generate_report.js

const fs = require("fs");
const {
  AlignmentType,
  BorderStyle,
  Document,
  Footer,
  Header,
  HeadingLevel,
  LevelFormat,
  Packer,
  PageBreak,
  PageNumber,
  Paragraph,
  ShadingType,
  Table,
  TableCell,
  TableRow,
  TabStopPosition,
  TabStopType,
  TextRun,
  VerticalAlign,
  WidthType,
} = require("docx");

const OUTPUT_FILE = "rapport_final_food_waste.docx";

const FONT = "Arial";
const COLORS = {
  darkGreen: "1B5E20",
  mediumGreen: "2E7D32",
  lightGreen: "C8E6C9",
  paleGreen: "F1F8E9",
  gray: "666666",
  border: "CCCCCC",
};

const PAGE = {
  width: 11906,
  height: 16838,
  margin: { top: 1440, right: 1440, bottom: 1440, left: 1440 },
  contentWidth: 9026,
};

const tableBorder = { style: BorderStyle.SINGLE, size: 1, color: COLORS.border };
const tableBorders = {
  top: tableBorder,
  bottom: tableBorder,
  left: tableBorder,
  right: tableBorder,
  insideHorizontal: tableBorder,
  insideVertical: tableBorder,
};

function run(text, options = {}) {
  return new TextRun({
    text,
    font: FONT,
    size: options.size ?? 24,
    bold: options.bold ?? false,
    italics: options.italics ?? false,
    color: options.color,
  });
}

function paragraph(text, options = {}) {
  return new Paragraph({
    alignment: options.alignment ?? AlignmentType.JUSTIFIED,
    spacing: options.spacing ?? { after: 160, line: 276 },
    children: [run(text, options.run)],
  });
}

function centered(text, options = {}) {
  return paragraph(text, {
    alignment: AlignmentType.CENTER,
    spacing: options.spacing ?? { after: 180 },
    run: options.run,
  });
}

function heading1(text, pageBreakBefore = false) {
  const nodes = [];
  if (pageBreakBefore) {
    nodes.push(new Paragraph({ children: [new PageBreak()] }));
  }
  nodes.push(
    new Paragraph({
      heading: HeadingLevel.HEADING_1,
      children: [run(text, { size: 40, bold: true, color: COLORS.darkGreen })],
    })
  );
  return nodes;
}

function heading2(text) {
  return new Paragraph({
    heading: HeadingLevel.HEADING_2,
    children: [run(text, { size: 32, bold: true, color: COLORS.mediumGreen })],
  });
}

function bulletList(items) {
  return items.map(
    (item) =>
      new Paragraph({
        numbering: { reference: "bullets", level: 0 },
        alignment: AlignmentType.JUSTIFIED,
        spacing: { after: 120, line: 276 },
        children: [run(item)],
      })
  );
}

function numberedList(items) {
  return items.map(
    (item) =>
      new Paragraph({
        numbering: { reference: "numbers", level: 0 },
        alignment: AlignmentType.JUSTIFIED,
        spacing: { after: 120, line: 276 },
        children: [run(item)],
      })
  );
}

function tableCell(text, width, options = {}) {
  return new TableCell({
    borders: tableBorders,
    width: { size: width, type: WidthType.DXA },
    verticalAlign: VerticalAlign.CENTER,
    shading: options.fill ? { fill: options.fill, type: ShadingType.CLEAR } : undefined,
    margins: { top: 80, bottom: 80, left: 120, right: 120 },
    children: [
      new Paragraph({
        alignment: options.alignment ?? AlignmentType.LEFT,
        spacing: { after: 0, line: 276 },
        children: [
          run(text, {
            size: options.header ? 22 : 20,
            bold: options.bold || options.header || false,
            color: options.color,
          }),
        ],
      }),
    ],
  });
}

