1.5.5: Neue evaluate_branche_chatgpt mit erweitertem Logging und exakter Branchenabgleich

- Alle verwendeten Input-Werte (CRM-Branche, externe Beschreibung, Wiki-Daten, Website-Zusammenfassung) werden geloggt.
- Bei fehlendem Wikipedia-Eintrag wird explizit die Website-Zusammenfassung als Fallback genutzt.
- Normierte Eingabewerte und Ziel-Branchenschema werden für den exakten Vergleich ausgegeben.
- Es werden ausschließlich Branchen aus dem Ziel-Schema akzeptiert – ansonsten Rückgabe "k.A." mit Konsistenz "X".

brancheneinstufung.py

@@ -1,6 +1,6 @@
 #!/usr/bin/env python3
 """
-Version: v1.5.4
+Version: v1.5.5
 Datum: {aktuelles Datum}
 Git-Überschrift (max. 100 Zeichen):
 1.5.4: Dispatcher und modulare Batch-Prozesse für Wiki, Website und Branch integriert
@@ -40,7 +40,7 @@ except ImportError:
 
 # ==================== KONFIGURATION ====================
 class Config:
-    VERSION = "v1.5.4"
+    VERSION = "v1.5.5"
     LANG = "de"
     CREDENTIALS_FILE = "service_account.json"
     SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo"
@@ -1408,15 +1408,16 @@ class WikipediaScraper:
 def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kategorien, website_summary):
     def load_target_branches():
         try:
-            with open("ziel_Branchenschema.csv", "r", encoding="utf-8") as csvfile:
+            with open("ziel_Branchenschema.csv", "r", encoding="utf-8-sig") as csvfile:
                 reader = csv.reader(csvfile)
-                branches = [row[0] for row in reader if row]
+                branches = [row[0].strip() for row in reader if row and row[0].strip()]
             return branches
         except Exception as e:
             debug_print(f"Fehler beim Laden des Ziel-Branchenschemas: {e}")
             return []
     target_branches = load_target_branches()
     target_branches_str = "\n".join(target_branches)
+    
     focus_branches = [
         "Gutachter / Versicherungen > Baugutachter",
         "Gutachter / Versicherungen > Technische Gutachten",
@@ -1435,6 +1436,8 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         "Versorger > Telekommunikation"
     ]
     focus_branches_str = "\n".join(focus_branches)
+    
+    # API-Key laden
     try:
         with open("api_key.txt", "r") as f:
             api_key = f.read().strip()
@@ -1443,13 +1446,13 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         return {"branch": "k.A.", "consistency": "k.A.", "justification": "k.A."}
     openai.api_key = api_key
 
-    # Falls kein Wikipedia-Artikel vorliegt, nutze die Website-Zusammenfassung als Fallback für die Branchenbeschreibung
+    # Entscheide, welche Branchenbeschreibung genutzt wird.
     if wiki_branche.strip().lower() == "k.a.":
         debug_print("Kein Wikipedia-Artikel vorhanden – verwende Website-Zusammenfassung als Branchenbeschreibung-Fallback.")
         used_description = website_summary
     else:
         used_description = beschreibung
-        debug_print(f"Verwendete Angaben: CRM-Branche='{crm_branche}', externe Beschreibung='{beschreibung}', Wiki-Branche='{wiki_branche}', Wiki-Kategorien='{wiki_kategorien}'")
+        debug_print(f"Verwendete Angaben: CRM-Branche='{crm_branche}', externe Beschreibung='{beschreibung}', Wiki-Branche='{wiki_branche}', Wiki-Kategorien='{wiki_kategorien}', Website-Zusammenfassung='{website_summary}'")
     
