STABLE - Objektorientiertes Schema-Handling

- MAJOR REFACTOR: Globale Variablen für Branchenschema komplett entfernt. Das Schema wird nun in der `DataProcessor`-Instanz gehalten.
- FIX: Kritischer Prompt-Fehler endgültig behoben. `evaluate_branche_chatgpt` erhält das Schema nun als explizites Argument, was Scope-Probleme beseitigt.
- Das Projekt ist nun in einem stabilen, logisch konsistenten und lauffähigen Zustand für die Bestandsanreicherung. Die Grundlage für neue Features ist gelegt.

data_processor.py

@@ -70,31 +70,24 @@ class DataProcessor:
 
         self.sheet_handler = sheet_handler
         self.wiki_scraper = wiki_scraper
-
         self.model = None
         self.imputer = None
         self._expected_features = None
         self.is_setup_complete = False
+        self.schema_data = None  # NEUES Attribut
 
         self.logger.info("DataProcessor-Instanz erstellt. Bereit für Setup.")
 
     def setup(self):
-        """
-        Führt die notwendigen Initialisierungen durch, die von externen Konfigurationen abhängen.
-        Muss nach Config.load_api_keys() aufgerufen werden.
-        """
         self.logger.info("Führe DataProcessor-Setup durch...")
-        # Lade das Branchenschema explizit.
-        schema_loaded = initialize_target_schema()
-        if not schema_loaded:
+        # Lade das Branchenschema und speichere es in der Instanz
+        self.schema_data = initialize_target_schema()
+        if not self.schema_data:
             self.logger.error("Setup fehlgeschlagen: Branchenschema konnte nicht geladen werden.")
             self.is_setup_complete = False
             return False
             
-        # Lade das ML-Modell.
         self._load_ml_model(MODEL_FILE, IMPUTER_FILE)
-        # Überprüfen, ob das Modell geladen wurde, ist optional, da _load_ml_model bereits loggt.
-
         self.is_setup_complete = True
         self.logger.info("DataProcessor-Setup erfolgreich abgeschlossen.")
         return True
@@ -196,13 +189,7 @@ class DataProcessor:
                 return True
         return False
 
-    def _process_single_row(
-            self,
-            row_num_in_sheet,
-            row_data,
-            steps_to_run,
-            force_reeval=False,
-            clear_x_flag=False):
+    def _process_single_row(self, row_num_in_sheet, row_data, steps_to_run, force_reeval=False, clear_x_flag=False):
         """
         Verarbeitet die Daten fuer eine einzelne Zeile im Sheet. Fuehrt ausgewaehlte
         Anreicherungs- und Analyseprozesse durch.
@@ -495,16 +482,16 @@ class DataProcessor:
                 f"Zeile {row_num_in_sheet}: Fuehre CHATGPT Evaluationen & Plausi aus (Grund: {grund_message_chat})...")
 
             # 3a. Branchen-Einstufung
-            self.logger.info(
-                f"  Zeile {row_num_in_sheet}: Starte Branchen-Einstufung ueber ChatGPT...")
-            try:
-                branch_result = evaluate_branche_chatgpt(
-                    crm_branche,
-                    crm_beschreibung,
-                    final_wiki_data.get('branche', 'k.A.'),
-                    final_wiki_data.get('categories', 'k.A.'),
-                    website_summary
-                )
+        self.logger.info(f"  Zeile {row_num_in_sheet}: Starte Branchen-Einstufung ueber ChatGPT...")
+        try:
+            branch_result = evaluate_branche_chatgpt(
+                crm_branche, 
+                crm_beschreibung, 
+                final_wiki_data.get('branche', 'k.A.'), 
+                final_wiki_data.get('categories', 'k.A.'), 
+                website_summary,
+                schema_data=self.schema_data  # NEU: Schema als Argument übergeben
+            )
                 updates.append(
                     {
                         'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Vorschlag Branche"] + 1)}{row_num_in_sheet}',