Guide des corrections manuelles - PT1CE¶

Table des matières¶

Principe des corrections
Format des fichiers
Stratégies de correction
Processus technique
Exemples pratiques
Validation et contrôles

Principe des corrections¶

Objectif¶

Les corrections manuelles permettent d'ajuster les corridors identifiés comme sous-optimaux après l'application automatique des nouveaux prix.

Cas nécessitant correction¶

PL6 = PAS : La borne maximale a atteint le prix d'achat
Bornes incohérentes : Non respect de l'ordre croissant
Ajustements métier : Décisions commerciales spécifiques

Workflow de correction¶

graph LR
    A[Analyser CSV<br/>sous-optimaux] --> B{Corrections<br/>nécessaires?}
    B -->|OUI| C[Créer fichiers<br/>corrections]
    B -->|NON| D[Export SAP direct]

    C --> E[Exécuter<br/>corrections]
    E --> F[Vérifier<br/>résultats]
    F --> G{OK?}
    G -->|NON| C
    G -->|OUI| D

    style A fill:#ffcc99
    style C fill:#99ff99
    style E fill:#99ccff

Format des fichiers¶

Structure générale¶

Les fichiers de correction suivent un format CSV strict avec :
- Colonnes d'identification du corridor
- Colonnes de nouvelles bornes
- Possibilité de corrections partielles

Format ZOOM1/ZOOM2¶

Avec dimension géographique :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;GEO;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075130;RCI PI GI;REST. TRADI;IDF;13,500;14,200;15,800;17,200;18,900;21,500
075131;RSI HM;ENSEIGNEMENT;NORD;9,250;9,750;10,800;11,750;12,900;14,650

Format ZOOM3¶

Sans dimension géographique :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075150;RSC HM;AUTRES;3,665;3,855;4,275;4,660;5,115;5,820
075150;NATIONAL;NATIONAL;3,665;3,855;4,275;4,660;5,115;5,820

Cas particulier : Corridors NATIONAL¶

Pour corriger un corridor NATIONAL :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;NEW_BORNE_PL1_PL2;...
075150;NATIONAL;NATIONAL;3,665;...

Corrections partielles¶

Possibilité de ne modifier que certaines bornes :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;GEO;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075140;RSI HM;SOCIAL;EST;;7,590;8,420;9,170;10,070;11,450

→ PL1 non modifié, corrections à partir de PL2

075142;RCI PI GI;HOTELS;OUEST;16,600;;19,200;20,900;22,980;26,150

→ PL1 et PL3-PL6 modifiés, PL2 conservé

Stratégies de correction¶

Stratégie 1 : Ajustement minimal¶

Pour un corridor avec PL6 = PAS :

Problème :
PAS = 10,00€
PL6 = 10,00€ (= PAS)

Solution minimale :
Augmenter PL6 de 5-10% au-dessus du PAS
PL6 = 10,50€ ou 11,00€

Stratégie 2 : Redistribution complète¶

Recalculer toutes les bornes avec de nouveaux écarts :

Ancien corridor problématique :
PAS = 15,00€
PL1 = 16,50€ (+10%)
PL2 = 16,00€ (+6.7%)
PL3 = 15,80€ (+5.3%)
PL4 = 15,50€ (+3.3%)
PL5 = 15,20€ (+1.3%)
PL6 = 15,00€ (+0%) ← Problème

Nouvelle distribution :
PL1 = 17,25€ (+15%)
PL2 = 16,80€ (+12%)
PL3 = 16,35€ (+9%)
PL4 = 15,90€ (+6%)
PL5 = 15,45€ (+3%)
PL6 = 15,15€ (+1%)

Stratégie 3 : Alignement sur corridors similaires¶

Analyser des corridors similaires optimaux :

-- Trouver corridors similaires optimaux
SELECT *
FROM PT1CE_OPTIMAL_ZOOM1
WHERE ID_ART = '075130'
  AND TYPE_CLIENT = 'RCI PI GI'
  AND STATUS = 'OPTIMAL'
  AND ABS(NEW_PAS - 15.00) < 1.00  -- PAS proche
ORDER BY CA_TOTAL DESC

Stratégie 4 : Correction par paliers¶

Corriger uniquement les paliers problématiques :

Si PL5 et PL6 sont trop proches du PAS :
- Garder PL1 à PL4 inchangés
- Augmenter seulement PL5 et PL6

Processus technique¶

Étape 1 : Analyse des corridors sous-optimaux¶

# Lire le fichier généré
df_subopt = pd.read_csv('corridors_sous_optimaux.csv', sep=';')

# Analyser par type de problème
df_subopt.groupby('PROBLEM_TYPE').agg({
    'ID_ART': 'count',
    'CA_TOTAL': 'sum'
})

# Identifier les priorités (par CA)
top_impact = df_subopt.nlargest(20, 'CA_TOTAL')

Étape 2 : Création du fichier de corrections¶

# Template pour corrections
corrections = []

for _, row in corridors_to_fix.iterrows():
    # Calculer nouvelles bornes
    new_bornes = calculate_new_distribution(row)

    corrections.append({
        'ID_ART': row['ID_ART'],
        'TYPE_CLIENT': row['TYPE_CLIENT'],
        'TYPE_RESTAURANT': row['TYPE_RESTAURANT'],
        'GEO': row['GEO'],
        **new_bornes
    })

