🔍 Katalog-Suche & Agent

🎯 Was das ist

Ein „Leave-One-Out"-Test für das Empfehlungs-System an echten, historischen Rechnungen. Du tust so, als hättest du eine Position auf der Rechnung vergessen — das System versucht sie aus den übrigen Positionen vorherzusagen. So siehst du, ob es das fehlende Item gefunden hätte und auf welchem Rang.

🧠 Wie das System empfiehlt

Artikel kommen aus zwei Quellen, die per Reciprocal Rank Fusion kombiniert werden:

• FP-Growth Assoziationsregeln — „Artikel, die in Rechnungen häufig zusammen vorkommen" (z. B. {A, B} → C). Liefert Confidence & Lift.
• Item-Item Collaborative Filtering — Artikel aus ähnlichen Rechnungen (Cosine-Ähnlichkeit über die Rechnung×Artikel-Matrix).

Arbeiten (va.number) werden aus den Artikeln der Rechnung vorhergesagt: welche Arbeit historisch mit diesen Artikeln verrechnet wurde.

🧪 Was beim Klick passiert

• Artikel anklicken: das Item wird „entfernt", die übrigen Artikel gehen ins Modell → Top-20-Vorhersage → wir suchen den Rang des entfernten Artikels.
• Arbeit anklicken: alle Artikel der Rechnung gehen ins Modell → wahrscheinlichste Arbeiten → wir suchen den Rang dieser Arbeit.

📊 Die Bewertung (Top-k)

Der gefundene Rang wird in Stufen eingeteilt:

⚖️ Zwei Modi — wichtig!

• In-sample (Standard): nutzt das laufende Modell. Diese Rechnung war im Training → Ränge sind optimistisch („Bestfall").
• Ehrlich (held-out): Button „⚖️ Ehrlich nachrechnen" trainiert das Modell ohne diese Rechnung neu → realistische Ränge. Erster Klick dauert ~1 Min.

🎯 Was das zeigt

Wähle einen Artikel — die Liste zeigt die Artikel, die in den gleichen Rechnungen am häufigsten zusammen mit ihm vorkamen. Also: „Wer diesen Artikel verbaut, braucht meistens auch …".

🧠 Wie es gemessen wird

• Confidence — Anteil der Rechnungen mit dem Anker-Artikel, die auch den Co-Artikel enthalten.
• Lift — wie viel häufiger das Paar zusammen auftritt als bei reinem Zufall (> 1 = echter Zusammenhang).
• n = a/b — a gemeinsame Rechnungen, b Rechnungen mit dem Co-Artikel insgesamt.

🛠️ Was du tun kannst

Sortiert nach Confidence. Niedrige Evidenz (wenige gemeinsame Rechnungen) ist mit „wenig Evidenz" markiert — den Lift dann mit Vorsicht lesen.

🎯 Was das zeigt

Wähle einen Artikel — die Liste zeigt die Arbeiten (va.number), die historisch am häufigsten zusammen mit diesem Artikel abgerechnet wurden. Also: „Wenn dieser Artikel verbaut wird, welche Arbeit fällt dann typischerweise an?".

🧠 Wie es gemessen wird

• Confidence — Anteil der Rechnungen mit dem Artikel, in denen diese Arbeit vorkam.
• Preis — Median, wenn dieser Artikel mit dieser Arbeit verrechnet wurde (sonst globaler Median der Arbeit).
• n — Anzahl gemeinsamer Rechnungen.

🛠️ Was du tun kannst

Hat ein Artikel keine Rechnungs-Historie, greift der Recommender auf die Standard-Arbeiten aus dem Katalog zurück (Catalog-Fallback).

🌳 Was das zeigt

Der Recommender lernt beim Start aus allen historischen Rechnungen „WENN → DANN"-Regeln: Wenn bestimmte Artikel zusammen auf einer Rechnung stehen, kommt dann typischerweise ein weiterer dazu.

WENN Steckdose + Bewegungsmelder  →  DANN Schalter/Taster
Der WENN-Teil heißt fachlich Antecedent (kann mehrere Artikel sein), der DANN-Teil Consequent (immer genau ein Artikel).

📊 Die drei Kennzahlen

• Support — wie häufig die ganze Kombination (WENN + DANN) auf Rechnungen vorkommt. Hoch = oft gesehen, verlässlich.
• Confidence — wenn der WENN-Teil da ist, wie oft folgt dann der DANN-Artikel? (Trefferquote, 100% = immer).
• Lift — wie viel wahrscheinlicher wird der DANN-Artikel durch den WENN-Teil. >1 = echte Verbindung, =1 = Zufall.

🌲 Empfehlungs-Baum

Der Baum bildet ab, wie eine Rechnung real entsteht — Artikel für Artikel. Du startest mit einem Artikel; der Recommender zeigt die wahrscheinlichsten nächsten Artikel (Kanten-Beschriftung = Confidence). Klick auf einen Vorschlag (+) legt ihn in den Korb und der Baum wächst eine Ebene weiter. So baust du Schritt für Schritt eine komplette Artikel-Kette auf. Die Filter (Conf/Lift) und die Regel-Tabelle unten erkunden parallel die zugrundeliegenden Regeln.

🌲 Was das zeigt

Der FP-Tree (Frequent-Pattern-Tree) ist die interne Datenstruktur, mit der FP-Growth arbeitet: ein Präfix-Baum, in dem jeder Pfad von der Wurzel ein (nach Häufigkeit sortiertes) Rechnungs-Muster ist. Rechnungen mit gemeinsamem Anfang teilen sich denselben Ast — so wird die Datenbank kompakt komprimiert.

🔢 Knoten

• Jeder Knoten = ein Artikel + seine Häufigkeit (in wie vielen Rechnungen dieser Pfad vorkommt).
• Knoten nahe der Wurzel = häufigste Artikel (z.B. Standard-Material).
• Tiefe Pfade = typische Artikel-Reihenfolgen in Rechnungen.

🛠️ Bedienung

Min-Support blendet seltene Artikel aus (höher = übersichtlicher). Mit einem Wurzel-Artikel siehst du den „conditional FP-Tree": nur Rechnungen mit diesem Artikel, ab ihm nach unten. Knoten mit Kindern lassen sich per Klick auf-/zuklappen; Knotengröße = Häufigkeit.