IA Propriétaire vs API Publiques : Construire ses Propres Outils GEO

Application complète :

import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime, timedelta
import numpy as np

# Configuration page
st.set_page_config(
    page_title="Dashboard GEO 2025",
    page_icon="🎯",
    layout="wide"
)

# Chargement des données
@st.cache_data
def load_data():
    """Chargement données depuis CSV généré par script monitoring"""
    try:
        df = pd.read_csv("geo_monitoring.csv")
        df['timestamp'] = pd.to_datetime(df['timestamp'])
        return df
    except FileNotFoundError:
        # Données de démonstration
        dates = pd.date_range(start='2025-01-01', end='2025-10-02', freq='D')
        demo_data = []
        for date in dates:
            for requete in ["CRM PME", "SEO Paris", "Marketing Digital"]:
                demo_data.append({
                    'timestamp': date,
                    'requete': requete,
                    'cite_domaine': np.random.choice([True, False], p=[0.3, 0.7]),
                    'position': np.random.choice(['Top 3', 'Top 5', 'Mentionné', 'Non cité'], 
                                               p=[0.1, 0.2, 0.3, 0.4]),
                    'cout_tokens': np.random.randint(100, 800)
                })
        return pd.DataFrame(demo_data)

# Interface utilisateur
def main():
    st.title("🎯 Dashboard GEO 2025")
    st.markdown("**Monitoring des citations IA en temps réel**")
    
    # Chargement données
    df = load_data()
    
    # Sidebar configuration
    st.sidebar.title("⚙️ Configuration")
    
    # Filtres
    requetes_selectionnees = st.sidebar.multiselect(
        "Requêtes à analyser:",
        options=df['requete'].unique(),
        default=df['requete'].unique()[:3]
    )
    
    periode = st.sidebar.selectbox(
        "Période d'analyse:",
        ["7 derniers jours", "30 derniers jours", "3 derniers mois", "Tout"]
    )
    
    # Filtrage données
    df_filtered = df[df['requete'].isin(requetes_selectionnees)]
    
    if periode != "Tout":
        days = {"7 derniers jours": 7, "30 derniers jours": 30, "3 derniers mois": 90}[periode]
        cutoff_date = datetime.now() - timedelta(days=days)
        df_filtered = df_filtered[df_filtered['timestamp'] >= cutoff_date]
    
    # Métriques principales
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        citations_total = len(df_filtered[df_filtered['cite_domaine'] == True])
        st.metric("🎯 Citations Obtenues", citations_total)
    
    with col2:
        taux_citation = (citations_total / len(df_filtered) * 100) if len(df_filtered) > 0 else 0
        st.metric("📊 Taux Citation", f"{taux_citation:.1f}%")
    
    with col3:
        top3_count = len(df_filtered[df_filtered['position'] == 'Top 3'])
        st.metric("🏆 Positions Top 3", top3_count)
    
    with col4:
        cout_total = df_filtered['cout_tokens'].sum() * 0.00002
        st.metric("💰 Coût API", f"{cout_total:.2f}€")
    
    # Graphiques
    col1, col2 = st.columns(2)
    
    with col1:
        # Évolution citations dans le temps
        st.subheader("📈 Évolution Citations")
        df_time = df_filtered.groupby([df_filtered['timestamp'].dt.date, 'cite_domaine']).size().unstack(fill_value=0)
        if True in df_time.columns:
            fig_time = px.line(df_time, y=True, title="Citations quotidiennes")
            st.plotly_chart(fig_time, use_container_width=True)
    
    with col2:
        # Répartition positions
        st.subheader("🎯 Répartition Positions")
        positions_count = df_filtered['position'].value_counts()
        fig_pie = px.pie(values=positions_count.values, names=positions_count.index)
        st.plotly_chart(fig_pie, use_container_width=True)
    
    # Performance par requête
    st.subheader("🔍 Performance par Requête")
    
    perf_requete = df_filtered.groupby('requete').agg({
        'cite_domaine': lambda x: (x == True).sum(),
        'position': lambda x: (x == 'Top 3').sum(),
        'cout_tokens': 'sum'
    }).rename(columns={
        'cite_domaine': 'Citations',
        'position': 'Top 3',
        'cout_tokens': 'Coût Tokens'
    })
    
    perf_requete['Coût €'] = (perf_requete['Coût Tokens'] * 0.00002).round(3)
    
    st.dataframe(perf_requete, use_container_width=True)
    
    # Dernières réponses
    st.subheader("📝 Dernières Réponses IA")
    
    dernieres_reponses = df_filtered.nlargest(3, 'timestamp')[['timestamp', 'requete', 'cite_domaine', 'position']]
    
    for _, row in dernieres_reponses.iterrows():
        with st.expander(f"🕐 {row['timestamp'].strftime('%d/%m/%Y %H:%M')} - {row['requete']}"):
            col1, col2 = st.columns(2)
            with col1:
                st.write(f"**Cité:** {'✅ Oui' if row['cite_domaine'] else '❌ Non'}")
            with col2:
                st.write(f"**Position:** {row['position']}")
    
    # Recommandations automatiques
    st.subheader("💡 Recommandations Automatiques")
    
    # Analyse et recommandations
    requetes_non_citees = df_filtered[df_filtered['cite_domaine'] == False]['requete'].value_counts()
    
    if len(requetes_non_citees) > 0:
        st.warning(f"🚨 Requêtes nécessitant optimisation: {', '.join(requetes_non_citees.head(3).index)}")
        
        recommendations = [
            "📝 Créer du contenu FAQ pour requêtes non citées",
            "🏗️ Implémenter schema.org (Product, FAQ, Organization)",
            "🔗 Obtenir backlinks d'autorités pour E-E-A-T",
            "📊 Publier études originales avec données sectorielles"
        ]
        
        for rec in recommendations:
            st.info(rec)
    else:
        st.success("🎉 Excellente performance ! Toutes les requêtes obtiennent des citations.")
    
    # Footer
    st.markdown("---")
    st.markdown("**Dashboard GEO 2025** - Optimisez votre visibilité IA")

if __name__ == "__main__":
    main()