Feat Detecciones en Bobinas y Montos

ProyectoIA_Gestion/detect.py

@@ -30,7 +30,9 @@ 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' # << NUEVO: Nombre del modelo de distribuidores
+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:
@@ -182,6 +184,108 @@ else:
     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()

ProyectoIA_Gestion/train_danadas.py

@@ -0,0 +1,67 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import pyodbc
+from datetime import datetime, timedelta
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO (BOBINAS DAÑADAS) ---")
+
+# --- 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_FILE = 'modelo_danadas.joblib'
+CONTAMINATION_RATE = 0.02 # Un 2% de los días podrían tener una cantidad anómala de bobinas dañadas (ajustable)
+
+# --- 2. Carga de Datos desde SQL Server ---
+try:
+    print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    fecha_limite = datetime.now() - timedelta(days=365)
+    
+    # << CAMBIO IMPORTANTE: Nueva consulta para contar bobinas marcadas como "Dañada" por día y planta >>
+    # Asumimos que el estado "Dañada" tiene Id_EstadoBobina = 3 y el historial lo registra
+    query = f"""
+        SELECT 
+            CAST(h.FechaMod AS DATE) as fecha,
+            DATEPART(weekday, h.FechaMod) as dia_semana,
+            h.Id_Planta as id_planta,
+            COUNT(DISTINCT h.Id_Bobina) as cantidad_danadas
+        FROM 
+            bob_StockBobinas_H h
+        WHERE
+            h.Id_EstadoBobina = 3 -- Asumiendo que 3 es el ID del estado 'Dañada'
+            AND h.TipoMod = 'Estado: Dañada' -- Filtra por el evento específico del cambio de estado
+            AND h.FechaMod >= '{fecha_limite.strftime('%Y-%m-%d')}'
+        GROUP BY
+            CAST(h.FechaMod AS DATE),
+            DATEPART(weekday, h.FechaMod),
+            h.Id_Planta
+    """
+    print("Ejecutando consulta para obtener historial de bobinas dañadas...")
+    df = pd.read_sql(query, cnxn)
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+if df.empty:
+    print("No se encontraron datos de entrenamiento de bobinas dañadas en el último año. Saliendo.")
+    exit()
+
+# --- 3. Preparación de Datos ---
+print(f"Preparando {len(df)} registros agregados para el entrenamiento...")
+# Las características serán la planta, el día de la semana y la cantidad de bobinas dañadas ese día
+features = ['id_planta', 'dia_semana', 'cantidad_danadas']
+X = df[features]
+
+# --- 4. Entrenamiento y Guardado ---
+print(f"Entrenando el modelo de bobinas dañadas con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(n_estimators=100, contamination=CONTAMINATION_RATE, random_state=42)
+model.fit(X)
+joblib.dump(model, MODEL_FILE)
+
+print(f"--- ENTRENAMIENTO DE BOBINAS DAÑADAS COMPLETADO. Modelo guardado en '{MODEL_FILE}' ---")

ProyectoIA_Gestion/train_montos.py

@@ -0,0 +1,92 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import pyodbc
+from datetime import datetime, timedelta
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO (MONTOS CONTABLES) ---")
+
+# --- 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_FILE = 'modelo_montos.joblib'
+CONTAMINATION_RATE = 0.01 # Asumimos que el 1% de las transacciones podrían ser anómalas (ajustable)
+
+# --- 2. Carga de Datos de Múltiples Tablas ---
+try:
+    print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    fecha_limite = datetime.now() - timedelta(days=730) # Usamos 2 años de datos para tener más contexto financiero
+    
+    # Query para Pagos a Distribuidores
+    query_pagos = f"""
+        SELECT 
+            'Distribuidor' AS entidad,
+            Id_Distribuidor AS id_entidad,
+            Id_Empresa AS id_empresa,
+            Fecha AS fecha,
+            TipoMovimiento AS tipo_transaccion,
+            Monto AS monto
+        FROM 
+            cue_PagosDistribuidor
+        WHERE 
+            Fecha >= '{fecha_limite.strftime('%Y-%m-%d')}'
+    """
+    
+    # Query para Notas de Crédito/Débito
+    query_notas = f"""
+        SELECT 
+            CASE 
+                WHEN Destino = 'Distribuidores' THEN 'Distribuidor'
+                WHEN Destino = 'Canillas' THEN 'Canillita'
+                ELSE 'Desconocido'
+            END AS entidad,
+            Id_Destino AS id_entidad,
+            Id_Empresa AS id_empresa,
+            Fecha AS fecha,
+            Tipo AS tipo_transaccion,
+            Monto AS monto
+        FROM 
+            cue_CreditosDebitos
+        WHERE 
+            Fecha >= '{fecha_limite.strftime('%Y-%m-%d')}'
+    """
+    
+    print("Ejecutando consultas para obtener datos de pagos y notas...")
+    df_pagos = pd.read_sql(query_pagos, cnxn)
+    df_notas = pd.read_sql(query_notas, cnxn)
+    
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+# --- 3. Unificación y Preparación de Datos ---
+if df_pagos.empty and df_notas.empty:
+    print("No se encontraron datos de entrenamiento en el período seleccionado. Saliendo.")
+    exit()
+
+# Combinamos ambos dataframes
+df = pd.concat([df_pagos, df_notas], ignore_index=True)
+print(f"Preparando {len(df)} registros contables para el entrenamiento...")
+
+# Feature Engineering: Convertir textos a números categóricos
+# Esto ayuda al modelo a entender "Recibido", "Credito", etc., como categorías distintas.
+df['tipo_transaccion_cat'] = pd.Categorical(df['tipo_transaccion']).codes
+df['dia_semana'] = df['fecha'].dt.dayofweek
+
+# Las características para el modelo serán el contexto de la transacción y su monto
+features = ['id_entidad', 'id_empresa', 'tipo_transaccion_cat', 'dia_semana', 'monto']
+X = df[features]
+
+# --- 4. Entrenamiento y Guardado ---
+print(f"Entrenando el modelo de montos contables con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(n_estimators=100, contamination=CONTAMINATION_RATE, random_state=42)
+model.fit(X)
+joblib.dump(model, MODEL_FILE)
+
+print(f"--- ENTRENAMIENTO DE MONTOS COMPLETADO. Modelo guardado en '{MODEL_FILE}' ---")