modules/data_analysis/data_analysis_app.py

"""
وحدة تحليل البيانات - التطبيق الرئيسي
"""

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime
import time
import io
import os
import json
import base64
from pathlib import Path

class DataAnalysisApp:
    """وحدة تحليل البيانات"""
    
    def __init__(self):
        """تهيئة وحدة تحليل البيانات"""
        
        # تهيئة حالة الجلسة
        if 'uploaded_data' not in st.session_state:
            st.session_state.uploaded_data = None
        
        if 'data_sources' not in st.session_state:
            st.session_state.data_sources = [
                {
                    'id': 1,
                    'name': 'بيانات المناقصات السابقة',
                    'type': 'CSV',
                    'rows': 250,
                    'columns': 15,
                    'last_updated': '2024-03-01',
                    'description': 'بيانات المناقصات السابقة للشركة خلال الثلاث سنوات الماضية'
                },
                {
                    'id': 2,
                    'name': 'بيانات المنافسين',
                    'type': 'Excel',
                    'rows': 120,
                    'columns': 10,
                    'last_updated': '2024-02-15',
                    'description': 'بيانات المنافسين الرئيسيين في السوق وأسعارهم التنافسية'
                },
                {
                    'id': 3,
                    'name': 'بيانات أسعار المواد',
                    'type': 'CSV',
                    'rows': 500,
                    'columns': 8,
                    'last_updated': '2024-03-10',
                    'description': 'بيانات أسعار المواد الرئيسية المستخدمة في المشاريع'
                },
                {
                    'id': 4,
                    'name': 'بيانات الموردين',
                    'type': 'Excel',
                    'rows': 80,
                    'columns': 12,
                    'last_updated': '2024-02-20',
                    'description': 'بيانات الموردين الرئيسيين وأسعارهم وجودة منتجاتهم'
                },
                {
                    'id': 5,
                    'name': 'بيانات المشاريع المنجزة',
                    'type': 'CSV',
                    'rows': 150,
                    'columns': 20,
                    'last_updated': '2024-03-15',
                    'description': 'بيانات المشاريع المنجزة وتكاليفها الفعلية ومدة تنفيذها'
                }
            ]
        
        if 'sample_data' not in st.session_state:
            # إنشاء بيانات افتراضية للمناقصات السابقة
            np.random.seed(42)
            
            # إنشاء بيانات المناقصات السابقة
            n_tenders = 50
            tender_ids = [f"T-{2021 + i//20}-{i%20 + 1:03d}" for i in range(n_tenders)]
            tender_types = np.random.choice(["مبنى إداري", "مبنى سكني", "مدرسة", "مستشفى", "طرق", "جسور", "بنية تحتية"], n_tenders)
            tender_locations = np.random.choice(["الرياض", "جدة", "الدمام", "مكة", "المدينة", "أبها", "تبوك"], n_tenders)
            tender_areas = np.random.randint(1000, 10000, n_tenders)
            tender_durations = np.random.randint(6, 36, n_tenders)
            tender_budgets = np.random.randint(1000000, 50000000, n_tenders)
            tender_costs = np.array([budget * np.random.uniform(0.8, 1.1) for budget in tender_budgets])
            tender_profits = tender_budgets - tender_costs
            tender_profit_margins = tender_profits / tender_budgets * 100
            tender_statuses = np.random.choice(["فائز", "خاسر", "قيد التنفيذ", "منجز"], n_tenders)
            tender_dates = [f"202{1 + i//20}-{np.random.randint(1, 13):02d}-{np.random.randint(1, 29):02d}" for i in range(n_tenders)]
            
            # إنشاء DataFrame للمناقصات السابقة
            tenders_data = {
                "رقم المناقصة": tender_ids,
                "نوع المشروع": tender_types,
                "الموقع": tender_locations,
                "المساحة (م2)": tender_areas,
                "المدة (شهر)": tender_durations,
                "الميزانية (ريال)": tender_budgets,
                "التكلفة (ريال)": tender_costs,
                "الربح (ريال)": tender_profits,
                "هامش الربح (%)": tender_profit_margins,
                "الحالة": tender_statuses,
                "تاريخ التقديم": tender_dates
            }
            
            st.session_state.sample_data = {
                "tenders": pd.DataFrame(tenders_data)
            }
            
            # إنشاء بيانات أسعار المواد
            n_materials = 30
            material_ids = [f"M-{i+1:03d}" for i in range(n_materials)]
            material_names = [
                "خرسانة جاهزة", "حديد تسليح", "طابوق", "أسمنت", "رمل", "بحص", "خشب", "ألمنيوم", "زجاج", "دهان",
                "سيراميك", "رخام", "جبس", "عازل مائي", "عازل حراري", "أنابيب PVC", "أسلاك كهربائية", "مفاتيح كهربائية",
                "إنارة", "تكييف", "مصاعد", "أبواب خشبية", "أبواب حديدية", "نوافذ ألمنيوم", "نوافذ زجاجية",
                "أرضيات خشبية", "أرضيات بلاط", "أرضيات رخام", "أرضيات سيراميك", "أرضيات بورسلين"
            ]
            material_units = np.random.choice(["م3", "طن", "م2", "كجم", "لتر", "قطعة", "متر"], n_materials)
            material_prices_2021 = np.random.randint(50, 5000, n_materials)
            material_prices_2022 = np.array([price * np.random.uniform(1.0, 1.2) for price in material_prices_2021])
            material_prices_2023 = np.array([price * np.random.uniform(1.0, 1.15) for price in material_prices_2022])
            material_prices_2024 = np.array([price * np.random.uniform(0.95, 1.1) for price in material_prices_2023])
            
