customer_monitor.py

# customer_monitor.py
# -*- coding: utf-8 -*-
"""
Модуль 5: Customer Monitor
Формирует ежедневный план контактов на основе CRM parquet данных (через CRMReader)
и печатает удобную таблицу в консоль.

Примеры:
  python customer_monitor.py --data-dir ./Data --out today.csv --print
  python customer_monitor.py --data-dir ./Data --out today.parquet --out-format parquet --limits 3 3 3 3 3
"""

from __future__ import annotations
import argparse
import sys
from typing import Dict, List

import pandas as pd

from access_parquet import CRMReader, WON_STAGE
from llm_client import LLMClient # Добавлено для генерации сводки



# --------------------------- ВСПОМОГАТЕЛЬНОЕ ---------------------------------

def _safe_to_utc(ts) -> pd.Timestamp | None:
    if ts is None or pd.isna(ts):
        return None
    t = pd.to_datetime(ts, errors="coerce", utc=True)
    return None if pd.isna(t) else t


def _fmt_dt(ts) -> str:
    t = _safe_to_utc(ts)
    return t.tz_convert("Europe/Amsterdam").strftime("%Y-%m-%d %H:%M") if t is not None else "—"


def _fmt_money(x) -> str:
    if x is None or pd.isna(x):
        return "—"
    try:
        return f"{float(x):,.0f}".replace(",", " ")
    except Exception:
        return str(x)


def _print_markdown_table(df: pd.DataFrame, title: str = "План дня"):
    """Печатает DataFrame как красивую markdown-таблицу."""
    if df.empty:
        print(f"\n**{title}**: результатов нет.")
        return

    printable = df.copy()
    # Форматирование для вывода
    printable["last_deal_amount"] = printable["last_deal_amount"].map(_fmt_money)
    printable["recent_interactions"] = printable["recent_interactions"].astype(int)

    # Заголовки таблицы
    headers = {
        "client": "Клиент",
        "contact": "Контакт",
        "recent_interactions": "Взаимодействия (30д)",
        "last_deal_amount": "Сумма посл. сделки",
        "last_stage": "Стадия",
        "reason": "Приоритет",
        "last_notes": "Заметки",
    }
    printable = printable.rename(columns=headers)
    printable = printable[list(headers.values())]

    # Конвертация в markdown
    md_table = printable.to_markdown(index=False, tablefmt="pipe")

    # Вывод в stdout
    output = f"\n### {title}\n\n{md_table}\n"
    sys.stdout.buffer.write(output.encode("utf-8"))



# ------------------------------ МОНИТОР --------------------------------------

def generate_plan_summary(llm: LLMClient, limits: dict) -> str:
    """Генерирует текстовое описание логики выборки клиентов с помощью LLM."""
    if not llm:
        return ""

    criteria_prompt = f"""
    Кратко, в 2-3 предложениях, опиши для менеджера по продажам, по какому принципу был сформирован план контактов на сегодня.
    Используй дружелюбный, но деловой тон.

    Критерии и лимиты выборки:
    1. Давно не связывались (last_contact_at): {limits['long_no_contact']} клиента(ов).
       Цель: предложить новые продукты.
    2. Ближайший запланированный контакт (next_contact_at): {limits['upcoming_contact']} клиента(ов).
       Цель: напомнить о встрече.
    3. Направлено предложение (stage=proposal): {limits['proposal_stage']} клиента(ов).
       Цель: получить обратную связь.
    4. Недавняя успешная сделка (stage=won): {limits['recent_won']} клиента(ов).
       Цель: предложить сопутствующие товары.
    5. Высокая вероятность закрытия (probability > 80%): {limits['high_prob']} клиента(ов).
       Цель: договориться о дате сделки.
    """
    try:
        response = llm.chat(
            messages=[{"role": "user", "content": criteria_prompt}],
            system_prompt="Ты — AI-ассистент, который помогает менеджеру по продажам понять его план работы."
        )
        return response.text.strip() if response.text else ""
    except Exception as e:
        print(f"[!] Не удалось сгенерировать сводку: {e}", file=sys.stderr)
        return ""


class CustomerMonitor:
    """
    Строит due-список по 5 правилам:
      1)  Давно не связывались — сорт. по last_contact_at ↑
      2)  Ближайший запланированный контакт — сорт. по next_contact_at ↑
      3)  Stage = proposal — ближайшие по next_contact_at (или last_contact_at)
      4)  Недавно won (30 дней) — предложить сопутствующие
      5)  Высокая вероятность > threshold — договориться о дате
    """
    def __init__(self, reader: CRMReader, now: pd.Timestamp | None = None):
        self.reader = reader
        self.now = pd.Timestamp.now(tz="UTC") if now is None else pd.to_datetime(now, utc=True)