     system_prompt = (
         "Du bist ein Experte im Field Service Management. Deine Aufgabe ist es, ein Unternehmen basierend auf folgenden Angaben einer Branche zuzuordnen.\n\n"
@@ -1479,40 +1482,47 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         )
         result = response.choices[0].message.content.strip()
         debug_print(f"Branchenabgleich ChatGPT Antwort: '{result}'")
-        branch = "k.A."
-        consistency = "k.A."
-        justification = ""
-        for line in result.split("\n"):
-            if line.lower().startswith("branche:"):
-                branch = line.split(":", 1)[1].strip()
-            elif line.lower().startswith("übereinstimmung:"):
-                consistency = line.split(":", 1)[1].strip()
-            elif line.lower().startswith("begründung:"):
-                justification = line.split(":", 1)[1].strip()
-        
-        # Zuerst prüfen, ob der ChatGPT-Vorschlag überhaupt zum Ziel-Branchenschema gehört
-        if branch.lower() not in [tb.lower() for tb in target_branches]:
-            justification = "Vorgeschlagene Branche entspricht nicht dem Ziel-Branchenschema."
-            branch = "k.A."
-            consistency = "X"
-        else:
-            # Vergleiche die normierten Werte der CRM-Branche und des ChatGPT-Vorschlags
-            norm_crm = normalize_company_name(crm_branche)
-            norm_branch = normalize_company_name(branch)
-            debug_print(f"Vergleich normierter Werte: CRM='{norm_crm}' vs. ChatGPT='{norm_branch}'")
-            if norm_crm and norm_branch == norm_crm:
-                justification = ""
-                consistency = "ok"
-            else:
-                consistency = "X"
-        
-        debug_print(f"Endergebnis Branchenbewertung: Branche='{branch}', Übereinstimmung='{consistency}', Begründung='{justification}'")
-        return {"branch": branch, "consistency": consistency, "justification": justification}
     except Exception as e:
         debug_print(f"Fehler beim Aufruf der ChatGPT API für Branchenabgleich: {e}")
         return {"branch": "k.A.", "consistency": "k.A.", "justification": "k.A."}
-
+    
-
+    # Ergebnis aus der Antwort parsen
+    chat_branch = None
+    chat_consistency = None
+    chat_justification = ""
+    for line in result.split("\n"):
+        lower_line = line.lower()
+        if lower_line.startswith("branche:"):
+            chat_branch = line.split(":", 1)[1].strip()
+        elif lower_line.startswith("übereinstimmung:"):
+            chat_consistency = line.split(":", 1)[1].strip()
+        elif lower_line.startswith("begründung:"):
+            chat_justification = line.split(":", 1)[1].strip()
+    
+    debug_print(f"Aus der Antwort extrahiert: Branche='{chat_branch}', Übereinstimmung='{chat_consistency}', Begründung='{chat_justification}'")
+    
+    # Normiere CRM-Branche und ChatGPT-Ergebnis für Vergleich
+    norm_crm = normalize_company_name(crm_branche)
+    norm_chat = normalize_company_name(chat_branch) if chat_branch else ""
+    debug_print(f"Normierte Werte: CRM='{norm_crm}', ChatGPT-Vorschlag='{norm_chat}'")
+    
+    # Erzeuge eine Liste normierter Zielbranchen
+    norm_targets = [normalize_company_name(tb) for tb in target_branches]
+    debug_print(f"Normierte Zielbranchen: {norm_targets}")
+    
+    # Überprüfe, ob der ChatGPT-Vorschlag im Ziel-Schema enthalten ist
+    if not norm_chat or norm_chat not in norm_targets:
+        debug_print(f"Vorgeschlagene Branche '{chat_branch}' entspricht nicht dem Ziel-Branchenschema.")
+        return {"branch": "k.A.", "consistency": "X", "justification": "Vorgeschlagene Branche entspricht nicht dem Ziel-Branchenschema."}
+    else:
+        # Vergleiche den normierten CRM-Wert mit dem ChatGPT-Vorschlag
+        if norm_crm and norm_crm == norm_chat:
+            chat_consistency = "ok"
+            chat_justification = ""
+        else:
+            chat_consistency = "X"
+        debug_print(f"Endergebnis Branchenbewertung: Branche='{chat_branch}', Übereinstimmung='{chat_consistency}', Begründung='{chat_justification}'")
+        return {"branch": chat_branch, "consistency": chat_consistency, "justification": chat_justification}
 
 
 def evaluate_servicetechnicians_estimate(company_name, company_data):