function dataTable(headers, rows, columnWidths, options = {}) {
  return new Table({
    width: { size: PAGE.contentWidth, type: WidthType.DXA },
    columnWidths,
    borders: tableBorders,
    rows: [
      new TableRow({
        tableHeader: true,
        children: headers.map((header, index) =>
          tableCell(header, columnWidths[index], { header: true, fill: COLORS.lightGreen })
        ),
      }),
      ...rows.map((row, rowIndex) => {
        const isBest = options.bestRows?.includes(row[0]);
        const fill = rowIndex % 2 === 0 ? COLORS.paleGreen : "FFFFFF";
        return new TableRow({
          children: row.map((cell, index) =>
            tableCell(cell, columnWidths[index], {
              fill,
              bold: isBest,
              alignment: index === 1 && options.centerSecondColumn ? AlignmentType.CENTER : AlignmentType.LEFT,
            })
          ),
        });
      }),
    ],
  });
}

function header() {
  return new Header({
    children: [
      new Paragraph({
        tabStops: [{ type: TabStopType.RIGHT, position: TabStopPosition.MAX }],
        border: {
          bottom: { style: BorderStyle.SINGLE, size: 6, color: COLORS.darkGreen, space: 1 },
        },
        spacing: { after: 120 },
        children: [
          run("Rapport Final - Gaspillage Alimentaire", { size: 20, bold: true, color: COLORS.darkGreen }),
          run("\t2025", { size: 20, bold: true, color: COLORS.darkGreen }),
        ],
      }),
    ],
  });
}

function footer() {
  return new Footer({
    children: [
      new Paragraph({
        alignment: AlignmentType.CENTER,
        border: {
          top: { style: BorderStyle.SINGLE, size: 6, color: COLORS.darkGreen, space: 1 },
        },
        spacing: { before: 120 },
        children: [run("Page ", { size: 18 }), new TextRun({ children: [PageNumber.CURRENT], font: FONT, size: 18 })],
      }),
    ],
  });
}

function coverSection() {
  return {
    properties: {
      page: {
        size: { width: PAGE.width, height: PAGE.height },
        margin: PAGE.margin,
      },
    },
    children: [
      new Paragraph({ spacing: { after: 900 }, children: [] }),
      centered("Université / École - Département Data & IA", {
        spacing: { after: 900 },
        run: { size: 28, color: COLORS.gray },
      }),
      centered("Rapport Final - Optimisation de la Gestion du Gaspillage Alimentaire dans les Restaurants", {
        spacing: { after: 360 },
        run: { size: 72, bold: true, color: COLORS.darkGreen },
      }),
      centered("Projet Machine Learning - Analyse et Prédiction", {
        spacing: { after: 720 },
        run: { size: 28, bold: true, color: COLORS.mediumGreen },
      }),
      centered("Auteurs : Équipe projet WasteWise", {
        spacing: { after: 180 },
        run: { size: 24 },
      }),
      centered("Date : Mai 2025", {
        spacing: { after: 900 },
        run: { size: 24 },
      }),
      centered(
        "Ce rapport présente une solution complète de prédiction du gaspillage alimentaire en restauration, depuis l'analyse métier jusqu'à la proposition de déploiement applicatif.",
        { spacing: { after: 360 }, run: { size: 22, italics: true, color: COLORS.gray } }
      ),
      new Paragraph({ children: [new PageBreak()] }),
    ],
  };
}

const variableRows = [
  ["Type of Food", "Catégorielle", "Catégorie alimentaire : Meat, Vegetables, Fruits, Dairy ou Grains."],
  ["Number of Guests", "Numérique", "Nombre de personnes présentes à l'événement."],
  ["Event Type", "Catégorielle", "Type d'événement : Wedding, Conference, Buffet, Birthday ou Corporate."],
  ["Quantity of Food", "Numérique", "Quantité totale de nourriture préparée, exprimée en kilogrammes."],
  ["Storage Conditions", "Catégorielle", "Mode de conservation : Refrigerated, Frozen ou Room Temperature."],
  ["Purchase History", "Catégorielle", "Historique d'achat : Low, Medium ou High."],
  ["Seasonality", "Catégorielle", "Saison ou période : Spring, Summer, Autumn, Winter ou Christmas."],
  ["Preparation Method", "Catégorielle", "Méthode de préparation : Fried, Grilled, Raw, Finger Food, Buffet ou Sit-down Dinner."],
  ["Pricing", "Catégorielle", "Niveau de prix : Low, Moderate ou High."],
  ["Wastage Food Amount", "Numérique -> Cible", "Quantité de nourriture gaspillée ; variable cible transformée en classes Low, Moderate et High."],
];

