#!/usr/bin/env python3
"""Рыночная симуляция Simbiot: конкуренты + клиенты + сценарии входа (t-261009123019-a32bb3).

Модель поверх расширенного шаблона гипотез (docs/product-hypothesis-template.md):
- конкуренты: цены, качество, доли (logit-выбор клиента);
- клиенты: сегменты с WTP, ценностью продукта и оттоком подписки;
- Simbiot: вход по сценариям (тёплый контур / presale-воронка / микс + сессии $150);
- метрика: E[ΔAUM] = revenue − CAC − burn за 12 мес, Монте-Карло + чувствительность.

Калибровка (v0.2, после sanity-чека):
- подписка $100/mo — РЕКУРРЕНТНО (биллинг на активных, не разово);
- logit_scale=100 у.е.: холодная сквозная конверсия ≈0.5–1.2% — верх плана SALES-PLAN-1000-US;
- тёплая конверсия ≈20–40% (буст доверия на value) — не 77%;
- допущения помечены в PARAMS, чувствительность — отдельным прогоном (--sens).

Запуск: ./venv/bin/python scripts/market_sim.py [--trials N] [--seed S] [--md] [--sens]
"""
from __future__ import annotations

import argparse
import copy
import math
import random
import statistics as st
from dataclasses import dataclass

BASE = {
    # Экономика харнеса (замер cli.py aum 09.10: burn 7д=28.55 у.е.)
    "aum0": 26.7,                 # у.е., docs/aum/balances.json
    "burn_month_base": 28.55 / 7 * 30.4,  # ≈124 у.е./мес — замер стора (BudgetSpent-оценка)
    "burn_per_session": 5.0,      # допущение: токены 1 сессии агента (60 мин)
    "burn_per_sub_extra": 1.0,    # допущение: доп. тики агента на активного подписчика/мес
    # Presale (директива m-516173408): $100/mo, без скидок, места total=100
    "presale_price": 100.0,
    "seats_total": 100,
    "monthly_churn": 0.08,        # допущение: отток AI-подписок 8%/мес (чувствительность: 5–12%)
    # Сессии (ранбук session_productize): $150 one_time
    "session_price": 150.0,
    # Конкуренты (блок 1 шаблона: cheapest/closest/premium)
    "competitors": [
        # name, цена $/мес, value (полезность у.е./мес для среднего клиента), share0 — априорная доля
        {"name": "DIY (LLM-подписка + ручные промпты)", "price": 25.0, "value": 30.0, "share0": 0.45},
        {"name": "Upwork/AI-фрилансер (часами)", "price": 100.0, "value": 110.0, "share0": 0.30},
        {"name": "AI-консультант соло (сессии)", "price": 150.0, "value": 140.0, "share0": 0.15},
        {"name": "AI-студия (проектно)", "price": 300.0, "value": 260.0, "share0": 0.10},
    ],
    # Simbiot: базовая value для сегмента s2; сегменты масштабируют (value_mult)
    "simbiot_value_base": 130.0,
    "logit_scale": 100.0,         # делитель (value−price): калибрует конверсию (см. шапку)
    # Сегменты (блок 2-3 шаблона): weight, WTP, множитель ценности Simbiot
    "segments": [
        {"name": "s1 соло-основатель (рутина, платит $50–200)", "w": 0.35, "wtp": 130.0, "vm": 1.0},
        {"name": "s2 индиз/автоматизатор (платит $30–80)", "w": 0.40, "wtp": 60.0, "vm": 0.75},
        {"name": "s3 операционка малого бизнеса (платит $150–500)", "w": 0.25, "wtp": 300.0, "vm": 1.3},
    ],
    # Сценарии входа: n_warm/мес; visitors/мес (presale-лендинг); paid_share и cac — платный трафик
    "scenarios": {
        "A_warm_only":   {"n_warm": 15, "visitors": [0] * 12, "paid_share": 0.0, "cac": 0.0,
                          "session_rate": 0.12, "warm_mult": 1.3},
        "D_no_entry":    {"n_warm": 0, "visitors": [0] * 12, "paid_share": 0.0, "cac": 0.0,
                          "session_rate": 0.0, "warm_mult": 1.0},
        "B_presale_funnel": {"n_warm": 12,
                          "visitors": [5000, 8000, 12000, 18000, 25000, 35000, 45000, 55000, 65000, 75000, 85000, 95000],
                          "paid_share": 0.6, "cac": 22.0, "session_rate": 0.05, "warm_mult": 1.2},
        "C_mixed":       {"n_warm": 15,
                          "visitors": [3000, 6000, 10000, 15000, 22000, 30000, 40000, 50000, 60000, 70000, 80000, 90000],
                          "paid_share": 0.5, "cac": 22.0, "session_rate": 0.12, "warm_mult": 1.3},
    },
    "reach_in_market": 0.04,      # допущение: 4% посетителей реально «в рынке» (чувствительность ×0.5/×2)
    "horizon_months": 12,
}

