Det här är mitt ML-projekt för att förutsäga om en offert blir vunnen eller förlorad baserat på historiska offerter.

Målet är att kunna:

• ladda in gamla offerter och deras utfall
• träna om modellen löpande när ny facit-data kommer in
• skicka in en ny offert-PDF och få sannolikhet för vinst
• förhandsgranska historiska offerter, deras key points och outcome

Flödet är:

1. Jag samlar historiska data (dummy-data eller riktiga data).
2. Offerter sparas i SQLite (data/app.db) med features + utfall.
3. Modellen tränas på alla rader som har känt utfall.
4. Vid ny offert extraheras samma features och modellen räknar ut vinstsannolikhet.

Appen körs i Streamlit via app.py.

De viktigaste nycklarna är:

• TotalPrice (numerisk)
• DeliveryTime i dagar (numerisk)
• Industry (kategori)
• RiskClauses antal riskklausuler (numerisk)

Target-variabeln är:

• Won_Quote (0 = förlorad, 1 = vunnen)

När jag laddar PDF:er extraheras dessa keys automatiskt via regelbaserad texttolkning i src/extractor.py.

RiskClauses beräknas från offertens textinnehåll (PDF -> text) i src/extractor.py.

Jag har en lista med riskmönster (RISK_PATTERNS) och räknar hur många av dessa som matchar i texten:

• unlimited liability
• penalty clause
• liquidated damages
• termination for convenience
• exclusive jurisdiction
• non-standard warranty
• late delivery penalty

Beräkningen görs i funktionen extract_risk_clauses(text):

• texten normaliseras till lowercase
• varje regex-mönster i RISK_PATTERNS testas mot texten
• summan av träffarna blir värdet för RiskClauses

I Browse quotes kan jag filtrera på:

• source_type (t.ex. dummy_generated, historical, historical_csv, prediction)
• Industry
• Outcome (Won, Lost, Unknown)

Det gör att jag kan granska både träningsdata och prediktionsdata strukturerat.

I nuvarande version används:

• LogisticRegression från scikit-learn (klassificering win/loss)

Runt modellen används även en preprocessing-pipeline:

• numeriska features: SimpleImputer(strategy="median")
• kategorisk feature (Industry): SimpleImputer(strategy="most_frequent") + OneHotEncoder(handle_unknown="ignore")
• allting byggs med ColumnTransformer + Pipeline

Modellen sparas som data/models/quote_model.joblib.

För att träning ska fungera behövs:

• minst 10 labelade rader
• båda klasserna måste finnas (Won_Quote=0 och Won_Quote=1)
• minst 2 exempel per klass

Kör från projektmappen:

python -m venv .venv
.venv\Scripts\activate
python -m pip install -r requirements.txt
python scripts/generate_dummy_data.py
streamlit run app.py

generate_dummy_data.py gör automatiskt detta:

• skapar dummy-CSV
• skapar dummy-PDF:er + manifest
• laddar in data i DB
• tränar modellen direkt

Så man behöver inte ladda upp filer manuellt för att komma igång.

I appen under Import historical finns två vägar:

• PDF + manifest (filename, Won_Quote)
• Structured CSV (TotalPrice, DeliveryTime, Industry, RiskClauses, Won_Quote)

Efter import kan modellen tränas om direkt i appen.