const modelRows = [
  ["SVM (kernel linéaire)", "90,12 %", "Bon modèle de référence, mais sensible aux outliers et aux choix de normalisation."],
  ["SVM (kernel RBF)", "89,20 %", "Résultat légèrement inférieur au kernel linéaire, malgré une frontière non linéaire plus flexible."],
  ["K-Nearest Neighbors (k=7)", "86,73 %", "Moins performant lorsque la dimension augmente après encodage One-Hot."],
  ["Decision Tree", "92,28 %", "Interprétable et rapide, mais plus exposé au surapprentissage."],
  ["Random Forest", "95,99 %", "Meilleur modèle ex aequo ; robuste, stable et exploitable pour l'importance des variables."],
  ["XGBoost", "95,99 %", "Performance équivalente ; excellent choix pour les données tabulaires structurées."],
];

function reportSection() {
  const children = [
    ...heading1("1. Introduction"),
    paragraph(
      "Le gaspillage alimentaire constitue un défi économique, social et environnemental majeur. À l'échelle mondiale, une part importante des denrées produites n'est jamais consommée, ce qui entraîne une perte directe de ressources, une hausse inutile des coûts et une pression accrue sur les chaînes logistiques. Dans les restaurants, le problème est particulièrement visible, car les décisions de préparation doivent être prises avant que la demande réelle ne soit totalement connue."
    ),
    paragraph(
      "La difficulté principale réside dans l'anticipation de la quantité de nourriture nécessaire pour chaque événement. Une sous-estimation dégrade l'expérience client, tandis qu'une surestimation crée une surproduction systématique. Cette surproduction se traduit par des invendus, des pertes de produits périssables et une augmentation des coûts d'achat, de stockage et de traitement des déchets."
    ),
    paragraph(
      "Le projet vise à construire un système de prédiction capable d'estimer le niveau de gaspillage alimentaire avant la tenue d'un événement. La variable cible, Wastage Food Amount, est transformée en trois classes opérationnelles : Low, Moderate et High. Ce cadrage permet de convertir une quantité brute en un signal directement exploitable par les responsables de restaurant."
    ),
    paragraph("Les objectifs du projet sont les suivants :"),
    ...numberedList([
      "Prédire le niveau de gaspillage alimentaire (Low / Moderate / High) avant un événement.",
      "Identifier les facteurs clés influençant le gaspillage afin de mieux comprendre les leviers d'action.",
      "Proposer des recommandations concrètes permettant de réduire les pertes alimentaires et financières.",
    ]),
    paragraph(
      "Le périmètre de l'analyse est limité au contexte de la restauration événementielle et s'appuie sur un dataset de 1 782 enregistrements. Les variables disponibles décrivent la nourriture, le nombre d'invités, le type d'événement, les conditions de stockage, l'historique d'achat, la saisonnalité, la méthode de préparation et le niveau de prix."
    ),
    paragraph(
      "Le rapport suit une logique de projet Machine Learning complète : compréhension métier, analyse des données, préparation, modélisation, interprétation des résultats, proposition de déploiement et perspectives d'amélioration."
    ),

