Update src/modules/ml_dashboard.py

src/modules/ml_dashboard.py

@@ -5,35 +5,165 @@ import plotly.graph_objects as go
 from datetime import datetime, timedelta
 import numpy as np
 
-def show_ml_features(client, sheet_name):
-    # === En-tête et métriques principales ===
-    st.header("OBJECT EXPLORER")
-    st.success(f"✅ Liaison Directe établie avec '{sheet_name}'")
-    
-    col1, col2, col3 = st.columns(3)
-    col1.metric("CAPITAL DEHORS", "646K XOF", "▲ 5%")
-    col2.metric("FLUX ATTENDU (J+7)", "FCFA 2,2M XOF", "▼ 2%")
-    col3.metric("SCORE LIQUIDITÉ", "8.5/10")
-    
-    st.divider()
-    st.subheader("VUE ONTOLOGIQUE : CLIENTS")
-    
-    # Fonction helper pour charger les données
-    def get_data_from_sheet(sheet_name_tab):
-        try:
-            sh = client.open(sheet_name)
-            ws = sh.worksheet(sheet_name_tab)
-            return pd.DataFrame(ws.get_all_records())
-        except:
-            return pd.DataFrame()
-    
-    df_clients = get_data_from_sheet("Clients_KYC")
-    if not df_clients.empty:
-        st.dataframe(df_clients, use_container_width=True)
+
+# Fonction helper pour charger les données
+def get_data_from_sheet(sheet_name_tab):
+    try:
+        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
+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")
+st.success(f"✅ Liaison Directe établie avec '{sheet_name}'")
+
+# === 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'] != 'REMBOURSE']['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'] != 'REMBOURSE']['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:
-        st.info("ℹ️ L'onglet 'Clients_KYC' est vide ou n'existe pas encore.")
-    
-    st.divider()
+        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. Reste à payer
+reste_a_payer = 0
+nb_prets_actifs = 0
+if not df_prets_master.empty and 'Montant_Total' in df_prets_master.columns:
+    prets_actifs_master = df_prets_master[df_prets_master['Statut'] != 'REMBOURSE']
+    nb_prets_actifs = len(prets_actifs_master)
+    reste_a_payer = prets_actifs_master['Montant_Total_Num'].sum()
+    
+    # Ajouter prets_update (sans doublon)
+    if not df_prets_update.empty and 'ID_Pret' in df_prets_update.columns:
+        df_prets_update['Montant_Total_Num'] = pd.to_numeric(df_prets_update['Montant_Total'], errors='coerce').fillna(0)
+        prets_update_uniques = df_prets_update[
+            (~df_prets_update['ID_Pret'].isin(prets_actifs_master['ID_Pret'].tolist())) & 
+            (df_prets_update['Statut'] != 'REMBOURSE')
+        ]
+        reste_a_payer += prets_update_uniques['Montant_Total_Num'].sum()
+        nb_prets_actifs += len(prets_update_uniques)
+
+# === 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(
+    "SCORE LIQUIDITÉ", 
+    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 !"
+)
+
+col8.metric(
+    "RESTE À PAYER",
+    f"{reste_a_payer:,.0f} XOF".replace(',', ' '),
+    delta=f"{nb_prets_actifs} prêt{'s' if nb_prets_actifs > 1 else ''} actif{'s' if nb_prets_actifs > 1 else ''}"
+)
     
     # === GOTHAM SURVEILLANCE THEME CSS ===
     st.markdown("""
@@ -430,7 +560,7 @@ def show_ml_features(client, sheet_name):
     
     # 6. FEATURES TEMPORELLES
     with st.expander("Features Temporelles", expanded=True):
-        df_full['Date_Creation'] = pd.to_datetime(df_full['Date_Creation'], errors='coerce')
+        df_full['Date_Creation'] = pd.to_datetime(df_full.get('Date_Creation', pd.Series()), errors='coerce')
         df_full['Anciennete_Client_Jours'] = (datetime.now() - df_full['Date_Creation']).dt.days
         df_full['Anciennete_Client_Mois'] = (df_full['Anciennete_Client_Jours'] / 30.44).round(1)