GestionIntegralWeb/ProyectoIA_Gestion/detect.py

import pandas as pd
import joblib
import os
import pyodbc
from datetime import datetime, timedelta
import sys

def insertar_alerta_en_db(cursor, tipo_alerta, id_entidad, entidad, mensaje, fecha_anomalia, cant_enviada=None, cant_devuelta=None, porc_devolucion=None):
    """Función centralizada para insertar en la nueva tabla Sistema_Alertas."""
    insert_query = """
        INSERT INTO Sistema_Alertas 
            (TipoAlerta, IdEntidad, Entidad, Mensaje, FechaAnomalia, CantidadEnviada, CantidadDevuelta, PorcentajeDevolucion, Leida)
        VALUES (?, ?, ?, ?, ?, ?, ?, ?, 0)
    """
    try:
        p_dev = float(porc_devolucion) if porc_devolucion is not None else None
        c_env = int(cant_enviada) if cant_enviada is not None else None
        c_dev = int(cant_devuelta) if cant_devuelta is not None else None

        cursor.execute(insert_query, tipo_alerta, id_entidad, entidad, mensaje, fecha_anomalia, c_env, c_dev, p_dev)
        print(f"INFO: Alerta '{tipo_alerta}' para '{entidad}' ID {id_entidad} registrada.")
    except Exception as e:
        print(f"ERROR: No se pudo insertar la alerta para '{entidad}' ID {id_entidad}. Error: {e}")

print("--- INICIANDO SCRIPT DE DETECCIÓN COMPLETO ---")

# --- 1. Configuración ---
DB_SERVER = 'TECNICA3'
DB_DATABASE = 'SistemaGestion'
CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
MODEL_INDIVIDUAL_FILE = 'modelo_anomalias.joblib'
MODEL_SISTEMA_FILE = 'modelo_sistema_anomalias.joblib'
MODEL_DIST_FILE = 'modelo_anomalias_dist.joblib'
MODEL_DANADAS_FILE = 'modelo_danadas.joblib'
MODEL_MONTOS_FILE = 'modelo_montos.joblib'

# --- 2. Determinar Fecha ---
if len(sys.argv) > 1:
    target_date = datetime.strptime(sys.argv[1], '%Y-%m-%d')
else:
    target_date = datetime.now() - timedelta(days=1)
print(f"--- FECHA DE ANÁLISIS: {target_date.date()} ---")

try:
    cnxn = pyodbc.connect(CONNECTION_STRING)
    cursor = cnxn.cursor()
except Exception as e:
    print(f"CRITICAL: No se pudo conectar a la base de datos. Error: {e}")
    exit()

# --- FASE 1: Detección de Anomalías Individuales (Canillitas) ---
print("\n--- FASE 1: Detección de Anomalías Individuales (Canillitas) ---")
if not os.path.exists(MODEL_INDIVIDUAL_FILE):
    print(f"ADVERTENCIA: Modelo individual '{MODEL_INDIVIDUAL_FILE}' no encontrado.")
else:
    # ... (esta sección se mantiene exactamente igual que antes) ...
    model_individual = joblib.load(MODEL_INDIVIDUAL_FILE)
    query_individual = f"""
        SELECT esc.Id_Canilla AS id_canilla, esc.Fecha AS fecha, esc.CantSalida AS cantidad_enviada, esc.CantEntrada AS cantidad_devuelta, c.NomApe AS nombre_canilla
        FROM dist_EntradasSalidasCanillas esc
        JOIN dist_dtCanillas c ON esc.Id_Canilla = c.Id_Canilla
        WHERE CAST(Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}' AND CantSalida > 0
    """
    df_new = pd.read_sql(query_individual, cnxn)
    
    if not df_new.empty:
        df_new['porcentaje_devolucion'] = (df_new['cantidad_devuelta'] / df_new['cantidad_enviada']).fillna(0) * 100
        df_new['dia_semana'] = pd.to_datetime(df_new['fecha']).dt.dayofweek
        features = ['id_canilla', 'porcentaje_devolucion', 'dia_semana']
        X_new = df_new[features]
        df_new['anomalia'] = model_individual.predict(X_new)
        anomalias_detectadas = df_new[df_new['anomalia'] == -1]
        