    ...heading1("2. Compréhension Métier", true),
    heading2("2.1 Contexte et Enjeux"),
    paragraph(
      "Le secteur de la restauration est exposé à une forte variabilité de la demande. Le nombre de convives, le type d'événement, les habitudes de consommation et la saison influencent fortement les volumes nécessaires. À cette incertitude s'ajoute la contrainte des produits périssables, dont la durée de conservation est souvent courte et dépendante des conditions de stockage."
    ),
    paragraph(
      "Dans un contexte événementiel, la consommation peut varier fortement entre un mariage, une conférence, un buffet ou un événement corporate. Les restaurants doivent donc arbitrer entre sécurité de service et maîtrise des coûts. En pratique, cette incertitude pousse souvent les équipes à préparer plus que nécessaire afin d'éviter toute rupture pendant le service."
    ),
    paragraph(
      "L'impact économique est significatif. Dans de nombreux établissements, le gaspillage alimentaire peut représenter entre 20 % et 30 % des coûts alimentaires totaux. Cette perte ne concerne pas uniquement la matière première ; elle inclut aussi le temps de préparation, l'énergie, l'espace de stockage et le coût de traitement des déchets."
    ),
    paragraph(
      "L'impact environnemental est également important. Chaque kilogramme de nourriture gaspillée correspond à des ressources mobilisées inutilement : eau, énergie, transport, emballage et main-d'oeuvre. Lorsque ces déchets finissent en décharge, ils contribuent en outre aux émissions de gaz à effet de serre, notamment via la production de méthane."
    ),
    heading2("2.2 Définition du Problème Métier"),
    paragraph(
      "La question métier centrale est la suivante : quelle quantité de nourriture risque d'être gaspillée compte tenu des caractéristiques d'un événement à venir ? Cette question ne cherche pas uniquement une estimation statistique ; elle vise une aide à la décision concrète avant l'achat, la préparation et le service."
    ),
    paragraph(
      "Le problème est formulé comme une classification à trois niveaux : Low, Moderate et High. Cette approche est plus exploitable qu'une prédiction brute lorsque les équipes doivent prendre rapidement une décision. Un risque High peut déclencher une réduction des quantités, une adaptation du mode de préparation ou un contrôle renforcé des conditions de conservation."
    ),
    paragraph(
      "Les principales parties prenantes sont les responsables de restaurant, les équipes d'achat, les chefs de production et les coordinateurs d'événements. Chacun peut utiliser la prédiction pour ajuster ses décisions : commander moins, choisir une méthode de service plus flexible, renforcer la réfrigération ou planifier des actions de redistribution."
    ),
    heading2("2.3 Valeur Apportée par le Machine Learning"),
    paragraph(
      "Le Machine Learning apporte de la valeur car il permet d'exploiter des données historiques pour détecter des relations difficiles à formaliser manuellement. La combinaison du nombre d'invités, du type de nourriture, de la saisonnalité et de la méthode de préparation peut produire un niveau de risque que les règles métier simples ne capturent pas toujours."
    ),
    ...bulletList([
      "Anticipation des commandes basée sur des données historiques plutôt que sur des estimations intuitives.",
      "Réduction des coûts d'approvisionnement grâce à une meilleure adéquation entre quantité préparée et demande attendue.",
      "Aide à la décision en temps réel via une interface web utilisable avant la validation d'un événement.",
      "Amélioration de la durabilité environnementale du restaurant par la réduction des déchets évitables.",
    ]),

