# 必要なライブラリを読み込む
import pandas as pd      # データを表形式で扱う
import numpy as np       # 数値計算（乱数生成、統計計算など）
import matplotlib.pyplot as plt  # グラフ描画
from scipy import stats  # 統計検定

# 乱数のシードを固定（再現性のため）
# 同じシードを設定すると、毎回同じ乱数が生成される
np.random.seed(42)

# ===== Product A: 3年前発売、成功した商品 =====
months_a = np.arange(1, 37)  # 1〜36ヶ月目

# 販売数 = ベース + トレンド + 季節性 + ノイズ
base_sales_a = 2000        # 基本となる販売数
trend_a = 50               # 月あたりの成長（プラス=成長）
# 季節性: sin関数で12ヶ月周期の波を作る（冬に売れる傾向）
seasonality_a = 300 * np.sin(2 * np.pi * months_a / 12)
# ノイズ: ランダムな変動（平均0、標準偏差150の正規分布）
noise_a = np.random.normal(0, 150, len(months_a))

# 販売数を計算
sales_a = base_sales_a + trend_a * months_a + seasonality_a + noise_a

# ===== Product B: 2年前発売、普通の商品 =====
months_b = np.arange(1, 25)  # 1〜24ヶ月目
base_sales_b = 1500
trend_b = 30  # 緩やかな成長
seasonality_b = 200 * np.sin(2 * np.pi * months_b / 12)
noise_b = np.random.normal(0, 100, len(months_b))
sales_b = base_sales_b + trend_b * months_b + seasonality_b + noise_b

# ===== Product C: 1年前発売、失敗した商品 =====
months_c = np.arange(1, 13)  # 1〜12ヶ月目
base_sales_c = 800
trend_c = -20  # マイナス = 月を追うごとに減少
seasonality_c = 100 * np.sin(2 * np.pi * months_c / 12)
noise_c = np.random.normal(0, 80, len(months_c))
sales_c = base_sales_c + trend_c * months_c + seasonality_c + noise_c

# 販売数が300を下回らないようにする（最低ライン）
sales_c = np.maximum(sales_c, 300)  # maximum: 2つの値の大きい方を返す

# 各商品の実績を表示
print("=" * 60)
print("【STEP 1: 類似商品の分析】")
print("=" * 60)
print()

print("Product A（3年前発売、成功）:")
print(f"  • 初月販売: {sales_a[0]:.0f}台")
print(f"  • 12ヶ月累計: {sales_a[:12].sum():.0f}台")
print()

print("Product B（2年前発売、普通）:")
print(f"  • 初月販売: {sales_b[0]:.0f}台")
print(f"  • 12ヶ月累計: {sales_b[:12].sum():.0f}台")
print()

print("Product C（1年前発売、失敗）:")
print(f"  • 初月販売: {sales_c[0]:.0f}台")
print(f"  • 12ヶ月累計: {sales_c[:12].sum():.0f}台")

# 初月販売数の統計
first_month_sales = np.array([sales_a[0], sales_b[0], sales_c[0]])

print()
print("【初月販売数の統計】")
print(f"  平均: {first_month_sales.mean():.0f}台")
print(f"  標準偏差: {first_month_sales.std():.0f}台")
print(f"  範囲: {first_month_sales.min():.0f} - {first_month_sales.max():.0f}台")

# 年間販売数の統計
annual_sales = np.array([
    sales_a[:12].sum(),  # Product Aの初年度
    sales_b[:12].sum(),  # Product Bの初年度
    sales_c[:12].sum()   # Product Cの初年度
])

print()
print("【初年度販売数の統計】")
print(f"  平均: {annual_sales.mean():.0f}台")
print(f"  標準偏差: {annual_sales.std():.0f}台")
print(f"  範囲: {annual_sales.min():.0f} - {annual_sales.max():.0f}台")

# 事前予約数
pre_orders = 1200

# 過去商品の「事前予約 → 初月販売」の転換率を分析
# 転換倍率 = 初月販売数 / 事前予約数
conversion_data = pd.DataFrame({
    '商品': ['Product A', 'Product B', 'Product C'],
    '事前予約': [800, 600, 400],
    '初月販売': [2000, 1500, 800],
})

# 転換倍率を計算
conversion_data['転換倍率'] = conversion_data['初月販売'] / conversion_data['事前予約']

print("【過去商品の転換率】")
print()
print(conversion_data.to_string(index=False))
print()

