        <style>
        @import url('https://fonts.googleapis.com/css2?family=Space+Grotesk:wght@300;400;500;600;700&display=swap');
        
        /* Fond global - tons surveillance */
        .stApp {
            background: linear-gradient(135deg, #0d1117 0%, #161b22 50%, #1c2128 100%);
        }
        
        /* Application Space Grotesk UNIQUEMENT aux contenus textuels - PAS aux boutons ni icônes */
        .stApp h1, .stApp h2, .stApp h3, .stApp h4, .stApp h5, .stApp h6,
        .stApp p:not([data-testid]),
        .stMarkdown, 
        .stText {
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        /* Headers style surveillance discrète */
        .stApp h1, .stApp h2, .stApp h3 {
            color: #58a6ff !important;
            font-family: 'Space Grotesk', sans-serif !important;
            font-weight: 500 !important;
            letter-spacing: 0.5px;
            text-shadow: none;
        }
        
        .stApp h1 {
            font-size: 1.8rem !important;
            border-bottom: 1px solid rgba(88, 166, 255, 0.2);
            padding-bottom: 12px;
        }
        
        .stApp h2 {
            font-size: 1.3rem !important;
            color: #8b949e !important;
        }
        
        /* Metrics cards - style ops center */
        [data-testid="stMetric"] {
            background: rgba(22, 27, 34, 0.6);
            border: 1px solid rgba(48, 54, 61, 0.8);
            border-radius: 6px;
            padding: 16px;
            box-shadow: 0 1px 3px rgba(0, 0, 0, 0.4);
            backdrop-filter: blur(8px);
        }
        
        [data-testid="stMetric"] label {
            color: #8b949e !important;
            font-size: 0.75rem !important;
            font-weight: 500 !important;
            text-transform: uppercase;
            letter-spacing: 0.8px;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        [data-testid="stMetric"] [data-testid="stMetricValue"] {
            color: #c9d1d9 !important;
            font-size: 1.6rem !important;
            font-weight: 600 !important;
            text-shadow: none;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        [data-testid="stMetric"] [data-testid="stMetricDelta"] {
            color: #58a6ff !important;
            font-size: 0.85rem !important;
            font-weight: 400;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        /* Boutons style ops - SANS Space Grotesk */
        .stButton > button {
            background: rgba(22, 27, 34, 0.8);
            border: 1px solid rgba(48, 54, 61, 1);
            color: #c9d1d9 !important;
            font-weight: 500;
            font-size: 0.85rem;
            letter-spacing: 0.5px;
            border-radius: 4px;
            padding: 10px 20px;
            transition: all 0.2s ease;
            box-shadow: 0 1px 2px rgba(0, 0, 0, 0.3);
        }
        
        .stButton > button:hover {
            background: rgba(33, 38, 45, 1);
            border-color: rgba(88, 166, 255, 0.4);
            box-shadow: 0 0 8px rgba(88, 166, 255, 0.15);
        }
        
        /* Expanders style surveillance */
        .streamlit-expanderHeader {
            background: rgba(22, 27, 34, 0.4);
            border-left: 2px solid rgba(88, 166, 255, 0.5);
            color: #8b949e !important;
            font-weight: 500;
            font-size: 0.9rem;
            letter-spacing: 0.3px;
            padding: 12px 16px;
            border-radius: 3px;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        .streamlit-expanderHeader:hover {
            background: rgba(22, 27, 34, 0.6);
            border-left-color: rgba(88, 166, 255, 0.8);
        }
        
        /* Dataframe style */
        .stDataFrame {
            border: 1px solid rgba(48, 54, 61, 0.6);
            border-radius: 4px;
            overflow: hidden;
            font-size: 0.85rem;
        }
        
        /* Info boxes */
        .stAlert {
            background: rgba(22, 27, 34, 0.6);
            border: 1px solid rgba(48, 54, 61, 0.8);
            border-left: 3px solid rgba(88, 166, 255, 0.6);
            border-radius: 4px;
            color: #8b949e;
            font-size: 0.9rem;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        /* Checkbox */
        .stCheckbox label {
            color: #8b949e !important;
            font-weight: 500;
            font-size: 0.85rem;
            font-family: 'Space Grotesk', sans-serif !important;
        }
        
        /* Divider */
        hr {
            border: none;
            height: 1px;
            background: rgba(48, 54, 61, 0.6);
            margin: 2rem 0;
        }
        
        /* Download button - SANS Space Grotesk */
        .stDownloadButton > button {
            background: rgba(88, 166, 255, 0.1);
            border: 1px solid rgba(88, 166, 255, 0.4);
            color: #58a6ff !important;
            font-weight: 600;
        }
        
        .stDownloadButton > button:hover {
            background: rgba(88, 166, 255, 0.15);
            border-color: rgba(88, 166, 255, 0.6);
        }
        
        /* Scrollbar customization */
        ::-webkit-scrollbar {
            width: 8px;
            height: 8px;
        }
        
        ::-webkit-scrollbar-track {
            background: rgba(13, 17, 23, 0.4);
        }
        
        ::-webkit-scrollbar-thumb {
            background: rgba(48, 54, 61, 0.8);
            border-radius: 4px;
        }
        
        ::-webkit-scrollbar-thumb:hover {
            background: rgba(88, 166, 255, 0.3);
        }
        </style>
        """, unsafe_allow_html=True)
    
    # === APPEL DU MODULE ML FEATURE STORE ===
    from Analytics.ML_Feature_Store_Analytics import show_ml_feature_store
    
    show_ml_feature_store(client, sheet_name)