            # إنشاء DataFrame لأسعار المواد
            materials_data = {
                "رمز المادة": material_ids,
                "اسم المادة": material_names,
                "الوحدة": material_units,
                "سعر 2021 (ريال)": material_prices_2021,
                "سعر 2022 (ريال)": material_prices_2022,
                "سعر 2023 (ريال)": material_prices_2023,
                "سعر 2024 (ريال)": material_prices_2024,
                "نسبة التغير 2021-2024 (%)": (material_prices_2024 - material_prices_2021) / material_prices_2021 * 100
            }
            
            st.session_state.sample_data["materials"] = pd.DataFrame(materials_data)
            
            # إنشاء بيانات المنافسين
            n_competitors = 10
            competitor_ids = [f"C-{i+1:02d}" for i in range(n_competitors)]
            competitor_names = [
                "شركة الإنشاءات المتطورة", "شركة البناء الحديث", "شركة التطوير العمراني", "شركة الإعمار الدولية",
                "شركة البنية التحتية المتكاملة", "شركة المقاولات العامة", "شركة التشييد والبناء", "شركة الهندسة والإنشاءات",
                "شركة المشاريع الكبرى", "شركة التطوير العقاري"
            ]
            competitor_specialties = np.random.choice(["مباني", "طرق", "جسور", "بنية تحتية", "متعددة"], n_competitors)
            competitor_sizes = np.random.choice(["صغيرة", "متوسطة", "كبيرة"], n_competitors)
            competitor_market_shares = np.random.uniform(1, 15, n_competitors)
            competitor_win_rates = np.random.uniform(10, 60, n_competitors)
            competitor_avg_margins = np.random.uniform(5, 20, n_competitors)
            
            # إنشاء DataFrame للمنافسين
            competitors_data = {
                "رمز المنافس": competitor_ids,
                "اسم المنافس": competitor_names,
                "التخصص": competitor_specialties,
                "الحجم": competitor_sizes,
                "حصة السوق (%)": competitor_market_shares,
                "معدل الفوز (%)": competitor_win_rates,
                "متوسط هامش الربح (%)": competitor_avg_margins
            }
            
            st.session_state.sample_data["competitors"] = pd.DataFrame(competitors_data)
    
    def render(self):
        """عرض واجهة وحدة تحليل البيانات"""
        
        st.markdown("<h1 class='module-title'>وحدة تحليل البيانات</h1>", unsafe_allow_html=True)
        
        tabs = st.tabs([
            "لوحة المعلومات", 
            "تحليل المناقصات",
            "تحليل الأسعار",
            "تحليل المنافسين",
            "استيراد وتصدير البيانات"
        ])
        
        with tabs[0]:
            self._render_dashboard_tab()
        
        with tabs[1]:
            self._render_tenders_analysis_tab()
        
        with tabs[2]:
            self._render_price_analysis_tab()
        
        with tabs[3]:
            self._render_competitors_analysis_tab()
        
        with tabs[4]:
            self._render_import_export_tab()
    
    def _render_dashboard_tab(self):
        """عرض تبويب لوحة المعلومات"""
        
        st.markdown("### لوحة المعلومات")
        
        # عرض مؤشرات الأداء الرئيسية
        st.markdown("#### مؤشرات الأداء الرئيسية")
        
        # استخراج البيانات اللازمة للمؤشرات
        tenders_df = st.session_state.sample_data["tenders"]
        
        # حساب المؤشرات
        total_tenders = len(tenders_df)
        won_tenders = len(tenders_df[tenders_df["الحالة"] == "فائز"])
        win_rate = won_tenders / total_tenders * 100
        avg_profit_margin = tenders_df["هامش الربح (%)"].mean()
        total_profit = tenders_df["الربح (ريال)"].sum()
        
        # عرض المؤشرات
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.metric("إجمالي المناقصات", f"{total_tenders}")
        
        with col2:
            st.metric("معدل الفوز", f"{win_rate:.1f}%")
        
        with col3:
            st.metric("متوسط هامش الربح", f"{avg_profit_margin:.1f}%")
        
        with col4:
            st.metric("إجمالي الربح", f"{total_profit:,.0f} ريال")
        