# 平均転換倍率を計算
avg_conversion = conversion_data['転換倍率'].mean()
print(f"平均転換倍率: {avg_conversion:.1f}倍")
print()

# SmartAir Proの初月予測
# 事前予約 × 平均転換倍率 = 予測初月販売数
predicted_first_month = pre_orders * avg_conversion
print("【初月販売予測（事前予約ベース）】")
print(f"  {pre_orders}件 × {avg_conversion:.1f}倍 = {predicted_first_month:.0f}台")

# 手法1: 類似商品ベース予測
# Product B（普通の実績）に近いと仮定

# Product Bの初年度月次販売データを使用
method1_monthly = sales_b[:12] * 1.0  # コピーを作成
method1_total = method1_monthly.sum()

print("【手法1: 類似商品ベース】")
print(f"  根拠: Product Bの実績をベースに予測")
print(f"  初年度予測: {method1_total:.0f}台")

# 手法2: 市場シェアベース予測
# 市場規模と目標シェアから逆算

market_size_yen = 120_000_000_000  # 市場規模: 1,200億円
avg_price = 45000                   # 平均価格: 45,000円
market_size_units = market_size_yen / avg_price  # 台数に換算

target_share = 0.01  # 目標シェア: 1%

# 予測販売数 = 市場規模（台数）× 目標シェア
method2_total = market_size_units * target_share

# 月平均で割り振る（季節性は考慮せず均等配分）
method2_monthly = np.full(12, method2_total / 12)

print("【手法2: 市場シェアベース】")
print(f"  市場規模: {market_size_units:,.0f}台/年")
print(f"  目標シェア: {target_share*100:.1f}%")
print(f"  初年度予測: {method2_total:,.0f}台")

# 手法3: 事前予約ベース予測
# 初月から徐々に減衰すると仮定

method3_first_month = predicted_first_month  # 2,800台（先ほど計算）

# 減衰率: 月あたり5%ずつ減少
decay_rate = 0.95

# 各月の販売数を計算
# 1ヶ月目: 2,800台
# 2ヶ月目: 2,800 × 0.95 = 2,660台
# 3ヶ月目: 2,800 × 0.95^2 = 2,527台
# ...
method3_monthly = np.array([
    method3_first_month * (decay_rate ** i) for i in range(12)
])
method3_total = method3_monthly.sum()

print("【手法3: 事前予約ベース】")
print(f"  初月予測: {method3_first_month:.0f}台")
print(f"  減衰率: 月{(1-decay_rate)*100:.0f}%減")
print(f"  初年度予測: {method3_total:.0f}台")

# 加重平均で統合
# 手法1: 30%、手法2: 30%、手法3: 40%の重み付け
# 事前予約は直近の情報なので重視

weights = [0.3, 0.3, 0.4]

# 月次予測の加重平均
base_forecast_monthly = (
    weights[0] * method1_monthly +
    weights[1] * method2_monthly +
    weights[2] * method3_monthly
)

base_forecast_total = base_forecast_monthly.sum()

print("【統合予測（加重平均）】")
print(f"  手法1（類似商品）: 30%")
print(f"  手法2（市場シェア）: 30%")
print(f"  手法3（事前予約）: 40%")
print()
print(f"  初年度予測: {base_forecast_total:,.0f}台")
print(f"  月平均: {base_forecast_total/12:,.0f}台")

# 月次予測をDataFrameで表示
months_forecast = pd.DataFrame({
    '月': range(1, 13),
    '予測販売数': base_forecast_monthly.astype(int),
    '累計': base_forecast_monthly.cumsum().astype(int)
})

print("【月次予測詳細】")
print()
print(months_forecast.to_string(index=False))

# 標準シナリオ（先ほど計算したベース予測）
standard_scenario = base_forecast_monthly
standard_total = standard_scenario.sum()

# 楽観シナリオ（標準の130%）
# 市場の反応が期待以上、競合の対抗策なし
optimistic_scenario = base_forecast_monthly * 1.3
optimistic_total = optimistic_scenario.sum()

# 悲観シナリオ（標準の70%）
# 市場の反応が期待以下、競合の価格攻勢
pessimistic_scenario = base_forecast_monthly * 0.7
pessimistic_total = pessimistic_scenario.sum()

print("【3つのシナリオ】")
print()
print(f"楽観シナリオ（確率20%）:")
print(f"  • 初年度販売: {optimistic_total:,.0f}台（+30%）")
print(f"  • 想定状況: 市場の反応が期待以上")
print()
print(f"標準シナリオ（確率60%）:")
print(f"  • 初年度販売: {standard_total:,.0f}台")
print(f"  • 想定状況: 計画通りに推移")
print()
print(f"悲観シナリオ（確率20%）:")
print(f"  • 初年度販売: {pessimistic_total:,.0f}台（-30%）")
print(f"  • 想定状況: 競合の対抗策、品質問題など")

