From a555a8d9a9bea5bd29306f4885a65644560c0558 Mon Sep 17 00:00:00 2001
From: Floke <floke.com@gmail.com>
Date: Mon, 4 Aug 2025 14:28:30 +0000
Subject: [PATCH] data_processor.py aktualisiert

---
 data_processor.py | 55 -----------------------------------------------
 1 file changed, 55 deletions(-)

diff --git a/data_processor.py b/data_processor.py
index 216496bc..5960a6d7 100644
--- a/data_processor.py
+++ b/data_processor.py
@@ -5022,61 +5022,6 @@ class DataProcessor:
             f"Parent Account Suggestion Batch abgeschlossen. {processed_count} Zeilen verarbeitet, {skipped_count} Zeilen übersprungen.")
 
     def _predict_technician_bucket(self, row_data):
-        """
-        Führt eine Vorhersage des Servicetechniker-Buckets für eine einzelne Zeile durch.
-        """
-        company_name = self._get_cell_value_safe(row_data, 'CRM Name').strip()
-        self.logger.debug(
-            f"Versuche ML-Schaetzung fuer Zeile ({company_name[:50]}...)")
-
-        # Die Überprüfung findet jetzt in der setup() Methode statt.
-        if not self.is_setup_complete or self.model is None:
-            self.logger.error("ML-Modell nicht initialisiert. Setup nicht ausgeführt oder fehlgeschlagen. Überspringe Vorhersage.")
-            return "FEHLER Schaetzung (Setup fehlt)"
-        try:
-            # === Feature Erstellung (muss exakt zum Training passen!) ===
-
-            # 1. Konsolidierte numerische Werte holen
-            final_umsatz_val_str = self._get_cell_value_safe(
-                row_data, "Finaler Umsatz (Wiki>CRM)")
-            final_ma_val_str = self._get_cell_value_safe(
-                row_data, "Finaler Mitarbeiter (Wiki>CRM)")
-
-            umsatz_for_pred = get_numeric_filter_value(
-                final_umsatz_val_str, is_umsatz=True)
-            ma_for_pred = get_numeric_filter_value(
-                final_ma_val_str, is_umsatz=False)
-
-            umsatz_for_pred = np.nan if umsatz_for_pred == 0 else umsatz_for_pred
-            ma_for_pred = np.nan if ma_for_pred == 0 else ma_for_pred
-
-            # 2. 'is_part_of_group' Feature erstellen
-            parent_d_val = self._get_cell_value_safe(
-                row_data, "Parent Account Name").strip().lower()
-            parent_o_val = self._get_cell_value_safe(
-                row_data, "System Vorschlag Parent Account").strip().lower()
-            parent_p_val = self._get_cell_value_safe(
-                row_data, "Parent Vorschlag Status").strip().lower()
-            cond1_pred = bool(parent_d_val and parent_d_val != 'k.a.')
-            cond2_pred = bool(parent_o_val and parent_o_val !=
-                              'k.a.' and parent_p_val == 'x')
-            is_group_val = 1 if cond1_pred or cond2_pred else 0
-
-            # 3. Zusätzliche Features (Ratio, Log) erstellen
-            # Log-Transformationen
-            log_umsatz_val = np.log1p(umsatz_for_pred) if pd.notna(
-                umsatz_for_pred) else np.nan
-            log_ma_val = np.log1p(ma_for_pred) if pd.notna(
-                ma_for_pred) else np.nan
-
-            # Umsatz pro MA
-            umsatz_pro_ma_val = np.nan
-            if pd.notna(umsatz_for_pred) and pd.notna(
-                    ma_for_pred) and ma_for_pred > 0:
-                umsatz_pro_ma_val = umsatz_for_pred / ma_for_pred
-            return
-
-        def _predict_technician_bucket(self, row_data):
         """
         Führt eine Vorhersage des Servicetechniker-Buckets für eine einzelne Zeile durch.
         Die Feature-Erstellung ist exakt auf den Trainingsprozess abgestimmt.