        if not anomalias_detectadas.empty:
            for index, row in anomalias_detectadas.iterrows():
                mensaje = f"Devolución del {row['porcentaje_devolucion']:.2f}% para '{row['nombre_canilla']}'."
                insertar_alerta_en_db(cursor,
                                      tipo_alerta='DevolucionAnomala',
                                      id_entidad=row['id_canilla'],
                                      entidad='Canillita',
                                      mensaje=mensaje,
                                      fecha_anomalia=row['fecha'].date(),
                                      cant_enviada=row['cantidad_enviada'],
                                      cant_devuelta=row['cantidad_devuelta'],
                                      porc_devolucion=row['porcentaje_devolucion'])
        else:
            print("INFO: No se encontraron anomalías individuales significativas en canillitas.")
    else:
        print("INFO: No hay datos de canillitas para analizar en la fecha seleccionada.")

# --- FASE 2: Detección de Anomalías de Sistema ---
print("\n--- FASE 2: Detección de Anomalías de Sistema ---")
if not os.path.exists(MODEL_SISTEMA_FILE):
    print(f"ADVERTENCIA: Modelo de sistema '{MODEL_SISTEMA_FILE}' no encontrado.")
else:
    # ... (esta sección se mantiene exactamente igual que antes) ...
    model_sistema = joblib.load(MODEL_SISTEMA_FILE)
    query_agregada = f"""
        SELECT CAST(Fecha AS DATE) AS fecha_dia, DATEPART(weekday, Fecha) as dia_semana,
               COUNT(DISTINCT Id_Canilla) as total_canillitas_activos,
               SUM(CantSalida) as total_salidas, SUM(CantEntrada) as total_devoluciones
        FROM dist_EntradasSalidasCanillas
        WHERE CAST(Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}' AND CantSalida > 0
        GROUP BY CAST(Fecha AS DATE), DATEPART(weekday, Fecha)
    """
    df_system = pd.read_sql(query_agregada, cnxn)
    
    if not df_system.empty and df_system['total_salidas'].iloc[0] > 0:
        df_system['ratio_devolucion'] = (df_system['total_devoluciones'] / df_system['total_salidas']).fillna(0)
        df_system['salidas_por_canillita'] = (df_system['total_salidas'] / df_system['total_canillitas_activos']).fillna(0)
        features_system = ['dia_semana', 'total_salidas', 'ratio_devolucion', 'salidas_por_canillita']
        X_system = df_system[features_system]
        df_system['anomalia_sistema'] = model_sistema.predict(X_system)
        
        if df_system['anomalia_sistema'].iloc[0] == -1:
            ratio_hoy = df_system['ratio_devolucion'].iloc[0] * 100
            mensaje = f"El ratio de devolución global fue del {ratio_hoy:.2f}%, un valor atípico para este día de la semana."
            insertar_alerta_en_db(cursor,
                                  tipo_alerta='ComportamientoSistema',
                                  id_entidad=0,
                                  entidad='Sistema',
                                  mensaje=mensaje,
                                  fecha_anomalia=target_date.date())
        else:
            print("INFO: El comportamiento agregado del sistema fue normal.")
    else:
        mensaje = f"ALERTA GRAVE: No se registraron movimientos de salida para ningún canillita en la fecha {target_date.date()}."
        insertar_alerta_en_db(cursor,
                              tipo_alerta='FaltaDeDatos',
                              id_entidad=0,
                              entidad='Sistema',
                              mensaje=mensaje,
                              fecha_anomalia=target_date.date())