    ...heading1("3. Compréhension des Données", true),
    heading2("3.1 Source et Description du Dataset"),
    paragraph(
      "Le dataset utilisé provient de Kaggle, sous le titre Food Wastage Data in Restaurant, publié par trevinhannibal. Il contient 1 782 entrées et 11 variables décrivant différents événements de restauration et leur niveau de gaspillage alimentaire associé."
    ),
    paragraph(
      "Les variables couvrent à la fois des dimensions quantitatives, comme le nombre d'invités et la quantité de nourriture préparée, et des dimensions qualitatives, comme le type de nourriture, le mode de conservation, la saison et la méthode de préparation. Cette diversité rend le dataset adapté à une modélisation tabulaire supervisée."
    ),
    heading2("3.2 Description des Variables"),
    dataTable(["Variable", "Type", "Description"], variableRows, [2500, 1800, 4726]),
    paragraph(
      "La variable Geographical Location est présente dans le dataset initial, mais elle est retirée lors de la préparation car sa valeur prédictive est limitée et sa cardinalité peut créer du bruit après encodage. La variable cible continue, Wastage Food Amount, est conservée pour construire les classes de gaspillage."
    ),
    heading2("3.3 Analyse Exploratoire"),
    paragraph(
      "L'analyse exploratoire met en évidence des relations cohérentes avec le fonctionnement réel d'un restaurant. Les volumes préparés et le nombre d'invités expliquent une grande partie de la variation du gaspillage, tandis que certaines méthodes de préparation réduisent les pertes grâce à une meilleure flexibilité de service."
    ),
    ...bulletList([
      "Corrélation forte entre Number of Guests et Quantity of Food, avec r = 0,78.",
      "Number of Guests et Wastage Food Amount sont positivement corrélés, avec r = 0,64.",
      "La méthode Finger Food génère significativement moins de gaspillage, avec r = -0,36 avec Wastage Food Amount.",
      "Les produits laitiers stockés à température ambiante présentent un risque élevé en raison de leur sensibilité à la conservation.",
      "Aucune valeur manquante critique n'a été détectée ; les doublons ont été vérifiés puis supprimés si nécessaire.",
    ]),

    ...heading1("4. Préparation des Données", true),
    heading2("4.1 Nettoyage"),
    paragraph(
      "La préparation commence par un contrôle de cohérence du dataset. La vérification des doublons ne révèle aucun doublon exploitable après contrôle final, ce qui permet de conserver l'ensemble des 1 782 observations comme base d'apprentissage."
    ),
    paragraph(
      "La colonne Geographical Location est supprimée. Cette décision est motivée par sa faible contribution prédictive attendue dans le contexte disponible et par le risque d'augmenter inutilement la dimension du jeu de données après encodage. Les valeurs manquantes sont également contrôlées ; aucune valeur manquante critique n'est détectée après nettoyage."
    ),
    heading2("4.2 Encodage des Variables Catégorielles"),
    paragraph(
      "Les variables catégorielles sont transformées par One-Hot Encoding avec le paramètre drop='first'. Cette stratégie convertit chaque modalité en variable binaire tout en évitant une multicolinéarité parfaite entre les colonnes générées. L'implémentation repose sur sklearn.preprocessing.OneHotEncoder."
    ),
    paragraph(
      "Après suppression de la localisation, le DataFrame passe de 10 variables principales à environ 35 colonnes ou plus selon les modalités retenues. Cette représentation est adaptée aux modèles d'arbres, aux SVM et aux méthodes de boosting utilisées dans le projet."
    ),
    heading2("4.3 Normalisation"),
    paragraph(
      "La normalisation est effectuée avec MinMaxScaler afin de ramener les variables numériques dans l'intervalle [0, 1]. Cette étape garantit qu'aucune variable ne domine l'apprentissage uniquement parce qu'elle possède une échelle plus grande. Elle est particulièrement utile pour les modèles sensibles aux distances, comme K-Nearest Neighbors et SVM."
    ),
    paragraph(
      "Le scaler est appliqué après l'encodage sur le DataFrame complet transformé. Dans un pipeline de production, les paramètres du scaler doivent être appris uniquement sur les données d'entraînement puis réutilisés à l'identique sur les données de test et sur les prédictions futures."
    ),
    heading2("4.4 Création de la Variable Cible"),
    paragraph(
      "La variable Wastage Food Amount est initialement continue. Pour répondre au besoin métier, elle est discrétisée en trois classes à l'aide d'un clustering KMeans avec k=3. Les clusters sont ensuite ordonnés et renommés en Low, Moderate et High selon leur niveau moyen de gaspillage."
    ),
    paragraph(
      "Cette transformation permet de produire une sortie interprétable par les utilisateurs. La distribution obtenue est approximativement équilibrée entre les trois niveaux, ce qui facilite l'évaluation des modèles et limite le risque de prédictions concentrées sur une seule classe."
    ),
    heading2("4.5 Gestion du Déséquilibre (SMOTE)"),
    paragraph(
      "SMOTE, ou Synthetic Minority Oversampling Technique, est appliqué uniquement sur le jeu d'entraînement afin d'équilibrer les classes avant l'apprentissage. Cette précaution évite une fuite de données et empêche le modèle de profiter artificiellement d'informations provenant du jeu de test."
    ),
    paragraph(
      "L'utilisation de SMOTE réduit le biais envers une classe majoritaire et améliore la capacité du modèle à reconnaître les cas Moderate et High. Cette étape est importante dans un contexte métier où les erreurs sur les événements à fort gaspillage peuvent avoir un coût élevé."
    ),

