Merge branch 'main' of http://10.77.77.18:3000/joao.herculano/Ruptura_Projetada

relatório_ruptura/ruptura projetada 23.05.py

@@ -56,7 +56,12 @@ SELECT
   pendingorder AS pendente,
   nextcycleprojection AS pv_mar,
   currentcyclesales AS venda_atual,
-  CASE WHEN criticalitem_iscritical = 0 THEN 'REGULAR' ELSE 'CRITICO' END AS status_item
+  CASE WHEN criticalitem_iscritical = 0 THEN 'REGULAR' ELSE 'CRITICO' END AS status_item,
+  ( COALESCE(thirdtolastcyclesales, 0) +
+    COALESCE(secondtolastcyclesales, 0) +
+    COALESCE(lastcyclesales, 0) +
+    COALESCE(nextcycleprojection, 0)
+  ) / 4.0 AS media_vendas
 FROM Draft
 WHERE isproductdeactivated = 0 AND codcategory NOT IN ('SUPORTE A VENDA','EMBALAGENS') 
 '''
@@ -66,18 +71,20 @@ df.columns = df.columns.str.lower()
 
 filtered_calendario.columns = filtered_calendario.columns.str.lower()
 df['ddv'] = df['pv_mar'] / filtered_calendario['duração'].values[0]
-df['estoque_seguranca'] = np.ceil(df['pv_mar'] + (15 * df['ddv'])).astype(int)
+df['estoque_seguranca'] = np.ceil((df['media_vendas']/20)*11 - (df['ddv']*11)).astype(int) #media de vendas realizada+projetada
-df['risco_ruptura'] = np.where(df['ddv'] * filtered_calendario['dias_ate_fim'].max() >= df['estoque'], "SIM", "NÃO")
+df['estoque_seguranca'] = np.where(df['estoque_seguranca'] <1,1,df['estoque_seguranca'])
-df['quantidade_ruptura'] = np.ceil(df['ddv'] * filtered_calendario['dias_ate_fim'].max() - df['estoque'])
+df['risco_ruptura'] = np.where(df['estoque_seguranca'] > df['estoque'], "SIM", "NÃO")
-df['excesso'] = np.where(df['estoque'] - df['estoque_seguranca'] > 0, df['estoque'] - df['estoque_seguranca'], 0)
+df['quantidade_ruptura'] = df['estoque_seguranca'] - df['estoque']
+df['excesso'] = np.where(df['estoque'] - df['estoque_seguranca'] > 0, df['estoque'] - df['estoque_seguranca'], 0) 
 
 remetente = config['credenciais']['remetente']
 senha = config['credenciais']['senha']
 destinatarios = [email.strip() for email in config['email_ruptura']['destinatarios'].split(',')]
 assunto = config['email_ruptura']['assunto']
 
-df_rpt = pd.read_excel(r"C:\Users\joao.herculano\Downloads\Ruptura Cliente CP GINSENG (1).xlsx")
+df_rpt = pd.read_excel(r"C:\Users\joao.herculano\Downloads\Ruptura Cliente CP GINSENG - 09.06.xlsx")
 df_rpt.columns = df_rpt.columns.str.lower()
+print(df_rpt.columns)
 
 df['pdv'] = df['pdv'].astype('Int64')
 df['sku'] = df['sku'].astype('Int64')
@@ -257,7 +264,7 @@ html_email = f"""
     <p>Além disso, o material destaca as VDs com maior criticidade, permitindo uma atuação direcionada para mitigar impactos e priorizar ações de abastecimento e transferência.</p>
     <p><strong>Importante:</strong></p>
     <p>O relatório está em processo de desenvolvimento e pode sofrer mudanças futuras no layout. Ficamos à disposição para esclarecer quaisquer dúvidas.</p>
-    <p>Foram adicionados ao relatório os PDVs da região de Irecê.</p>
+    <p>Foram adicionados ao relatório os PDVs da região de Irecê e Jacobina.</p>
     
     <img src="cid:{grafico_cid}">
     <img src="cid:{grafico2_cid}">