    def _recent_interactions_count(self, client_id: int, days: int = 30) -> int:
        cutoff = self.now - pd.Timedelta(days=days)
        return int(self.reader.get_recent_interactions(client_id, since=cutoff).shape[0])

    def _last_deal_info(self, client_id: int):
        deals = self.reader.get_client_deals(client_id).sort_values("updated_at", ascending=False)
        if deals.empty:
            return None, None
        d = deals.iloc[0]
        return d.get("amount"), d.get("stage")

    def _pack(self, row: pd.Series, reason: str) -> dict:
        amount, stage = self._last_deal_info(int(row["client_id"]))
        return {
            "client_id": int(row["client_id"]),
            "client": row.get("organisation") or row.get("name"),
            "contact": row.get("contact_name"),
            "recent_interactions": self._recent_interactions_count(int(row["client_id"])),
            "last_notes": row.get("notes", ""),
            "last_deal_amount": amount,
            "last_stage": stage,
            "reason": reason,
        }

    def build_due_list_df(
        self,
        limits: Dict[str, int] | None = None,
        won_days: int = 30,
        high_prob_threshold: float = 0.80
    ) -> pd.DataFrame:

        limits = limits or {
            "long_no_contact": 2,
            "upcoming_contact": 2,
            "proposal_stage": 2,
            "recent_won": 2,
            "high_prob": 2,
        }

        clients = self.reader.clients()
        deals = self.reader.deals()

        due_rows: List[dict] = []

        # 1) Давно не связывались
        if "last_contact_at" in clients.columns:
            df = clients.sort_values("last_contact_at", ascending=True)
            for _, row in df.head(limits["long_no_contact"]).iterrows():
                due_rows.append(self._pack(row, "Давно не связывались"))

        # 2) Ближайший запланированный контакт
        if "next_contact_at" in clients.columns:
            df = clients.sort_values("next_contact_at", ascending=True)
            for _, row in df.head(limits["upcoming_contact"]).iterrows():
                due_rows.append(self._pack(row, "Напоминание о встрече"))

        # 3) Stage = proposal
        if not deals.empty and "stage" in deals.columns:
            prop = deals[deals["stage"] == "proposal"]
            # упорядочим по ближайшему событию (если есть), иначе по последнему контакту
            cids = prop["client_id"].unique()
            subset = clients[clients["client_id"].isin(cids)].copy()
            if "next_contact_at" in subset.columns:
                subset = subset.sort_values("next_contact_at", ascending=True)
            elif "last_contact_at" in subset.columns:
                subset = subset.sort_values("last_contact_at", ascending=True)
            for _, row in subset.head(limits["proposal_stage"]).iterrows():
                due_rows.append(self._pack(row, "Есть предложение — нужна обратная связь"))

        # 4) Недавно won (за won_days)
        if not deals.empty and {"stage", "updated_at"}.issubset(deals.columns):
            cutoff = self.now - pd.Timedelta(days=won_days)
            won_recent = deals[(deals["stage"] == WON_STAGE) & (deals["updated_at"] >= cutoff)]
            cids = won_recent["client_id"].unique()
            subset = clients[clients["client_id"].isin(cids)].copy()
            # чтобы не предлагать тех, кто уже был в первых двух списках, позже будет dedup
            if "last_contact_at" in subset.columns:
                subset = subset.sort_values("last_contact_at", ascending=True)
            for _, row in subset.head(limits["recent_won"]).iterrows():
                due_rows.append(self._pack(row, "Недавно выигранная сделка — предложить сопутствующие"))

        # 5) Высокая вероятность > threshold
        if not deals.empty and "probability" in deals.columns:
            high = deals[deals["probability"] > high_prob_threshold]
            # отдаём приоритет самой высокой вероятности
            high = high.sort_values("probability", ascending=False)
            seen = set()
            picked = 0
            for _, d in high.iterrows():
                cid = int(d["client_id"])
                if cid in seen:
                    continue
                seen.add(cid)
                row = clients.loc[[cid]]
                if row.empty:
                    continue
                due_rows.append(self._pack(row.iloc[0], "Высокая вероятность сделки — назначить дату"))
                picked += 1
                if picked >= limits["high_prob"]:
                    break