# --- FASE 3: Detección de Anomalías Individuales (Distribuidores) ---
print("\n--- FASE 3: Detección de Anomalías Individuales (Distribuidores) ---")
if not os.path.exists(MODEL_DIST_FILE):
    print(f"ADVERTENCIA: Modelo de distribuidores '{MODEL_DIST_FILE}' no encontrado.")
else:
    model_dist = joblib.load(MODEL_DIST_FILE)
    query_dist = f"""
        SELECT 
            es.Id_Distribuidor AS id_distribuidor,
            d.Nombre AS nombre_distribuidor,
            CAST(es.Fecha AS DATE) AS fecha,
            SUM(CASE WHEN es.TipoMovimiento = 'Salida' THEN es.Cantidad ELSE 0 END) as cantidad_enviada,
            SUM(CASE WHEN es.TipoMovimiento = 'Entrada' THEN es.Cantidad ELSE 0 END) as cantidad_devuelta
        FROM 
            dist_EntradasSalidas es
        JOIN 
            dist_dtDistribuidores d ON es.Id_Distribuidor = d.Id_Distribuidor
        WHERE 
            CAST(es.Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}'
        GROUP BY
            es.Id_Distribuidor, d.Nombre, CAST(es.Fecha AS DATE)
        HAVING 
            SUM(CASE WHEN es.TipoMovimiento = 'Salida' THEN es.Cantidad ELSE 0 END) > 0
    """
    df_dist_new = pd.read_sql(query_dist, cnxn)
    
    if not df_dist_new.empty:
        df_dist_new['porcentaje_devolucion'] = (df_dist_new['cantidad_devuelta'] / df_dist_new['cantidad_enviada']).fillna(0) * 100
        df_dist_new['dia_semana'] = pd.to_datetime(df_dist_new['fecha']).dt.dayofweek
        features_dist = ['id_distribuidor', 'porcentaje_devolucion', 'dia_semana']
        X_dist_new = df_dist_new[features_dist]
        df_dist_new['anomalia'] = model_dist.predict(X_dist_new)
        
        anomalias_dist_detectadas = df_dist_new[df_dist_new['anomalia'] == -1]
        
        if not anomalias_dist_detectadas.empty:
            for index, row in anomalias_dist_detectadas.iterrows():
                mensaje = f"Devolución inusual del {row['porcentaje_devolucion']:.2f}% para el distribuidor '{row['nombre_distribuidor']}'."
                insertar_alerta_en_db(cursor,
                                      tipo_alerta='DevolucionAnomalaDist',
                                      id_entidad=row['id_distribuidor'],
                                      entidad='Distribuidor',
                                      mensaje=mensaje,
                                      fecha_anomalia=row['fecha'],
                                      cant_enviada=row['cantidad_enviada'],
                                      cant_devuelta=row['cantidad_devuelta'],
                                      porc_devolucion=row['porcentaje_devolucion'])
        else:
            print("INFO: No se encontraron anomalías individuales significativas en distribuidores.")
    else:
        print("INFO: No hay datos de distribuidores para analizar en la fecha seleccionada.")

    # --- FASE 4: Detección de Anomalías en Bobinas Dañadas ---
    print("\n--- FASE 4: Detección de Anomalías en Bobinas Dañadas ---")
    if not os.path.exists(MODEL_DANADAS_FILE):
        print(f"ADVERTENCIA: Modelo de bobinas dañadas '{MODEL_DANADAS_FILE}' no encontrado.")
    else:
        model_danadas = joblib.load(MODEL_DANADAS_FILE)
        query_danadas = f"""
            SELECT 
                h.Id_Planta as id_planta,
                p.Nombre as nombre_planta,
                DATEPART(weekday, h.FechaMod) as dia_semana,
                COUNT(DISTINCT h.Id_Bobina) as cantidad_danadas
            FROM 
                bob_StockBobinas_H h
            JOIN
                bob_dtPlantas p ON h.Id_Planta = p.Id_Planta
            WHERE
                h.Id_EstadoBobina = 3 -- Asumiendo ID 3 para 'Dañada'
                AND h.TipoMod = 'Estado: Dañada'
                AND CAST(h.FechaMod AS DATE) = '{target_date.strftime('%Y-%m-%d')}'
            GROUP BY
                h.Id_Planta, p.Nombre, DATEPART(weekday, h.FechaMod)
        """
        df_danadas_new = pd.read_sql(query_danadas, cnxn)

        if not df_danadas_new.empty:
            for index, row in df_danadas_new.iterrows():
                features_danadas = ['id_planta', 'dia_semana', 'cantidad_danadas']
                X_danadas_new = row[features_danadas].to_frame().T

                prediction = model_danadas.predict(X_danadas_new)

                if prediction[0] == -1:
                    mensaje = f"Se registraron {row['cantidad_danadas']} bobina(s) dañada(s) en la Planta '{row['nombre_planta']}', un valor inusualmente alto."
                    insertar_alerta_en_db(cursor,
                                          tipo_alerta='ExcesoBobinasDañadas',
                                          id_entidad=row['id_planta'],
                                          entidad='Planta',
                                          mensaje=mensaje,
                                          fecha_anomalia=target_date.date())
            print(f"INFO: Análisis de {len(df_danadas_new)} planta(s) con bobinas dañadas completado.")
        else:
            print("INFO: No se registraron bobinas dañadas en la fecha seleccionada.")