# Sauvegarder
pd.DataFrame(corrections).to_csv(
    'corrections/corrections_ZOOM1.csv',
    sep=';',
    decimal=',',
    index=False
)

Étape 3 : Application des corrections¶

Le processus technique :

Chargement en table temporaire

CREATE TABLE TEMP_CORRECTIONS_ZOOM1 (
    ID_ART VARCHAR2(50),
    TYPE_CLIENT VARCHAR2(100),
    TYPE_RESTAURANT VARCHAR2(100),
    GEO VARCHAR2(100),
    NEW_BORNE_PL1_PL2 NUMBER,
    -- etc.
)

Update ciblé

UPDATE PT1CE_CORRIDORS_ZOOM1 t
SET NEW_BORNE_PL1_PL2 = (
    SELECT c.NEW_BORNE_PL1_PL2
    FROM TEMP_CORRECTIONS_ZOOM1 c
    WHERE t.ID_ART = c.ID_ART
      AND t.TYPE_CLIENT = c.TYPE_CLIENT
      AND t.TYPE_RESTAURANT = c.TYPE_RESTAURANT
      AND NVL(t.GEO, 'NULL') = NVL(c.GEO, 'NULL')
      AND c.NEW_BORNE_PL1_PL2 IS NOT NULL
)
WHERE EXISTS (...)

Re-détection
Relance de detect_suboptimal.py
Mise à jour des statuts
Génération nouveaux rapports

Exemples pratiques¶

Exemple 1 : Correction simple PL6 = PAS¶

Problème :

Article 075140, RSI HM, SOCIAL, EST
PAS = 6,890€
PL6 = 6,890€ (sous-optimal)

Fichier correction :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;GEO;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075140;RSI HM;SOCIAL;EST;;7,590;8,420;9,170;10,070;11,450

Résultat :
- PL1 conservé (vide dans le CSV)
- PL2 à PL6 ajustés
- PL6 = 11,450€ > PAS → Optimal

Exemple 2 : Redistribution complète¶

Problème :

Article 075142, écarts trop faibles
Toutes les bornes proches du PAS

Analyse :

# Calcul nouveaux écarts progressifs
pas = 15.670
ecarts_pct = [0.20, 0.16, 0.12, 0.08, 0.04, 0.01]
nouvelles_bornes = [pas * (1 + e) for e in ecarts_pct]

Fichier correction :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;GEO;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075142;RCI PI GI;HOTELS;OUEST;18,804;18,177;17,550;16,924;16,297;15,827

Exemple 3 : Correction avec contrainte PRB¶

Problème :

PRB_RC = 5,000€
Bornes calculées dépassent le PRB

Solution avec plafonnement :

ID_ART;TYPE_CLIENT;TYPE_RESTAURANT;NEW_BORNE_PL1_PL2;NEW_BORNE_PL2_PL3;NEW_BORNE_PL3_PL4;NEW_BORNE_PL4_PL5;NEW_BORNE_PL5_PL6;NEW_BORNE_PL6_PLX
075150;RSC HM;AUTRES;5,000;5,000;4,800;4,600;4,400;4,200

Note : PL1 et PL2 plafonnés au PRB

Validation et contrôles¶

Contrôles automatiques¶

PT1CE vérifie automatiquement :

Cohérence des bornes

PL1 ≤ PL2 ≤ PL3 ≤ PL4 ≤ PL5 ≤ PL6

Respect des contraintes
```
Borne ≥ PAS
Borne ≤ PRB approprié
```

Existence du corridor

Vérification que la combinaison existe

Messages d'erreur¶

⚠ 3 corridors avec bornes incohérentes détectés
  - 075140 | RSI HM | SOCIAL | EST : PL3 (8,420) < PL2 (8,500)

Validation manuelle recommandée¶

Après application des corrections :

Vérifier la résolution

# Comparer avant/après
diff corridors_sous_optimaux_avant.csv corridors_sous_optimaux_apres.csv

Analyser l'impact

-- Évolution moyenne des bornes
SELECT 
    AVG((NEW_BORNE_PL6_PLX - OLD_BORNE_PL6_PLX) / OLD_BORNE_PL6_PLX * 100) as PCT_HAUSSE_PL6
FROM comparison_table
WHERE correction_applied = 1

Contrôler les extrêmes
Hausses > 20%
Baisses (anormales)
Écarts entre paliers

Bonnes pratiques¶

Commencer par les plus impactants
Trier par CA décroissant
Corriger d'abord le top 20%

Documenter les décisions

# Commentaire : Ajustement suite analyse concurrence
075142;RCI PI GI;HOTELS;OUEST;...

Tester sur échantillon
5-10 corrections
Valider le processus
Étendre ensuite
Garder une trace
Archiver les fichiers de correction
Noter les raisons
Versioning si multiples itérations