        # Объединение, удаление дублей клиентов, сохранение первой по приоритету причины
        df = pd.DataFrame(due_rows)
        if df.empty:
            return df

        # Порядок правил = приоритету: 2 (встречи), 5 (high prob), 3 (proposal), 1 (давно), 4 (won)
        priority = {
            "Напоминание о встрече": 1,
            "Высокая вероятность сделки — назначить дату": 2,
            "Есть предложение — нужна обратная связь": 3,
            "Давно не связывались": 4,
            "Недавно выигранная сделка — предложить сопутствующие": 5,
        }
        df["__prio"] = df["reason"].map(priority).fillna(9).astype(int)
        # keep first by priority
        df = df.sort_values(["__prio", "client_id"], ascending=[True, True])
        df = df.drop_duplicates(subset="client_id", keep="first")
        df = df.drop(columns="__prio")

        # Удобный порядок колонок
        cols = ["client_id", "client", "contact", "recent_interactions", "last_deal_amount", "last_stage", "reason", "last_notes"]
        return df.reindex(columns=[c for c in cols if c in df.columns])

    def build_due_list(self, limits: Dict[str, int] | None = None) -> str:
        """Строит форматированный строковый отчет для вывода пользователю."""
        df = self.build_due_list_df(limits=limits)
        if df.empty:
            return "На сегодня приоритетных клиентов для контакта нет."

        def format_group(title: str, data: pd.DataFrame) -> str:
            if data.empty:
                return ""
            header = f"### {title}\n"
            lines = [f"- {row['client']} ({row['contact']})" for _, row in data.iterrows()]
            return header + "\n".join(lines) + "\n"

        output_parts = []
        reasons = {
            "Давно не связывались": "Клиенты, с кем давно не было связи (для презентации новых продуктов):",
            "Напоминание о встрече": "Клиенты с ближайшим запланированным контактом (напомнить о встрече):",
            "Есть предложение — нужна обратная связь": "Клиенты, которым направлено предложение (получить обратную связь):",
            "Недавно выигранная сделка — предложить сопутствующие": "Клиенты с недавней успешной сделкой (предложить сопутствующие товары):",
            "Высокая вероятность сделки — назначить дату": "Клиенты с высокой вероятностью закрытия сделки (договориться о дате):",
        }

        for reason, title in reasons.items():
            group_df = df[df["reason"] == reason]
            output_parts.append(format_group(title, group_df))

        return "\n".join(filter(None, output_parts))

# --------------------------------- CLI ---------------------------------------

def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("--data-dir", default="Data", help="Папка с parquet-файлами")
    ap.add_argument("--out", default="due_list.csv", help="Файл для сохранения (csv/parquet)")
    ap.add_argument("--out-format", choices=["csv", "parquet"], default="csv")
    ap.add_argument("--limits", nargs=5, type=int, metavar=("LNO","UP","PROP","WON","HP"),
                    help="Лимиты по правилам: long_no_contact, upcoming, proposal, won, high_prob")
    ap.add_argument("--won-days", type=int, default=30, help="Окно для 'recent won', дней")
    ap.add_argument("--high-prob", type=float, default=0.80, help="Порог вероятности для 'high probability'")
    ap.add_argument("--no-print", dest="do_print", action="store_false", help="Не выводить таблицу в консоль")
    ap.add_argument("--llm-summary", action="store_true", help="Добавить сводку от LLM")
    args = ap.parse_args()

    reader = CRMReader(data_dir=args.data_dir)
    monitor = CustomerMonitor(reader)
    llm = LLMClient() if args.llm_summary else None

    limits_values = args.limits or [2, 2, 2, 2, 2]
    limit_keys = ["long_no_contact", "upcoming_contact", "proposal_stage", "recent_won", "high_prob"]
    limits = dict(zip(limit_keys, limits_values))

    df = monitor.build_due_list(
        limits=limits,
        won_days=args.won_days,
        high_prob_threshold=args.high_prob,
    )

    # Печать
    if args.do_print:
        title = "План контактов на сегодня"
        if llm:
            summary = generate_plan_summary(llm, limits)
            if summary:
                sys.stdout.buffer.write(f"\n{summary}\n".encode("utf-8"))

        _print_markdown_table(df, title=title)

    # Сохранение
    if args.out:
        if args.out_format == "csv":
            df.to_csv(args.out, index=False, encoding="utf-8-sig")
        else:
            df.to_parquet(args.out, index=False)
        print(f"\n[ok] Сохранено {len(df)} строк в {args.out}")


if __name__ == "__main__":
    main()