        # عرض توزيع المناقصات حسب الحالة
        st.markdown("#### توزيع المناقصات حسب الحالة")
        
        status_counts = tenders_df["الحالة"].value_counts().reset_index()
        status_counts.columns = ["الحالة", "العدد"]
        
        fig = px.pie(
            status_counts,
            values="العدد",
            names="الحالة",
            title="توزيع المناقصات حسب الحالة",
            color="الحالة",
            color_discrete_map={
                "فائز": "#2ecc71",
                "خاسر": "#e74c3c",
                "قيد التنفيذ": "#3498db",
                "منجز": "#f39c12"
            }
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض توزيع المناقصات حسب نوع المشروع
        st.markdown("#### توزيع المناقصات حسب نوع المشروع")
        
        type_counts = tenders_df["نوع المشروع"].value_counts().reset_index()
        type_counts.columns = ["نوع المشروع", "العدد"]
        
        fig = px.bar(
            type_counts,
            x="نوع المشروع",
            y="العدد",
            title="توزيع المناقصات حسب نوع المشروع",
            color="نوع المشروع",
            text_auto=True
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تطور هامش الربح عبر الزمن
        st.markdown("#### تطور هامش الربح عبر الزمن")
        
        # إضافة عمود السنة
        tenders_df["السنة"] = tenders_df["تاريخ التقديم"].str[:4]
        
        # حساب متوسط هامش الربح لكل سنة
        profit_margin_by_year = tenders_df.groupby("السنة")["هامش الربح (%)"].mean().reset_index()
        
        fig = px.line(
            profit_margin_by_year,
            x="السنة",
            y="هامش الربح (%)",
            title="تطور متوسط هامش الربح عبر السنوات",
            markers=True
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض توزيع المناقصات حسب الموقع
        st.markdown("#### توزيع المناقصات حسب الموقع")
        
        location_counts = tenders_df["الموقع"].value_counts().reset_index()
        location_counts.columns = ["الموقع", "العدد"]
        
        fig = px.bar(
            location_counts,
            x="الموقع",
            y="العدد",
            title="توزيع المناقصات حسب الموقع",
            color="الموقع",
            text_auto=True
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض العلاقة بين الميزانية والتكلفة
        st.markdown("#### العلاقة بين الميزانية والتكلفة")
        
        fig = px.scatter(
            tenders_df,
            x="الميزانية (ريال)",
            y="التكلفة (ريال)",
            color="الحالة",
            size="المساحة (م2)",
            hover_name="رقم المناقصة",
            hover_data=["نوع المشروع", "الموقع", "هامش الربح (%)"],
            title="العلاقة بين الميزانية والتكلفة",
            color_discrete_map={
                "فائز": "#2ecc71",
                "خاسر": "#e74c3c",
                "قيد التنفيذ": "#3498db",
                "منجز": "#f39c12"
            }
        )
        
        # إضافة خط الميزانية = التكلفة
        max_value = max(tenders_df["الميزانية (ريال)"].max(), tenders_df["التكلفة (ريال)"].max())
        fig.add_trace(
            go.Scatter(
                x=[0, max_value],
                y=[0, max_value],
                mode="lines",
                line=dict(color="gray", dash="dash"),
                name="الميزانية = التكلفة"
            )
        )
        
        st.plotly_chart(fig, use_container_width=True)
    
    def _render_tenders_analysis_tab(self):
        """عرض تبويب تحليل المناقصات"""
        
        st.markdown("### تحليل المناقصات")
        
        # استخراج البيانات
        tenders_df = st.session_state.sample_data["tenders"]
        
        # عرض خيارات التصفية
        st.markdown("#### خيارات التصفية")
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            selected_status = st.multiselect(
                "الحالة",
                options=tenders_df["الحالة"].unique(),
                default=tenders_df["الحالة"].unique()
            )
        
        with col2:
            selected_types = st.multiselect(
                "نوع المشروع",
                options=tenders_df["نوع المشروع"].unique(),
                default=tenders_df["نوع المشروع"].unique()
            )
        
        with col3:
            selected_locations = st.multiselect(
                "الموقع",
                options=tenders_df["الموقع"].unique(),
                default=tenders_df["الموقع"].unique()
            )
        
        # تطبيق التصفية
        filtered_df = tenders_df[
            tenders_df["الحالة"].isin(selected_status) &
            tenders_df["نوع المشروع"].isin(selected_types) &
            tenders_df["الموقع"].isin(selected_locations)
        ]
        
        # عرض البيانات المصفاة
        st.markdown("#### البيانات المصفاة")
        
        st.dataframe(filtered_df, use_container_width=True, hide_index=True)
        
        # عرض إحصائيات البيانات المصفاة
        st.markdown("#### إحصائيات البيانات المصفاة")
        
        col1, col2, col3, col4 = st.columns(4)
        
        with col1:
            st.metric("عدد المناقصات", f"{len(filtered_df)}")
        
        with col2:
            won_count = len(filtered_df[filtered_df["الحالة"] == "فائز"])
            win_rate = won_count / len(filtered_df) * 100 if len(filtered_df) > 0 else 0
            st.metric("معدل الفوز", f"{win_rate:.1f}%")
        
        with col3:
            avg_profit_margin = filtered_df["هامش الربح (%)"].mean()
            st.metric("متوسط هامش الربح", f"{avg_profit_margin:.1f}%")
        
        with col4:
            total_profit = filtered_df["الربح (ريال)"].sum()
            st.metric("إجمالي الربح", f"{total_profit:,.0f} ريال")
        
