Create app.py

app.py

@@ -0,0 +1,81 @@
+import pandas as pd
+import numpy as np
+import gradio as gr
+from sklearn.model_selection import train_test_split
+from sklearn.pipeline import Pipeline
+from sklearn.preprocessing import OneHotEncoder
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.compose import ColumnTransformer
+from sklearn.linear_model import LogisticRegression
+
+# 1. Modelltraining auf lokalem CSV
+df = pd.read_csv("mersen_angebotsanfragen_1000_mit_text.csv")
+
+# Vorverarbeitung
+df["Anfrage_Datum"] = pd.to_datetime(df["Anfrage_Datum"])
+df["Wochentag"] = df["Anfrage_Datum"].dt.day_name()
+
+X = df[["Kundentyp", "Branche", "Produktgruppe", "Region", "Kanal",
+        "Dringlichkeit", "Wochentag", "Anfrage_Text", "Projektgröße (€)"]]
+y = df["Abschluss"]
+
+categorical_features = ["Kundentyp", "Branche", "Produktgruppe", "Region",
+                        "Kanal", "Dringlichkeit", "Wochentag"]
+text_feature = "Anfrage_Text"
+numeric_feature = "Projektgröße (€)"
+
+preprocessor = ColumnTransformer([
+    ("cat", OneHotEncoder(handle_unknown="ignore"), categorical_features),
+    ("text", TfidfVectorizer(), text_feature),
+    ("num", "passthrough", [numeric_feature])
+])
+
+pipeline = Pipeline([
+    ("preprocessor", preprocessor),
+    ("classifier", LogisticRegression(max_iter=1000))
+])
+
+pipeline.fit(X, y)
+
+# 2. Vorhersagefunktion für Gradio
+def predict_lead(kundentyp, branche, produktgruppe, region, kanal,
+                 dringlichkeit, wochentag, anfrage_text, projektgroesse):
+    
+    input_data = pd.DataFrame([{
+        "Kundentyp": kundentyp,
+        "Branche": branche,
+        "Produktgruppe": produktgruppe,
+        "Region": region,
+        "Kanal": kanal,
+        "Dringlichkeit": dringlichkeit,
+        "Wochentag": wochentag,
+        "Anfrage_Text": anfrage_text,
+        "Projektgröße (€)": float(projektgroesse)
+    }])
+    
+    prob = pipeline.predict_proba(input_data)[0][1]
+    klasse = "hoch" if prob >= 0.75 else "mittel" if prob >= 0.4 else "niedrig"
+    
+    return f"Abschlusswahrscheinlichkeit: {prob:.2f} → Priorität: {klasse.upper()}"
+
+# 3. Gradio UI
+demo = gr.Interface(
+    fn=predict_lead,
+    inputs=[
+        gr.Dropdown(["Neukunde", "Bestandskunde", "OEM"], label="Kundentyp"),
+        gr.Dropdown(["Gebäude", "Infrastruktur"], label="Branche"),
+        gr.Dropdown(["Sicherung", "Graphitmodul", "Isolationsmaterial", "Spezialfertigung"], label="Produktgruppe"),
+        gr.Dropdown(["DACH"], label="Region"),
+        gr.Dropdown(["Webformular", "E-Mail", "Vertriebspartner"], label="Kanal"),
+        gr.Dropdown(["sofort", "Q1 2025", "Q2 2025", "nächstes Jahr", "unklar"], label="Dringlichkeit"),
+        gr.Dropdown(["Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday"], label="Wochentag"),
+        gr.Textbox(label="Anfrage-Text"),
+        gr.Number(label="Projektgröße (€)")
+    ],
+    outputs="text",
+    title="Lead-Priorisierung – Angebotsanfragen bei Mersen",
+    description="Gib die Eckdaten einer Angebotsanfrage ein. Das Modell bewertet die Abschlusswahrscheinlichkeit und Priorität."
+)
+
+if __name__ == "__main__":
+    demo.launch()