    ...heading1("5. Modélisation", true),
    heading2("5.1 Approche et Split"),
    paragraph(
      "Le dataset est divisé en deux ensembles : 80 % pour l'entraînement et 20 % pour le test, avec random_state=42 afin d'assurer la reproductibilité. Le suréchantillonnage SMOTE est appliqué uniquement sur l'ensemble d'entraînement, puis les modèles sont évalués sur des données de test non vues."
    ),
    paragraph(
      "Les métriques principales sont l'Accuracy et le F1-score pondéré. L'Accuracy donne une lecture globale de la performance, tandis que le F1-score pondéré tient compte du comportement par classe et limite les conclusions trop optimistes lorsque la distribution des classes est imparfaite."
    ),
    heading2("5.2 Modèles Testés"),
    dataTable(["Modèle", "Accuracy", "Remarques"], modelRows, [3000, 1600, 4426], {
      bestRows: ["Random Forest", "XGBoost"],
      centerSecondColumn: true,
    }),
    paragraph(
      "Les résultats montrent que les modèles ensemblistes dominent les approches plus simples. Random Forest et XGBoost atteignent tous deux 95,99 % d'accuracy, ce qui confirme leur pertinence pour des données tabulaires mixtes après encodage."
    ),
    heading2("5.3 Optimisation des Hyperparamètres"),
    paragraph(
      "L'optimisation des hyperparamètres est réalisée avec RandomizedSearchCV, en utilisant n_iter=30 et une validation croisée à 5 folds. Cette méthode explore un espace de paramètres suffisamment large sans imposer le coût computationnel complet d'une GridSearch exhaustive."
    ),
    paragraph(
      "Les paramètres ajustés incluent n_estimators, max_depth, min_samples_split, min_samples_leaf et max_features. La meilleure configuration confirme une accuracy de validation croisée de 95,99 %, cohérente avec la performance observée sur le jeu de test."
    ),
    heading2("5.4 Analyse des Résultats"),
    paragraph(
      "L'analyse ROC/AUC en stratégie One-vs-Rest indique que les trois classes présentent un AUC supérieur à 0,95. Ce résultat signifie que le modèle sépare efficacement les niveaux Low, Moderate et High, y compris dans les zones de décision intermédiaires."
    ),
    paragraph(
      "Les learning curves montrent une convergence progressive entre les scores d'entraînement et de validation. L'écart reste maîtrisé, ce qui suggère une bonne généralisation et l'absence de surapprentissage significatif après optimisation."
    ),
    paragraph("L'analyse d'importance des variables met en évidence les facteurs suivants :"),
    ...bulletList([
      "Number of Guests est la variable la plus influente, car elle conditionne directement la quantité à préparer.",
      "Quantity of Food est fortement corrélée au gaspillage et reflète les décisions de production avant événement.",
      "Preparation Method influence le niveau de perte ; le format Finger Food réduit le gaspillage par sa modularité.",
      "Storage Conditions jouent un rôle de contrôle du risque ; la réfrigération diminue les pertes liées à la détérioration.",
    ]),

