Create web/pages/supply_chain.py

web/pages/supply_chain.py

@@ -0,0 +1,532 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import plotly.express as px
+import plotly.graph_objects as go
+
+def show_supply_chain():
+    """
+    عرض صفحة تحليل سلاسل الإمداد
+    """
+    st.subheader("إدارة سلاسل الإمداد")
+    
+    # إنشاء القائمة الجانبية للخيارات
+    options = st.sidebar.radio(
+        "اختر القسم",
+        ["تحليل الموردين", "تحليل المخاطر", "التكاليف والتسعير", "التحسين والتوقعات"]
+    )
+    
+    if options == "تحليل الموردين":
+        show_vendor_analysis()
+    elif options == "تحليل المخاطر":
+        show_risk_analysis()
+    elif options == "التكاليف والتسعير":
+        show_cost_pricing()
+    elif options == "التحسين والتوقعات":
+        show_optimization()
+
+def show_vendor_analysis():
+    """
+    عرض تحليل الموردين
+    """
+    st.markdown("## تحليل الموردين")
+    
+    # إنشاء بيانات توضيحية للموردين
+    vendor_data = {
+        "المورد": [
+            "شركة الصناعات السعودية", 
+            "مؤسسة الخليج للمقاولات", 
+            "شركة الرياض للإنشاءات",
+            "الشركة العربية للمعدات",
+            "مصنع المنتجات الإسمنتية",
+            "شركة تقنيات البناء",
+            "مؤسسة المدار للتوريدات",
+            "شركة البنية التحتية المتكاملة"
+        ],
+        "الفئة": [
+            "مواد بناء", 
+            "مقاولات", 
+            "خدمات هندسية",
+            "معدات",
+            "مواد خام",
+            "تقنيات",
+            "مواد متنوعة",
+            "خدمات هندسية"
+        ],
+        "قيمة التوريدات (مليون ريال)": [25.4, 18.2, 12.7, 9.8, 8.5, 7.3, 6.1, 5.8],
+        "نسبة المحتوى المحلي (%)": [85, 92, 78, 65, 100, 70, 88, 75],
+        "متوسط وقت التسليم (أيام)": [14, 30, 21, 45, 7, 15, 10, 25],
+        "التقييم العام (5)": [4.2, 3.8, 4.5, 3.5, 4.0, 4.3, 3.7, 4.1]
+    }
+    
+    vendor_df = pd.DataFrame(vendor_data)
+    
+    # عرض بيانات الموردين
+    st.markdown("### بيانات الموردين الرئيسيين")
+    st.dataframe(vendor_df, use_container_width=True)
+    
+    # تحليلات الموردين
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        # توزيع الموردين حسب الفئة
+        st.markdown("### توزيع الموردين حسب الفئة")
+        
+        category_counts = vendor_df.groupby("الفئة")["قيمة التوريدات (مليون ريال)"].sum().reset_index()
+        
+        fig1 = px.pie(
+            category_counts, 
+            values="قيمة التوريدات (مليون ريال)", 
+            names="الفئة",
+            title="توزيع قيمة التوريدات حسب الفئة",
+            color_discrete_sequence=px.colors.qualitative.Bold
+        )
+        
+        fig1.update_traces(textposition="inside", textinfo="percent+label")
+        
+        st.plotly_chart(fig1, use_container_width=True)
+    
+    with col2:
+        # تقييم الموردين مقابل نسبة المحتوى المحلي
+        st.markdown("### تقييم الموردين مقابل نسبة المحتوى المحلي")
+        
+        fig2 = px.scatter(
+            vendor_df, 
+            x="نسبة المحتوى المحلي (%)", 
+            y="التقييم العام (5)",
+            size="قيمة التوريدات (مليون ريال)",
+            color="الفئة",
+            hover_name="المورد",
+            title="تقييم الموردين مقابل نسبة المحتوى المحلي",
+            size_max=50
+        )
+        
+        st.plotly_chart(fig2, use_container_width=True)
+    
+    # تحليل أوقات التسليم
+    st.markdown("### تحليل أوقات التسليم")
+    
+    fig3 = px.bar(
+        vendor_df.sort_values("متوسط وقت التسليم (أيام)"), 
+        x="المورد", 
+        y="متوسط وقت التسليم (أيام)",
+        color="متوسط وقت التسليم (أيام)",
+        color_continuous_scale="Viridis",
+        title="متوسط وقت التسليم حسب المورد"