        # عرض تحليل هامش الربح حسب نوع المشروع
        st.markdown("#### تحليل هامش الربح حسب نوع المشروع")
        
        profit_margin_by_type = filtered_df.groupby("نوع المشروع")["هامش الربح (%)"].mean().reset_index()
        
        fig = px.bar(
            profit_margin_by_type,
            x="نوع المشروع",
            y="هامش الربح (%)",
            title="متوسط هامش الربح حسب نوع المشروع",
            color="نوع المشروع",
            text_auto=".1f"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل هامش الربح حسب الموقع
        st.markdown("#### تحليل هامش الربح حسب الموقع")
        
        profit_margin_by_location = filtered_df.groupby("الموقع")["هامش الربح (%)"].mean().reset_index()
        
        fig = px.bar(
            profit_margin_by_location,
            x="الموقع",
            y="هامش الربح (%)",
            title="متوسط هامش الربح حسب الموقع",
            color="الموقع",
            text_auto=".1f"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل معدل الفوز حسب نوع المشروع
        st.markdown("#### تحليل معدل الفوز حسب نوع المشروع")
        
        # حساب معدل الفوز لكل نوع مشروع
        win_rate_by_type = []
        
        for project_type in filtered_df["نوع المشروع"].unique():
            type_df = filtered_df[filtered_df["نوع المشروع"] == project_type]
            won_count = len(type_df[type_df["الحالة"] == "فائز"])
            total_count = len(type_df)
            win_rate = won_count / total_count * 100 if total_count > 0 else 0
            win_rate_by_type.append({
                "نوع المشروع": project_type,
                "معدل الفوز (%)": win_rate,
                "عدد المناقصات": total_count
            })
        
        win_rate_by_type_df = pd.DataFrame(win_rate_by_type)
        
        fig = px.bar(
            win_rate_by_type_df,
            x="نوع المشروع",
            y="معدل الفوز (%)",
            title="معدل الفوز حسب نوع المشروع",
            color="نوع المشروع",
            text_auto=".1f",
            hover_data=["عدد المناقصات"]
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل العلاقة بين حجم المشروع وهامش الربح
        st.markdown("#### العلاقة بين حجم المشروع وهامش الربح")
        
        fig = px.scatter(
            filtered_df,
            x="الميزانية (ريال)",
            y="هامش الربح (%)",
            color="الحالة",
            size="المساحة (م2)",
            hover_name="رقم المناقصة",
            hover_data=["نوع المشروع", "الموقع", "المدة (شهر)"],
            title="العلاقة بين حجم المشروع وهامش الربح",
            color_discrete_map={
                "فائز": "#2ecc71",
                "خاسر": "#e74c3c",
                "قيد التنفيذ": "#3498db",
                "منجز": "#f39c12"
            }
        )
        
        # إضافة خط الاتجاه
        fig.update_layout(
            shapes=[
                dict(
                    type="line",
                    xref="x",
                    yref="y",
                    x0=filtered_df["الميزانية (ريال)"].min(),
                    y0=filtered_df["هامش الربح (%)"].mean(),
                    x1=filtered_df["الميزانية (ريال)"].max(),
                    y1=filtered_df["هامش الربح (%)"].mean(),
                    line=dict(color="gray", dash="dash")
                )
            ]
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل العلاقة بين مدة المشروع وهامش الربح
        st.markdown("#### العلاقة بين مدة المشروع وهامش الربح")
        
        fig = px.scatter(
            filtered_df,
            x="المدة (شهر)",
            y="هامش الربح (%)",
            color="الحالة",
            size="الميزانية (ريال)",
            hover_name="رقم المناقصة",
            hover_data=["نوع المشروع", "الموقع", "المساحة (م2)"],
            title="العلاقة بين مدة المشروع وهامش الربح",
            color_discrete_map={
                "فائز": "#2ecc71",
                "خاسر": "#e74c3c",
                "قيد التنفيذ": "#3498db",
                "منجز": "#f39c12"
            }
        )
        
        st.plotly_chart(fig, use_container_width=True)
    
    def _render_price_analysis_tab(self):
        """عرض تبويب تحليل الأسعار"""
        
        st.markdown("### تحليل الأسعار")
        
        # استخراج البيانات
        materials_df = st.session_state.sample_data["materials"]
        
        # عرض بيانات أسعار المواد
        st.markdown("#### بيانات أسعار المواد")
        
        st.dataframe(materials_df, use_container_width=True, hide_index=True)
        
        # عرض تطور أسعار المواد عبر السنوات
        st.markdown("#### تطور أسعار المواد عبر السنوات")
        
        # اختيار المواد للعرض
        selected_materials = st.multiselect(
            "اختر المواد للعرض",
            options=materials_df["اسم المادة"].unique(),
            default=materials_df["اسم المادة"].unique()[:5]
        )
        
        if selected_materials:
            # تحضير البيانات للرسم البياني
            filtered_materials = materials_df[materials_df["اسم المادة"].isin(selected_materials)]
            
            # تحويل البيانات من العرض العريض إلى العرض الطويل
            melted_df = pd.melt(
                filtered_materials,
                id_vars=["رمز المادة", "اسم المادة", "الوحدة"],
                value_vars=["سعر 2021 (ريال)", "سعر 2022 (ريال)", "سعر 2023 (ريال)", "سعر 2024 (ريال)"],
                var_name="السنة",
                value_name="السعر (ريال)"
            )
            
