Implementierung der Batch-Brancheneinstufung zur Kostenoptimierung

- FEATURE: Brancheneinstufung erfolgt nun in Batches (z.B. 20 Unternehmen pro API-Call), um die Token-Kosten drastisch zu senken.
- REFACTOR: Neue Funktion `evaluate_branches_batch` in `helpers.py` erstellt, die den komplexen Batch-Prompt generiert.
- REFACTOR: `reclassify_all_branches` in `data_processor.py` überarbeitet, um die Batch-Verarbeitung und das Ergebnis-Mapping zu steuern.

helpers.py

@@ -971,6 +971,97 @@ def evaluate_branche_chatgpt(company_name, website_summary, wiki_absatz):
             "justification": f"Fehler bei der API-Kommunikation: {str(e)[:100]}"
         }
 
+
+def evaluate_branches_batch(companies_data):
+    """
+    Führt eine kontextbasierte Brancheneinstufung für einen Batch von Unternehmen durch.
+    Sendet das Branchenschema nur einmal, um Kosten zu sparen.
+
+    Args:
+        companies_data (list): Eine Liste von Dictionaries, jedes mit 'row_num', 'name', 'summary', 'wiki'.
+
+    Returns:
+        list: Eine Liste von Dictionaries mit den Ergebnissen für jedes Unternehmen.
+    """
+    logger = logging.getLogger(__name__)
+    
+    # 1. Baue das ZIEL-BRANCHENSCHEMA als Textblock auf (wird nur einmal gesendet)
+    schema_text_parts = []
+    for i, (branch, details) in enumerate(Config.BRANCH_GROUP_MAPPING.items()):
+        schema_text_parts.append(f"{i+1}. Branche: {branch}")
+        if details.get("definition"):
+            schema_text_parts.append(f"   Definition: {details['definition']}")
+        if details.get("beispiele"):
+            schema_text_parts.append(f"   Beispiele: {details['beispiele']}")
+    ziel_branchenschema_text = "\n".join(schema_text_parts)
+
+    # 2. Baue die Liste der Unternehmensprofile für den Prompt auf
+    unternehmensprofile_text_parts = []
+    for i, company in enumerate(companies_data):
+        profil = [f"--- UNTERNEHMEN #{i+1} (Original-Zeilennummer: {company['row_num']}) ---"]
+        profil.append(f"- Name: {company.get('name', 'N/A')}")
+        if company.get('summary'):
+            profil.append(f"- Website-Zusammenfassung: {company['summary']}")
+        if company.get('wiki'):
+            profil.append(f"- Wikipedia-Auszug: {company['wiki']}")
+        unternehmensprofile_text_parts.append("\n".join(profil))
+    
+    unternehmensprofile_text = "\n\n".join(unternehmensprofile_text_parts)
+    
+    # 3. Baue den Master-Prompt zusammen
+    prompt_parts = [
+        "Du bist ein erfahrener Branchenanalyst. Deine Aufgabe ist es, eine Liste von Unternehmen präzise einer von 54 vordefinierten Branchenkategorien zuzuordnen. Nutze dafür ausschließlich das bereitgestellte ZIEL-BRANCHENSCHEMA.",
+        "\n--- ZIEL-BRANCHENSCHEMA (Deine einzig gültige Wissensbasis) ---",
+        ziel_branchenschema_text,
+        "\n--- ZU ANALYSIERENDE UNTERNEHMEN ---",
+        unternehmensprofile_text,
+        "\n--- DEINE AUFGABE ---",
+        f"Analysiere jedes der {len(companies_data)} Unternehmen Schritt für Schritt.",
+        "Vergleiche jedes Unternehmensprofil mit den Definitionen im ZIEL-BRANCHENSCHEMA.",
+        "Gib als Ergebnis eine JSON-Liste zurück, die exakt ein JSON-Objekt für jedes Unternehmen in der gleichen Reihenfolge enthält.",
+        "Jedes JSON-Objekt muss folgende Schlüssel haben: 'row_num', 'Branche', 'Konfidenz', 'Begruendung'.",
+        "Die 'row_num' muss exakt der 'Original-Zeilennummer' aus dem Input entsprechen.",
+        "Beispiel-Format für die Antwort: \n"
+        '''
+[
+  {
+    "row_num": 123,
+    "Branche": "Maschinenbau",
+    "Konfidenz": "Hoch",
+    "Begruendung": "Das Unternehmen stellt komplexe Maschinen her, was der Definition entspricht."
+  },
+  {
+    "row_num": 456,
+    "Branche": "Facility Management",
+    "Konfidenz": "Mittel",
+    "Begruendung": "Bietet Dienstleistungen rund um Immobilien an, passt zur Definition."
+  }
+]
+        '''
+    ]
+    prompt = "\n".join(prompt_parts)
+
+    # 4. API-Aufruf
+    try:
+        response_str = call_openai_chat(prompt, temperature=0.0, model="gpt-4o", response_format_json=True)
+        if not response_str:
+             raise APIError("Keine Antwort von OpenAI erhalten.")
+        
+        # Das Ergebnis sollte direkt eine Liste von Dictionaries sein
+        results_list = json.loads(response_str)
+        
+        # Validierung, ob die Antwort eine Liste ist
+        if not isinstance(results_list, list):
+            logger.error(f"KI-Antwort ist keine Liste, sondern {type(results_list)}. Breche Batch ab.")
+            return None
+
+        return results_list
+        
+    except Exception as e:
+        logger.error(f"Endgültiger FEHLER beim Batch-API-Aufruf: {e}")
+        return None
+
+
 @retry_on_failure
 def verify_wiki_article_chatgpt(company_name, parent_name, website, wiki_title, wiki_summary):
     """