Spaces:
Paused
Paused
File size: 23,081 Bytes
b17d178 297f7f2 1b4e48b 297f7f2 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 |
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 العربية 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, 280, 300]
} |