            # استخراج السنة من اسم العمود
            melted_df["السنة"] = melted_df["السنة"].str.extract(r"سعر (\d{4})")
            
            # رسم بياني لتطور الأسعار
            fig = px.line(
                melted_df,
                x="السنة",
                y="السعر (ريال)",
                color="اسم المادة",
                title="تطور أسعار المواد عبر السنوات",
                markers=True,
                hover_data=["الوحدة"]
            )
            
            st.plotly_chart(fig, use_container_width=True)
        
        # عرض نسبة التغير في أسعار المواد
        st.markdown("#### نسبة التغير في أسعار المواد (2021-2024)")
        
        # ترتيب المواد حسب نسبة التغير
        sorted_materials = materials_df.sort_values("نسبة التغير 2021-2024 (%)", ascending=False)
        
        fig = px.bar(
            sorted_materials,
            x="اسم المادة",
            y="نسبة التغير 2021-2024 (%)",
            title="نسبة التغير في أسعار المواد (2021-2024)",
            color="نسبة التغير 2021-2024 (%)",
            color_continuous_scale="RdYlGn_r",
            text_auto=".1f"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض توزيع أسعار المواد حسب الفئة
        st.markdown("#### توزيع أسعار المواد حسب الفئة")
        
        # تصنيف المواد إلى فئات
        materials_df["فئة المادة"] = materials_df["اسم المادة"].apply(
            lambda x: "مواد إنشائية" if x in ["خرسانة جاهزة", "حديد تسليح", "طابوق", "أسمنت", "رمل", "بحص", "خشب"]
            else "مواد تشطيب" if x in ["ألمنيوم", "زجاج", "دهان", "سيراميك", "رخام", "جبس", "عازل مائي", "عازل حراري"]
            else "مواد كهربائية" if x in ["أنابيب PVC", "أسلاك كهربائية", "مفاتيح كهربائية", "إنارة"]
            else "مواد ميكانيكية" if x in ["تكييف", "مصاعد"]
            else "أبواب ونوافذ" if x in ["أبواب خشبية", "أبواب حديدية", "نوافذ ألمنيوم", "نوافذ زجاجية"]
            else "أرضيات" if x in ["أرضيات خشبية", "أرضيات بلاط", "أرضيات رخام", "أرضيات سيراميك", "أرضيات بورسلين"]
            else "أخرى"
        )
        
        # حساب متوسط نسبة التغير لكل فئة
        category_change = materials_df.groupby("فئة المادة")["نسبة التغير 2021-2024 (%)"].mean().reset_index()
        
        fig = px.bar(
            category_change,
            x="فئة المادة",
            y="نسبة التغير 2021-2024 (%)",
            title="متوسط نسبة التغير في أسعار المواد حسب الفئة (2021-2024)",
            color="فئة المادة",
            text_auto=".1f"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل تأثير تغير الأسعار على تكاليف المشاريع
        st.markdown("#### تحليل تأثير تغير الأسعار على تكاليف المشاريع")
        
        # إنشاء بيانات افتراضية لتوزيع التكاليف
        cost_distribution = {
            "الفئة": [
                "مواد إنشائية",
                "مواد تشطيب",
                "مواد كهربائية",
                "مواد ميكانيكية",
                "أبواب ونوافذ",
                "أرضيات",
                "عمالة",
                "معدات",
                "نفقات عامة"
            ],
            "النسبة من التكلفة (%)": [30, 20, 10, 15, 5, 5, 10, 3, 2]
        }
        
        cost_distribution_df = pd.DataFrame(cost_distribution)
        
        # حساب تأثير تغير الأسعار على التكاليف
        impact_data = []
        
        for index, row in cost_distribution_df.iterrows():
            category = row["الفئة"]
            cost_percentage = row["النسبة من التكلفة (%)"]
            
            if category in category_change["فئة المادة"].values:
                price_change = category_change[category_change["فئة المادة"] == category]["نسبة التغير 2021-2024 (%)"].values[0]
            else:
                # افتراض نسبة تغير للفئات غير المدرجة
                price_change = 10 if category == "عمالة" else 5
            
            impact = cost_percentage * price_change / 100
            
            impact_data.append({
                "الفئة": category,
                "النسبة من التكلفة (%)": cost_percentage,
                "نسبة التغير في الأسعار (%)": price_change,
                "التأثير على التكلفة الإجمالية (%)": impact
            })
        
        impact_df = pd.DataFrame(impact_data)
        
        # حساب إجمالي التأثير على التكلفة
        total_impact = impact_df["التأثير على التكلفة الإجمالية (%)"].sum()
        
        st.metric("إجمالي التأثير على التكلفة", f"{total_impact:.1f}%")
        
