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]
}