MC_TRIALS = 400


@dataclass
class TrialResult:
    revenue_sub: float
    revenue_sessions: float
    cac_total: float
    burn_total: float
    d_aum: float
    subs_final: int
    sessions_total: int
    payback_month: int  # 0 = не окупился за горизонт


def logit_share(options, scale):
    us = {n: (v - p) / scale for n, v, p in options}
    mx = max(us.values())
    exps = {n: math.exp(u - mx) for n, u in us.items()}
    z = sum(exps.values())
    return {n: e / z for n, e in exps.items()}


def share_simbiot(seg, p, warm_mult):
    opts = [(c["name"], c["value"], c["price"]) for c in p["competitors"]]
    val = p["simbiot_value_base"] * seg["vm"] * warm_mult
    opts.append(("simbiot", val, p["presale_price"]))
    return logit_share(opts, p["logit_scale"])["simbiot"]


def run_trial(rng, p, sc):
    H = p["horizon_months"]
    subs = 0
    rev_sub = rev_sess = cac_t = burn_t = 0.0
    sessions = 0
    payback = 0
    cum = 0.0
    segs, ws = p["segments"], [s["w"] for s in p["segments"]]
    for m in range(H):
        # отток
        subs = int(round(subs * (1 - p["monthly_churn"])))
        # рекуррентный биллинг активных
        rev_sub += subs * p["presale_price"]
        # тёплые лиды
        for _ in range(sc["n_warm"]):
            seg = rng.choices(segs, weights=ws)[0]
            if rng.random() < share_simbiot(seg, p, sc["warm_mult"]) and subs < p["seats_total"]:
                subs += 1
        # сессии $150 (разовый вход, часть тёплых)
        exp_booked = int(round(sc["n_warm"] * sc["session_rate"]))
        booked = rng.randint(0, exp_booked) if exp_booked > 0 else 0
        sessions += booked
        rev_sess += booked * p["session_price"]
        # presale-воронка
        vis = sc["visitors"][m]
        if vis:
            for _ in range(int(vis * p["reach_in_market"])):
                seg = rng.choices(segs, weights=ws)[0]
                if rng.random() < share_simbiot(seg, p, 1.0) and subs < p["seats_total"]:
                    subs += 1
                    if rng.random() < sc["paid_share"]:
                        cac_t += sc["cac"]
        burn_t += p["burn_month_base"] + subs * p["burn_per_sub_extra"] + booked * p["burn_per_session"]
        cum = rev_sub + rev_sess - cac_t - burn_t
        if payback == 0 and cum > 0:
            payback = m + 1
    return TrialResult(rev_sub, rev_sess, cac_t, burn_t, cum, subs, sessions, payback)


def run_scenario(name, sc, p, trials, seed):
    rng = random.Random(seed)
    rs = [run_trial(rng, p, sc) for _ in range(trials)]
    d = [r.d_aum for r in rs]
    aum0 = p["aum0"]
    base_burn = p["burn_month_base"] * p["horizon_months"]  # «не входить»: burn всё равно идёт
    return {
        "name": name,
        "E[rev sub]": st.mean(r.revenue_sub for r in rs),
        "E[rev sess]": st.mean(r.revenue_sessions for r in rs),
        "E[CAC]": st.mean(r.cac_total for r in rs),
        "E[burn]": st.mean(r.burn_total for r in rs),
        "E[dAUM]": st.mean(d),
        "P(dAUM>0)": sum(1 for x in d if x > 0) / len(d),
        "P(инкремент>0 vs без входа)": sum(1 for x in d if x > -base_burn) / len(d),
        "P(фильтр +1% AUM)": sum(1 for x in d if x >= 0.01 * aum0) / len(d),
        "subs_final med": st.median(r.subs_final for r in rs),
        "sessions med": st.median(r.sessions_total for r in rs),
        "payback med": st.median([r.payback_month for r in rs if r.payback_month > 0] or [0]),
        "payback>0": sum(1 for r in rs if r.payback_month > 0) / len(rs),
    }