+    )
+    
+    st.plotly_chart(fig3, use_container_width=True)
+    
+    # توصيات تحسين سلسلة الإمداد
+    st.markdown("### توصيات لتحسين سلسلة الإمداد")
+    
+    recommendations = [
+        "تنويع قاعدة الموردين في فئة المعدات لتقليل المخاطر",
+        "العمل مع الموردين لتحسين أوقات التسليم خاصة مع الشركة العربي�� للمعدات",
+        "زيادة الاعتماد على الموردين ذوي نسب المحتوى المحلي الأعلى",
+        "وضع خطة لتقليل الاعتماد على الموردين ذوي التقييم المنخفض",
+        "تطوير برنامج لتحسين أداء الموردين من خلال التدريب والدعم الفني"
+    ]
+    
+    for i, rec in enumerate(recommendations):
+        st.markdown(f"{i+1}. {rec}")
+
+def show_risk_analysis():
+    """
+    عرض تحليل مخاطر سلسلة الإمداد
+    """
+    st.markdown("## تحليل مخاطر سلسلة الإمداد")
+    
+    # إنشاء بيانات توضيحية للمخاطر
+    risk_data = {
+        "المخاطرة": [
+            "تأخر توريد المواد الرئيسية",
+            "ارتفاع تكلفة المواد الخام",
+            "تعطل وسائل النقل",
+            "مشاكل جودة المنتجات",
+            "نقص في المخزون",
+            "تغير متطلبات المشروع",
+            "مخاطر تقلبات العملة",
+            "أزمات الموردين المالية",
+            "الكوارث الطبيعية",
+            "المخاطر السياسية والتشريعية"
+        ],
+        "الاحتمالية": [0.4, 0.6, 0.3, 0.5, 0.4, 0.7, 0.2, 0.3, 0.1, 0.2],
+        "التأثير": [0.7, 0.6, 0.5, 0.8, 0.6, 0.5, 0.4, 0.7, 0.9, 0.8],
+        "الفئة": [
+            "توريد", "تكلفة", "لوجستيات", "جودة", "تخطيط",
+            "متطلبات", "مالية", "موردين", "خارجية", "تنظيمية"
+        ]
+    }
+    
+    risk_df = pd.DataFrame(risk_data)
+    
+    # إضافة درجة المخاطرة
+    risk_df["درجة المخاطرة"] = risk_df["الاحتمالية"] * risk_df["التأثير"]
+    
+    # تصنيف المخاطر
+    conditions = [
+        (risk_df["درجة المخاطرة"] >= 0.4),
+        (risk_df["درجة المخاطرة"] >= 0.2),
+        (risk_df["درجة المخاطرة"] < 0.2)
+    ]
+    values = ["عالية", "متوسطة", "منخفضة"]
+    risk_df["مستوى المخاطرة"] = np.select(conditions, values)
+    
+    # عرض مصفوفة المخاطر
+    st.markdown("### مصفوفة مخاطر سلسلة الإمداد")
+    
+    fig1 = px.scatter(
+        risk_df, 
+        x="الاحتمالية", 
+        y="التأثير",
+        color="مستوى المخاطرة",
+        size="درجة المخاطرة",
+        hover_name="المخاطرة",
+        text="المخاطرة",
+        color_discrete_map={"عالية": "#FF5733", "متوسطة": "#FFC300", "منخفضة": "#33FF57"},
+        title="مصفوفة تحليل المخاطر",
+        size_max=50
+    )
+    
+    fig1.update_layout(
+        xaxis_title="احتمالية الحدوث",
+        yaxis_title="مستوى التأثير",
+        xaxis=dict(range=[0, 1]),
+        yaxis=dict(range=[0, 1])
+    )
+    
+    fig1.update_traces(
+        textposition="top center",
+        textfont=dict(size=10)
+    )
+    
+    st.plotly_chart(fig1, use_container_width=True)
+    
+    # عرض جدول المخاطر
+    st.markdown("### قائمة المخاطر مرتبة حسب درجة الخطورة")
+    
+    sorted_risks = risk_df.sort_values("درجة المخاطرة", ascending=False)
+    
+    # تنسيق العرض
+    formatted_risks = sorted_risks.copy()
+    formatted_risks["الاحتمالية"] = formatted_risks["الاحتمالية"].apply(lambda x: f"{x:.1%}")
+    formatted_risks["التأثير"] = formatted_risks["التأثير"].apply(lambda x: f"{x:.1%}")
+    formatted_risks["درجة المخاطرة"] = formatted_risks["درجة المخاطرة"].apply(lambda x: f"{x:.1%}")
+    
+    st.dataframe(formatted_risks, use_container_width=True)
+    
+    # المخاطر حسب الفئة
+    st.markdown("### المخاطر حسب الفئة")
+    
+    category_risks = risk_df.groupby("الفئة")["درجة المخاطرة"].mean().reset_index()
+    category_risks = category_risks.sort_values("درجة المخاطرة", ascending=False)
+    