# --- FASE 5: Detección de Anomalías en Montos Contables ---
    print("\n--- FASE 5: Detección de Anomalías en Montos Contables ---")
    if not os.path.exists(MODEL_MONTOS_FILE):
        print(f"ADVERTENCIA: Modelo de montos contables '{MODEL_MONTOS_FILE}' no encontrado.")
    else:
        model_montos = joblib.load(MODEL_MONTOS_FILE)
        
        # Consulta unificada para obtener todas las transacciones del día
        query_transacciones = f"""
            SELECT 'Distribuidor' AS entidad, p.Id_Distribuidor AS id_entidad, d.Nombre as nombre_entidad, p.Id_Empresa as id_empresa, p.Fecha as fecha, p.TipoMovimiento as tipo_transaccion, p.Monto as monto
            FROM cue_PagosDistribuidor p JOIN dist_dtDistribuidores d ON p.Id_Distribuidor = d.Id_Distribuidor
            WHERE CAST(p.Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}'
            
            UNION ALL
            
            SELECT 
                CASE WHEN cd.Destino = 'Distribuidores' THEN 'Distribuidor' ELSE 'Canillita' END AS entidad,
                cd.Id_Destino AS id_entidad,
                COALESCE(d.Nombre, c.NomApe) as nombre_entidad,
                cd.Id_Empresa as id_empresa,
                cd.Fecha as fecha,
                cd.Tipo as tipo_transaccion,
                cd.Monto as monto
            FROM cue_CreditosDebitos cd
            LEFT JOIN dist_dtDistribuidores d ON cd.Id_Destino = d.Id_Distribuidor AND cd.Destino = 'Distribuidores'
            LEFT JOIN dist_dtCanillas c ON cd.Id_Destino = c.Id_Canilla AND cd.Destino = 'Canillas'
            WHERE CAST(cd.Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}'
        """
        
        df_transacciones_new = pd.read_sql(query_transacciones, cnxn)
        
        if not df_transacciones_new.empty:
            # Aplicar exactamente el mismo pre-procesamiento que en el entrenamiento
            df_transacciones_new['tipo_transaccion_cat'] = pd.Categorical(df_transacciones_new['tipo_transaccion']).codes
            df_transacciones_new['dia_semana'] = pd.to_datetime(df_transacciones_new['fecha']).dt.dayofweek
            
            features = ['id_entidad', 'id_empresa', 'tipo_transaccion_cat', 'dia_semana', 'monto']
            X_new = df_transacciones_new[features]
            
            df_transacciones_new['anomalia'] = model_montos.predict(X_new)
            anomalias_detectadas = df_transacciones_new[df_transacciones_new['anomalia'] == -1]
            
            if not anomalias_detectadas.empty:
                for index, row in anomalias_detectadas.iterrows():
                    tipo_alerta = 'MontoInusualPago' if row['tipo_transaccion'] in ['Recibido', 'Realizado'] else 'MontoInusualNota'
                    mensaje = f"Se registró un '{row['tipo_transaccion']}' de ${row['monto']:,} para '{row['nombre_entidad']}', un valor atípico."
                    
                    insertar_alerta_en_db(cursor,
                                          tipo_alerta=tipo_alerta,
                                          id_entidad=row['id_entidad'],
                                          entidad=row['entidad'],
                                          mensaje=mensaje,
                                          fecha_anomalia=row['fecha'].date())
            else:
                print("INFO: No se encontraron anomalías en los montos contables registrados.")
        else:
            print("INFO: No hay transacciones contables para analizar en la fecha seleccionada.")

# --- Finalización ---
cnxn.commit()
cnxn.close()
print("\n--- DETECCIÓN COMPLETA ---")