def sens_table(trials, seed):
    """Чувствительность E[dAUM] сценария C_mixed к ключевым допущениям."""
    rows = []
    variants = [
        ("база", {}),
        ("churn 5%", {"monthly_churn": 0.05}),
        ("churn 12%", {"monthly_churn": 0.12}),
        ("logit_scale 80 (быстрее верят)", {"logit_scale": 80.0}),
        ("logit_scale 130 (скептичнее)", {"logit_scale": 130.0}),
        ("value −15%", {"simbiot_value_base": 130.0 * 0.85}),
        ("value +15%", {"simbiot_value_base": 130.0 * 1.15}),
        ("reach ×0.5 (трафик холоднее)", {"reach_in_market": 0.02}),
        ("reach ×2 (трафик горячее)", {"reach_in_market": 0.08}),
    ]
    for label, patch in variants:
        p = copy.deepcopy(BASE)
        p.update(patch)
        r = run_scenario("C_mixed", p["scenarios"]["C_mixed"], p, trials, seed)
        rows.append((label, r["E[dAUM]"], r["P(dAUM>0)"], r["subs_final med"]))
    return rows


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("--trials", type=int, default=MC_TRIALS)
    ap.add_argument("--seed", type=int, default=42)
    ap.add_argument("--md", action="store_true")
    ap.add_argument("--sens", action="store_true")
    a = ap.parse_args()
    p = BASE
    print(f"# Рыночная симуляция Simbiot: {a.trials} trial'ов, seed={a.seed}, горизонт {p['horizon_months']} мес")
    print(f"# база: AUM={p['aum0']} у.е., burn={p['burn_month_base']:.1f}/мес (~{p['burn_month_base']*12:.0f}/год);")
    print(f"# presale $100/mo рекуррентно (мест {p['seats_total']}), сессия $150; отток {p['monthly_churn']:.0%}/мес")
    keys = ["E[rev sub]", "E[rev sess]", "E[CAC]", "E[burn]", "E[dAUM]", "P(dAUM>0)",
            "P(инкремент>0 vs без входа)", "P(фильтр +1% AUM)", "subs_final med",
            "sessions med", "payback med", "payback>0"]
    rows = [run_scenario(n, sc, p, a.trials, a.seed) for n, sc in p["scenarios"].items()]
    if a.md:
        print("| сценарий | " + " | ".join(keys) + " |")
        print("|---|" + "---|" * len(keys))
        for r in rows:
            print(f"| {r['name']} | " + " | ".join(
                (f"{r[k]:.0f}" if abs(r[k]) >= 10 else f"{r[k]:.3f}") if isinstance(r[k], float) else str(r[k])
                for k in keys) + " |")
    else:
        for r in rows:
            print("\n===", r["name"])
            for k in keys:
                v = r[k]
                print(f"  {k:30s} {v:,.1f}" if isinstance(v, float) else f"  {k:30s} {v}")
    if a.sens:
        print("\n# Чувствительность (C_mixed): E[dAUM], P(>0), подписчики")
        print("| вариант | E[dAUM] у.е. | P(dAUM>0) | subs med |")
        print("|---|---|---|---|")
        for label, e, pp, subs in sens_table(a.trials, a.seed):
            print(f"| {label} | {e:,.0f} | {pp:.2f} | {subs:.0f} |")
    # снимок долей (сегмент s1, тёплый буст 1.3)
    print("\n# Доли выбора, сегмент s1, тёплый контур (буст 1.3):")
    s1 = p["segments"][0]
    opts = [(c["name"], c["value"], c["price"]) for c in p["competitors"]]
    opts.append(("Simbiot $100/mo", p["simbiot_value_base"] * s1["vm"] * 1.3, p["presale_price"]))
    for n, sh in sorted(logit_share(opts, p["logit_scale"]).items(), key=lambda x: -x[1]):
        print(f"  {sh*100:5.1f}%  {n}")
    print("# то же, холодный (буст 1.0):")
    opts[-1] = ("Simbiot $100/mo", p["simbiot_value_base"] * s1["vm"], p["presale_price"])
    for n, sh in sorted(logit_share(opts, p["logit_scale"]).items(), key=lambda x: -x[1]):
        print(f"  {sh*100:5.1f}%  {n}")


if __name__ == "__main__":
    main()