+    fig2 = px.bar(
+        category_risks,
+        x="الفئة",
+        y="درجة المخاطرة",
+        color="درجة المخاطرة",
+        color_continuous_scale="Reds",
+        title="متوسط درجة المخاطرة حسب الفئة"
+    )
+    
+    fig2.update_layout(yaxis_tickformat=".1%")
+    
+    st.plotly_chart(fig2, use_container_width=True)
+    
+    # استراتيجيات تخفيف المخاطر
+    st.markdown("### استراتيجيات تخفيف المخاطر ذات الأولوية العالية")
+    
+    high_risks = sorted_risks[sorted_risks["مستوى المخاطرة"] == "عالية"]
+    
+    mitigation_strategies = {
+        "تأخر توريد المواد الرئيسية": "إنشاء قاعدة موردين بديلة وتطوير خطط طوارئ للتوريد",
+        "ارتفاع تكلفة المواد الخام": "توقيع عقود طويلة الأجل وتأمين أسعار ثابتة",
+        "مشاكل جودة المنتجات": "تعزيز نظام فحص الجودة وتطوير معايير قبول صارمة",
+        "تغير متطلبات المشروع": "تحسين عمليات إدارة التغيير وتوثيق المتطلبات بشكل أفضل",
+        "أزمات الموردين المالية": "تقييم الصحة المالية للموردين بشكل دوري واستخدام ضمانات التنفيذ",
+        "الكوارث الطبيعية": "تطوير خطط استمرارية الأعمال واستخدام موردين من مناطق جغرافية متنوعة"
+    }
+    
+    for _, risk in high_risks.iterrows():
+        risk_name = risk["المخاطرة"]
+        strategy = mitigation_strategies.get(risk_name, "وضع استراتيجية مخصصة للتخفيف من هذه المخاطر")
+        
+        st.markdown(f"**{risk_name}** (درجة المخاطرة: {risk['درجة المخاطرة']})")
+        st.markdown(f"*استراتيجية التخفيف:* {strategy}")
+        st.markdown("---")
+
+def show_cost_pricing():
+    """
+    عرض تحليل التكاليف والتسعير
+    """
+    st.markdown("## تحليل التكاليف والتسعير")
+    
+    # إنشاء بيانات توضيحية للمواد
+    materials_data = {
+        "المادة": [
+            "حديد تسليح", 
+            "إسمنت", 
+            "خرسانة جاهزة", 
+            "طوب", 
+            "رمل", 
+            "خشب", 
+            "مواد عازلة", 
+            "كابلات كهربائية",
+            "أنابيب",
+            "أصباغ"
+        ],
+        "متوسط السعر (ريال/وحدة)": [3200, 15, 240, 2.5, 75, 1200, 85, 120, 160, 65],
+        "الكمية المتوقعة": [150, 8000, 1200, 25000, 350, 200, 750, 2000, 1500, 300],
+        "نسبة التغير السعري (%)": [12, 5, 8, 2, 3, 15, 7, 10, 6, 4],
+        "المصدر": [
+            "محلي", "محلي", "محلي", "محلي", "محلي", 
+            "مستورد", "مستورد", "محلي", "محلي", "مستورد"
+        ]
+    }
+    
+    materials_df = pd.DataFrame(materials_data)
+    
+    # حساب إجمالي التكلفة
+    materials_df["إجمالي التكلفة (ريال)"] = materials_df["متوسط السعر (ريال/وحدة)"] * materials_df["الكمية المتوقعة"]
+    
+    # حساب تأثير التغير السعري
+    materials_df["تأثير التغير السعري (ريال)"] = materials_df["إجمالي التكلفة (ريال)"] * (materials_df["نسبة التغير السعري (%)"] / 100)
+    
+    # عرض بيانات المواد
+    st.markdown("### تحليل تكاليف المواد الرئيسية")
+    
+    # تنسيق العرض
+    formatted_materials = materials_df.copy()
+    formatted_materials["إجمالي التكلفة (ريال)"] = formatted_materials["إجمالي التكلفة (ريال)"].map(lambda x: f"{x:,.0f}")
+    formatted_materials["تأثير التغير السعري (ريال)"] = formatted_materials["تأثير التغير السعري (ريال)"].map(lambda x: f"{x:,.0f}")
+    
+    st.dataframe(formatted_materials, use_container_width=True)
+    
+    # إجمالي التكاليف والمؤشرات
+    total_cost = materials_df["إجمالي التكلفة (ريال)"].sum()
+    total_price_impact = materials_df["تأثير التغير السعري (ريال)"].sum()
+    avg_price_change = materials_df["نسبة التغير السعري (%)"].mean()
+    
+    col1, col2, col3 = st.columns(3)
+    
+    with col1:
+        st.metric(
+            label="إجمالي تكلفة المواد (ريال)",
+            value=f"{total_cost:,.0f}"
+        )
+    
+    with col2:
+        st.metric(
+            label="تأثير التغير السعري (ريال)",
+            value=f"{total_price_impact:,.0f}",
+            delta=f"{total_price_impact / total_cost:.1%}"
+        )
+    
+    with col3:
+        st.metric(
+            label="متوسط نسبة التغير السعري",
+            value=f"{avg_price_change:.1f}%"
+        )
+    
+    # توزيع التكاليف حسب المواد
+    st.markdown("### توزيع تكاليف المواد")
+    
+    fig1 = px.pie(
+        materials_df, 
+        values="إجمالي التكلفة (ريال)", 
+        names="المادة",
+        title="توزيع تكاليف المواد",
+        color_discrete_sequence=px.colors.qualitative.Bold
+    )
+    
+    fig1.update_traces(textposition="inside", textinfo="percent+label")
+    
+    st.plotly_chart(fig1, use_container_width=True)
+    
+    # تأثير التغير السعري حسب المادة
+    st.markdown("### تأثير التغير السعري حسب المادة")
+    
+    sorted_impact = materials_df.sort_values("تأثير التغير السعري (ريال)", ascending=False)
+    
+    fig2 = px.bar(
+        sorted_impact,
+        x="المادة",
+        y="تأثير التغير السعري (ريال)",
+        color="نسبة التغير السعري (%)",
+        color_continuous_scale="Reds",
+        title="تأثير التغير السعري حسب المادة"
+    )
+    
+    st.plotly_chart(fig2, use_container_width=True)
+    
+    # مقارنة المواد المحلية والمستوردة
+    st.markdown("### مقارنة المواد المحلية والمستوردة")
+    
+    source_comparison = materials_df.groupby("المصدر").agg({
+        "إجمالي التكلفة (ريال)": "sum",
+        "تأثير التغير السعري (ريال)": "sum",
+        "المادة": "count"
+    }).reset_index()
+    
+    source_comparison.columns = ["المصدر", "إجمالي التكلفة (ريال)", "تأثير التغير السعري (ريال)", "عدد المواد"]
+    
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        # نسبة التكلفة حسب المصدر
+        fig3 = px.pie(
+            source_comparison, 
+            values="إجمالي التكلفة (ريال)", 
+            names="المصدر",
+            title="توزيع التكاليف: محلي مقابل مستورد",
+            color_discrete_map={"محلي": "#1976D2", "مستورد": "#D32F2F"}
+        )
+        
+        fig3.update_traces(textposition="inside", textinfo="percent+label")
+        
+        st.plotly_chart(fig3, use_container_width=True)
+    
+    with col2:
+        # متوسط تأثير التغير السعري حسب المصدر
+        source_comparison["متوسط تأثير التغير لكل مادة"] = source_comparison["تأثير التغير السعري (ريال)"] / source_comparison["عدد المواد"]
+        
+        fig4 = px.bar(
+            source_comparison,
+            x="المصدر",
+            y="متوسط تأثير التغير لكل مادة",
+            color="المصدر",
+            title="متوسط تأثير التغير السعري حسب المصدر",
+            color_discrete_map={"محلي": "#1976D2", "مستورد": "#D32F2F"}
+        )
+        
+        st.plotly_chart(fig4, use_container_width=True)
+    
+    # توصيات لتحسين التكاليف
+    st.markdown("### توصيات لتحسين التكاليف")
+    
+    recommendations = [
+        "إبرام عقود طويلة الأجل للمواد ذات التغير السعري المرتفع (الحديد والخشب)",
+        "البحث عن موردين محليين بديلين للمواد المستوردة لتقليل تأثير تقلبات الأسعار",
+        "شراء المواد ذات الاستهلاك العالي بكميات كبيرة للحصول على خصومات الكمية",
+        "تطوير استراتيجية تخزين للمواد ذات التأثير السعري المرتفع",
+        "استخدام نماذج التنبؤ لتوقيت الشراء بشكل أفضل وتجنب فترات ارتفاع الأسعار"
+    ]
+    
+    for i, rec in enumerate(recommendations):
+        st.markdown(f"{i+1}. {rec}")
+
+def show_optimization():
+    """
+    عرض تحسين سلسلة الإمداد والتوقعات
+    """
+    st.markdown("## تحسين سلسلة الإمداد والتوقعات")
+    
+    # 1. تحسين المخزون
+    st.markdown("### تحسين مستويات المخزون")
+    
+    # إنشاء بيانات توضيحية للمخزون