# 期待値 = Σ（確率 × 各シナリオの値）
# 各シナリオの確率
probabilities = [0.2, 0.6, 0.2]  # 楽観20%、標準60%、悲観20%
scenarios = [optimistic_total, standard_total, pessimistic_total]

# 期待値を計算
expected_value = sum(p * s for p, s in zip(probabilities, scenarios))

print("【期待値の計算】")
print()
print(f"期待値 = 0.2 × {optimistic_total:,.0f}")
print(f"       + 0.6 × {standard_total:,.0f}")
print(f"       + 0.2 × {pessimistic_total:,.0f}")
print(f"       = {expected_value:,.0f}台")
print()
print(f"→ 期待値としては約{expected_value:,.0f}台の販売が見込まれる")

# コスト前提
unit_cost = 25000       # 原価: 25,000円/台
unit_price = 49800      # 販売価格: 49,800円/台
gross_margin = unit_price - unit_cost  # 粗利: 24,800円/台

inventory_cost_per_month = 500   # 在庫コスト: 500円/台/月
stockout_cost = gross_margin     # 欠品機会損失: 粗利と同額
lead_time_months = 2             # 生産リードタイム: 2ヶ月

print("【前提条件】")
print(f"  • 原価: ¥{unit_cost:,}/台")
print(f"  • 販売価格: ¥{unit_price:,}/台")
print(f"  • 粗利: ¥{gross_margin:,}/台")
print(f"  • 在庫コスト: ¥{inventory_cost_per_month:,}/台/月")
print(f"  • 欠品機会損失: ¥{stockout_cost:,}/台")
print(f"  • 生産リードタイム: {lead_time_months}ヶ月")

# 初回生産量の決定
# 最初の3ヶ月分 + 安全在庫10%

# 標準シナリオでの最初3ヶ月の需要
first_3_months_demand = standard_scenario[:3].sum()

# 安全在庫を10%上乗せ
safety_stock_ratio = 1.1
initial_production = int(first_3_months_demand * safety_stock_ratio)

print("【初回生産量の決定】")
print()
print(f"最初3ヶ月の予測需要: {first_3_months_demand:.0f}台")
print(f"安全在庫上乗せ: +10%")
print(f"推奨初回生産量: {initial_production:,}台")
print()
print("この量であれば:")
print("  • 標準シナリオ: 3ヶ月分をカバー + 余裕あり")
print("  • 悲観シナリオ: 4ヶ月分以上の在庫")
print("  • 楽観シナリオ: 2.5ヶ月分（追加生産が必要）")

# リスクの定量化

# 楽観シナリオでの欠品リスク
# 需要が予測を超えた場合、初回生産では足りない
optimistic_3_months = optimistic_scenario[:3].sum()
stockout_units = max(0, optimistic_3_months - initial_production)
stockout_loss = stockout_units * stockout_cost

print("【楽観シナリオ発生時（確率20%）】")
print(f"  需要: {optimistic_3_months:.0f}台")
print(f"  生産: {initial_production:,}台")
print(f"  欠品: {stockout_units:.0f}台")
print(f"  機会損失: ¥{stockout_loss/1000000:.1f}M")
print()

# 悲観シナリオでの過剰在庫リスク
pessimistic_3_months = pessimistic_scenario[:3].sum()
excess_inventory = max(0, initial_production - pessimistic_3_months)
# 過剰在庫を3ヶ月間保管するコスト
excess_cost = excess_inventory * inventory_cost_per_month * 3

print("【悲観シナリオ発生時（確率20%）】")
print(f"  需要: {pessimistic_3_months:.0f}台")
print(f"  生産: {initial_production:,}台")
print(f"  過剰在庫: {excess_inventory:.0f}台")
print(f"  在庫コスト（3ヶ月）: ¥{excess_cost/1000000:.1f}M")
print()

# 期待損失（リスクの期待値）
expected_loss = 0.2 * stockout_loss + 0.2 * excess_cost
print("【期待損失】")
print(f"  = 20% × ¥{stockout_loss/1000000:.1f}M + 20% × ¥{excess_cost/1000000:.1f}M")
print(f"  = ¥{expected_loss/1000000:.1f}M")