        # عرض جدول التأثير
        st.dataframe(impact_df, use_container_width=True, hide_index=True)
        
        # رسم بياني للتأثير على التكلفة
        fig = px.bar(
            impact_df,
            x="الفئة",
            y="التأثير على التكلفة الإجمالية (%)",
            title="تأثير تغير الأسعار على التكلفة الإجمالية للمشاريع",
            color="الفئة",
            text_auto=".1f"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض توصيات لإدارة تغير الأسعار
        st.markdown("#### توصيات لإدارة تغير الأسعار")
        
        st.markdown("""
        1. **التعاقد المسبق مع الموردين:** التعاقد المسبق مع الموردين لتثبيت الأسعار لفترة زمنية محددة.
        2. **تنويع مصادر التوريد:** تنويع مصادر التوريد لتقليل مخاطر ارتفاع الأسعار من مصدر واحد.
        3. **شراء المواد مقدماً:** شراء المواد الرئيسية مقدماً للمشاريع المستقبلية عندما تكون الأسعار منخفضة.
        4. **استخدام مواد بديلة:** استخدام مواد بديلة ذات جودة مماثلة وأسعار أقل.
        5. **تضمين بند تعديل الأسعار في العقود:** تضمين بند تعديل الأسعار في العقود لتغطية التغيرات الكبيرة في أسعار المواد.
        6. **تحسين كفاءة استخدام المواد:** تحسين كفاءة استخدام المواد لتقليل الهدر وتقليل التكاليف.
        7. **مراقبة اتجاهات الأسعار:** مراقبة اتجاهات الأسعار بشكل مستمر واتخاذ القرارات بناءً على التوقعات المستقبلية.
        """)
    
    def _render_competitors_analysis_tab(self):
        """عرض تبويب تحليل المنافسين"""
        
        st.markdown("### تحليل المنافسين")
        
        # استخراج البيانات
        competitors_df = st.session_state.sample_data["competitors"]
        
        # عرض بيانات المنافسين
        st.markdown("#### بيانات المنافسين")
        
        st.dataframe(competitors_df, use_container_width=True, hide_index=True)
        
        # عرض حصص السوق للمنافسين
        st.markdown("#### حصص السوق للمنافسين")
        
        # ترتيب المنافسين حسب حصة السوق
        sorted_competitors = competitors_df.sort_values("حصة السوق (%)", ascending=False)
        
        fig = px.pie(
            sorted_competitors,
            values="حصة السوق (%)",
            names="اسم المنافس",
            title="حصص السوق للمنافسين",
            hover_data=["التخصص", "الحجم"]
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض معدلات الفوز للمنافسين
        st.markdown("#### معدلات الفوز للمنافسين")
        
        # ترتيب المنافسين حسب معدل الفوز
        sorted_by_win_rate = competitors_df.sort_values("معدل الفوز (%)", ascending=False)
        
        fig = px.bar(
            sorted_by_win_rate,
            x="اسم المنافس",
            y="معدل الفوز (%)",
            title="معدلات الفوز للمنافسين",
            color="معدل الفوز (%)",
            text_auto=".1f",
            hover_data=["التخصص", "الحجم", "حصة السوق (%)"]
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض متوسط هوامش الربح للمنافسين
        st.markdown("#### متوسط هوامش الربح للمنافسين")
        
        # ترتيب المنافسين حسب متوسط هامش الربح
        sorted_by_margin = competitors_df.sort_values("متوسط هامش الربح (%)", ascending=False)
        
        fig = px.bar(
            sorted_by_margin,
            x="اسم المنافس",
            y="متوسط هامش الربح (%)",
            title="متوسط هوامش الربح للمنافسين",
            color="متوسط هامش الربح (%)",
            text_auto=".1f",
            hover_data=["التخصص", "الحجم", "حصة السوق (%)"]
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل المنافسين حسب التخصص
        st.markdown("#### تحليل المنافسين حسب التخصص")
        
        # حساب متوسط معدل الفوز وهامش الربح لكل تخصص
        specialty_analysis = competitors_df.groupby("التخصص").agg({
            "معدل الفوز (%)": "mean",
            "متوسط هامش الربح (%)": "mean",
            "حصة السوق (%)": "sum"
        }).reset_index()
        
        # عرض تحليل التخصصات
        st.dataframe(specialty_analysis, use_container_width=True, hide_index=True)
        
        # رسم بياني للعلاقة بين معدل الفوز وهامش الربح حسب التخصص
        fig = px.scatter(
            specialty_analysis,
            x="معدل الفوز (%)",
            y="متوسط هامش الربح (%)",
            size="حصة السوق (%)",
            color="التخصص",
            hover_name="التخصص",
            title="العلاقة بين معدل الفوز وهامش الربح حسب التخصص",
            text="التخصص"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل المنافسين حسب الحجم
        st.markdown("#### تحليل المنافسين حسب الحجم")
        
        # حساب متوسط معدل الفوز وهامش الربح لكل حجم
        size_analysis = competitors_df.groupby("الحجم").agg({
            "معدل الفوز (%)": "mean",
            "متوسط هامش الربح (%)": "mean",
            "حصة السوق (%)": "sum"
        }).reset_index()
        
        # عرض تحليل الأحجام
        st.dataframe(size_analysis, use_container_width=True, hide_index=True)
        
        # رسم بياني للعلاقة بين معدل الفوز وهامش الربح حسب الحجم
        fig = px.scatter(
            size_analysis,
            x="معدل الفوز (%)",
            y="متوسط هامش الربح (%)",
            size="حصة السوق (%)",
            color="الحجم",
            hover_name="الحجم",
            title="العلاقة بين معدل الفوز وهامش الربح حسب الحجم",
            text="الحجم"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # عرض تحليل نقاط القوة والضعف للمنافسين
        st.markdown("#### تحليل نقاط القوة والضعف للمنافسين الرئيسيين")
        