+    inventory_data = {
+        "المادة": [
+            "حديد تسليح", "إسمنت", "خرسانة جاهزة", "طوب", "رمل", 
+            "خشب", "مواد عازلة", "كابلات كهربائية", "أنابيب", "أصباغ"
+        ],
+        "المخزون الحالي": [35, 1200, 80, 8000, 120, 45, 200, 450, 320, 85],
+        "الحد الأدنى المطلوب": [20, 800, 60, 5000, 100, 30, 150, 300, 250, 50],
+        "الحد الأقصى": [50, 2000, 120, 12000, 200, 60, 300, 600, 400, 120],
+        "متوسط الاستهلاك اليومي": [2, 60, 10, 400, 8, 3, 12, 25, 15, 5],
+        "وقت إعادة الطلب (أيام)": [15, 7, 3, 10, 5, 20, 15, 12, 10, 8]
+    }
+    
+    inventory_df = pd.DataFrame(inventory_data)
+    
+    # حساب مؤشرات المخزون
+    inventory_df["أيام التغطية المتبقية"] = inventory_df["المخزون الحالي"] / inventory_df["متوسط الاستهلاك اليومي"]
+    inventory_df["حالة المخزون"] = np.where(
+        inventory_df["المخزون الحالي"] < inventory_df["الحد الأدنى المطلوب"],
+        "منخفض",
+        np.where(
+            inventory_df["المخزون الحالي"] > inventory_df["الحد الأقصى"],
+            "مرتفع",
+            "مناسب"
+        )
+    )
+    
+    inventory_df["توصية"] = np.where(
+        inventory_df["أيام التغطية المتبقية"] < inventory_df["وقت إعادة الطلب (أيام)"],
+        "يجب الطلب الآن",
+        "المخزون كافي"
+    )
+    
+    # تنسيق العرض
+    formatted_inventory = inventory_df.copy()
+    formatted_inventory["أيام التغطية المتبقية"] = formatted_inventory["أيام التغطية المتبقية"].round(1)
+    
+    # عرض بيانات المخزون
+    st.dataframe(formatted_inventory, use_container_width=True)
+    
+    # تحليل حالة المخزون
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        # مخطط حالة المخزون
+        status_counts = inventory_df["حالة المخزون"].value_counts().reset_index()
+        status_counts.columns = ["الحالة", "العدد"]
+        
+        fig1 = px.pie(
+            status_counts, 
+            values="العدد", 
+            names="الحالة",
+            title="توزيع حالة المخزون",
+            color_discrete_map={
+                "منخفض": "#D32F2F", 
+                "مناسب": "#43A047", 
+                "مرتفع": "#FFC107"
+            }
+        )
+        
+        fig1.update_traces(textposition="inside", textinfo="percent+label")
+        
+        st.plotly_chart(fig1, use_container_width=True)
+    
+    with col2:
+        # أيام التغطية للمواد
+        st.markdown("### أيام التغطية المتبقية للمخزون")
+        
+        fig2 = px.bar(
+            inventory_df.sort_values("أيام التغطية المتبقية"),
+            x="المادة",
+            y="أيام التغطية المتبقية",
+            color="حالة المخزون",
+            title="أيام التغطية المتبقية للمخزون",
+            color_discrete_map={
+                "منخفض": "#D32F2F", 
+                "مناسب": "#43A047", 
+                "مرتفع": "#FFC107"
+            }
+        )
+        
+        # إضافة خط لوقت إعادة الطلب
+        for i, row in inventory_df.iterrows():
+            fig2.add_shape(
+                type="line",
+                x0=i-0.4,
+                x1=i+0.4,
+                y0=row["وقت إعادة الطلب (أيام)"],
+                y1=row["وقت إعادة الطلب (أيام)"],
+                line=dict(color="red", width=2, dash="dash")
+            )
+        
+        st.plotly_chart(fig2, use_container_width=True)
+    
+    # 2. تحليل التوقعات المستقبلية
+    st.markdown("### التوقعات المستقبلية للطلب والأسعار")
+    
+    # إنشاء بيانات توضيحية للتوقعات
+    months = ["يناير", "فبراير", "مارس", "أبريل", "مايو", "يونيو", 
+              "يوليو", "أغسطس", "سبتمبر", "أكتوبر", "نوفمبر", "ديسمبر"]
+    
+    forecast_data = {
+        "الشهر": months,
+        "الطلب المتوقع (طن)": [250, 265,