        # اختيار المنافسين للتحليل
        top_competitors = competitors_df.sort_values("حصة السوق (%)", ascending=False).head(3)
        
        for index, competitor in top_competitors.iterrows():
            with st.expander(f"{competitor['اسم المنافس']} - حصة السوق: {competitor['حصة السوق (%)']:.1f}%"):
                st.markdown(f"**التخصص:** {competitor['التخصص']}")
                st.markdown(f"**الحجم:** {competitor['الحجم']}")
                st.markdown(f"**معدل الفوز:** {competitor['معدل الفوز (%)']:.1f}%")
                st.markdown(f"**متوسط هامش الربح:** {competitor['متوسط هامش الربح (%)']:.1f}%")
                
                st.markdown("**نقاط القوة:**")
                if competitor["الحجم"] == "كبيرة":
                    st.markdown("- قدرة مالية كبيرة")
                    st.markdown("- خبرة واسعة في المشاريع الكبيرة")
                    st.markdown("- سمعة قوية في السوق")
                    st.markdown("- شبكة علاقات واسعة")
                elif competitor["الحجم"] == "متوسطة":
                    st.markdown("- مرونة في التعامل مع المشاريع")
                    st.markdown("- تكاليف تشغيلية أقل")
                    st.markdown("- تخصص في مجالات محددة")
                    st.markdown("- سرعة في اتخاذ القرارات")
                else:
                    st.markdown("- مرونة عالية")
                    st.markdown("- تكاليف تشغيلية منخفضة")
                    st.markdown("- خدمة عملاء متميزة")
                    st.markdown("- تخصص دقيق في مجال محدد")
                
                st.markdown("**نقاط الضعف:**")
                if competitor["الحجم"] == "كبيرة":
                    st.markdown("- بطء في اتخاذ القرارات")
                    st.markdown("- تكاليف تشغيلية عالية")
                    st.markdown("- أقل مرونة في التعامل مع التغييرات")
                    st.markdown("- تركيز على المشاريع الكبيرة فقط")
                elif competitor["الحجم"] == "متوسطة":
                    st.markdown("- قدرة مالية محدودة مقارنة بالشركات الكبيرة")
                    st.markdown("- صعوبة في المنافسة على المشاريع الكبيرة")
                    st.markdown("- محدودية الموارد البشرية")
                    st.markdown("- صعوبة في الحصول على تمويل")
                else:
                    st.markdown("- قدرة مالية محدودة جداً")
                    st.markdown("- صعوبة في المنافسة على المشاريع المتوسطة والكبيرة")
                    st.markdown("- محدودية الموارد البشرية والفنية")
                    st.markdown("- صعوبة في الحصول على تمويل")
        
        # عرض توصيات للتعامل مع المنافسين
        st.markdown("#### توصيات للتعامل مع المنافسين")
        
        st.markdown("""
        1. **التركيز على نقاط القوة:** التركيز على نقاط القوة الخاصة بالشركة والتي تميزها عن المنافسين.
        2. **استهداف شرائح سوقية محددة:** استهداف شرائح سوقية محددة والتركيز على تلبية احتياجاتها بشكل أفضل من المنافسين.
        3. **تطوير علاقات قوية مع العملاء:** تطوير علاقات قوية مع العملاء لضمان ولائهم وتكرار التعامل معهم.
        4. **الابتكار في الخدمات والحلول:** تقديم حلول مبتكرة وخدمات متميزة تلبي احتياجات العملاء بشكل أفضل من المنافسين.
        5. **تحسين الكفاءة التشغيلية:** تحسين الكفاءة التشغيلية لتقليل التكاليف وزيادة القدرة التنافسية.
        6. **بناء تحالفات استراتيجية:** بناء تحالفات استراتيجية مع شركات أخرى لتعزيز القدرة التنافسية.
        7. **مراقبة المنافسين باستمرار:** مراقبة المنافسين باستمرار وتحليل استراتيجياتهم وتحركاتهم في السوق.
        """)
    
    def _render_import_export_tab(self):
        """عرض تبويب استيراد وتصدير البيانات"""
        
        st.markdown("### استيراد وتصدير البيانات")
        
        # عرض مصادر البيانات الحالية
        st.markdown("#### مصادر البيانات الحالية")
        
        # تحويل قائمة مصادر البيانات إلى DataFrame
        sources_df = pd.DataFrame(st.session_state.data_sources)
        
        # عرض مصادر البيانات كجدول
        st.dataframe(
            sources_df,
            column_config={
                "id": st.column_config.NumberColumn("الرقم"),
                "name": st.column_config.TextColumn("اسم المصدر"),
                "type": st.column_config.TextColumn("النوع"),
                "rows": st.column_config.NumberColumn("عدد الصفوف"),
                "columns": st.column_config.NumberColumn("عدد الأعمدة"),
                "last_updated": st.column_config.DateColumn("تاريخ التحديث"),
                "description": st.column_config.TextColumn("الوصف")
            },
            use_container_width=True,
            hide_index=True
        )
        
        # استيراد بيانات جديدة
        st.markdown("#### استيراد بيانات جديدة")
        
        col1, col2 = st.columns(2)
        
        with col1:
            data_type = st.selectbox(
                "نوع البيانات",
                ["بيانات المناقصات", "بيانات المنافسين", "بيانات أسعار المواد", "بيانات الموردين", "بيانات المشاريع", "أخرى"]
            )
        
        with col2:
            file_format = st.selectbox(
                "صيغة الملف",
                ["CSV", "Excel", "JSON"]
            )
        
        uploaded_file = st.file_uploader(f"قم بتحميل ملف {file_format}", type=["csv", "xlsx", "json"])
        
        if uploaded_file is not None:
            if st.button("استيراد البيانات"):
                # محاكاة استيراد البيانات
                with st.spinner("جاري استيراد البيانات..."):
                    time.sleep(2)  # محاكاة وقت المعالجة
                    
                    # تحديث قائمة مصادر البيانات
                    new_id = max([source["id"] for source in st.session_state.data_sources]) + 1
                    
                    st.session_state.data_sources.append({
                        "id": new_id,
                        "name": f"{data_type} - {uploaded_file.name}",
                        "type": file_format,
                        "rows": np.random.randint(50, 500),
                        "columns": np.random.randint(5, 20),
                        "last_updated": time.strftime("%Y-%m-%d"),
                        "description": f"بيانات تم استيرادها من ملف {uploaded_file.name}"
                    })
                    
                    st.success("تم استيراد البيانات بنجاح!")
                    st.rerun()
        
        # تصدير البيانات
        st.markdown("#### تصدير البيانات")
        
        col1, col2 = st.columns(2)
        
        with col1:
            export_data_type = st.selectbox(
                "نوع البيانات للتصدير",
                ["بيانات المناقصات", "بيانات المنافسين", "بيانات أسعار المواد", "بيانات الموردين", "بيانات المشاريع", "تقرير تحليلي شامل"]
            )
        
        with col2:
            export_format = st.selectbox(
                "صيغة التصدير",
                ["CSV", "Excel", "JSON", "PDF"]
            )
        
        if st.button("تصدير البيانات"):
            # محاكاة تصدير البيانات
            with st.spinner("جاري تصدير البيانات..."):
                time.sleep(2)  # محاكاة وقت المعالجة
                st.success(f"تم تصدير {export_data_type} بصيغة {export_format} بنجاح!")
                
                # إنشاء رابط تنزيل وهمي
                if export_data_type == "بيانات المناقصات":
                    df = st.session_state.sample_data["tenders"]
                elif export_data_type == "بيانات المنافسين":
                    df = st.session_state.sample_data["competitors"]
                elif export_data_type == "بيانات أسعار المواد":
                    df = st.session_state.sample_data["materials"]
                else:
                    # إنشاء DataFrame وهمي للأنواع الأخرى
                    df = pd.DataFrame({
                        "البيان": ["بيان 1", "بيان 2", "بيان 3"],
                        "القيمة": [100, 200, 300]
                    })
                
                # تحويل DataFrame إلى CSV
                csv = df.to_csv(index=False)
                b64 = base64.b64encode(csv.encode()).decode()
                href = f'<a href="data:file/csv;base64,{b64}" download="{export_data_type}.csv">انقر هنا لتنزيل الملف</a>'
                st.markdown(href, unsafe_allow_html=True)
        
        # تكامل البيانات مع الوحدات الأخرى
        st.markdown("#### تكامل البيانات مع الوحدات الأخرى")
        
        st.markdown("""
        يمكن تكامل البيانات مع الوحدات الأخرى في النظام من خلال:
        
        1. **إرسال البيانات إلى وحدة التسعير:** إرسال بيانات أسعار المواد وبيانات المناقصات السابقة إلى وحدة التسعير لتحسين دقة التسعير.
        2. **إرسال البيانات إلى وحدة تحليل المخاطر:** إرسال بيانات المناقصات السابقة وبيانات المنافسين إلى وحدة تحليل المخاطر لتحسين تقييم المخاطر.
        3. **إرسال البيانات إلى وحدة الذكاء الاصطناعي:** إرسال البيانات إلى وحدة الذكاء الاصطناعي لتدريب النماذج وتحسين دقة التنبؤات.
        4. **إرسال البيانات إلى وحدة إدارة المشاريع:** إرسال بيانات المشاريع المنجزة إلى وحدة إدارة المشاريع لتحسين تخطيط وإدارة المشاريع المستقبلية.
        5. **إرسال البيانات إلى وحدة التقارير:** إرسال البيانات إلى وحدة التقارير لإنشاء تقارير تحليلية شاملة.
        """)
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            if st.button("إرسال إلى وحدة التسعير"):
                st.success("تم إرسال البيانات إلى وحدة التسعير بنجاح!")
        
        with col2:
            if st.button("إرسال إلى وحدة تحليل المخاطر"):
                st.success("تم إرسال البيانات إلى وحدة تحليل المخاطر بنجاح!")
        
        with col3:
            if st.button("إرسال إلى وحدة الذكاء الاصطناعي"):
                st.success("تم إرسال البيانات إلى وحدة الذكاء الاصطناعي بنجاح!")