    ...heading1("6. Déploiement", true),
    heading2("6.1 Architecture de la Solution"),
    paragraph(
      "La solution cible est la plateforme WasteWise, une application web conçue pour intégrer le modèle de prédiction dans le processus opérationnel des restaurants. L'objectif n'est pas seulement de produire une prédiction, mais de l'insérer dans un flux décisionnel accessible aux équipes non techniques."
    ),
    ...bulletList([
      "Frontend : React 18, TypeScript et TailwindCSS pour une interface rapide, typée et responsive.",
      "Backend : NestJS utilisé comme API Gateway pour centraliser l'authentification, les validations et l'orchestration des appels.",
      "ML Service : microservice Python FastAPI exposant le pipeline Random Forest sérialisé au format .pkl.",
      "Database : MongoDB pour stocker les prédictions, les historiques d'événements, les utilisateurs et les recommandations générées.",
    ]),
    paragraph(
      "Cette architecture sépare clairement les responsabilités. Le frontend reste centré sur l'expérience utilisateur, le backend gère les règles applicatives, le service Machine Learning encapsule la logique prédictive et la base de données conserve les informations nécessaires au suivi et à l'amélioration continue."
    ),
    heading2("6.2 Pipeline de Prédiction"),
    ...numberedList([
      "L'utilisateur saisit les caractéristiques de l'événement via un formulaire web interactif.",
      "Le backend NestJS valide les données et les transmet au microservice Python FastAPI.",
      "Le microservice applique le pipeline : OneHotEncoding, puis MinMaxScaler, puis Random Forest.",
      "Le résultat Low, Moderate ou High, accompagné d'un score de confiance, est retourné à l'application.",
      "Le système génère des recommandations personnalisées basées sur les variables d'entrée et le niveau de risque détecté.",
    ]),
    paragraph(
      "Le pipeline doit être versionné afin de garantir que les transformations utilisées en production correspondent exactement à celles apprises pendant l'entraînement. Cette exigence concerne l'ordre des colonnes, les modalités catégorielles, les paramètres du scaler et le modèle final."
    ),
    heading2("6.3 Interface Utilisateur"),
    paragraph(
      "L'interface utilisateur est structurée autour d'un formulaire de prédiction multi-étapes. La première étape collecte les informations de l'événement, la deuxième décrit les informations alimentaires et la troisième précise les conditions de stockage et le niveau de prix. Cette progression réduit la charge cognitive et améliore la qualité de saisie."
    ),
    paragraph(
      "Le dashboard présente des cartes KPI, des visualisations Recharts, un historique des prédictions avec filtres et export CSV, ainsi qu'une jauge de confiance en temps réel. Ces éléments permettent aux responsables d'identifier les événements à risque, de suivre les tendances et de justifier les décisions d'ajustement."
    ),

    ...heading1("7. Conclusion et Perspectives", true),
    heading2("7.1 Synthèse des Résultats"),
    paragraph(
      "Le projet atteint les trois objectifs initiaux : prédire le niveau de gaspillage alimentaire, identifier les facteurs clés et proposer des recommandations opérationnelles. La transformation de la cible en trois classes rend le résultat directement compréhensible et actionnable par les équipes de restauration."
    ),
    paragraph(
      "Random Forest et XGBoost obtiennent tous deux une accuracy de 95,99 % sur la classification Low / Moderate / High. Cette performance confirme que les variables disponibles contiennent suffisamment d'information pour anticiper le risque de gaspillage avec un niveau de fiabilité élevé."
    ),
    paragraph(
      "L'insight principal est que le nombre d'invités et la quantité de nourriture préparée sont les prédicteurs les plus forts. Les recommandations pratiques découlant du modèle sont cohérentes avec l'expertise métier : privilégier la réfrigération, utiliser le format Finger Food lorsque cela est adapté, et ajuster les quantités selon la saison et le type d'événement."
    ),
    heading2("7.2 Limites du Projet"),
    ...bulletList([
      "Le dataset reste de taille limitée avec 1 782 entrées ; la généralisation à d'autres restaurants doit être validée sur des données externes.",
      "La variable Geographical Location a été exclue faute de données suffisantes et de valeur prédictive stable.",
      "Le modèle est entraîné sur des données statiques et ne dispose pas encore d'un mécanisme de réentraînement en ligne.",
      "Les séries temporelles, comme ARIMA ou LSTM pour la prévision de demande, n'ont pas été implémentées dans cette version.",
    ]),
    heading2("7.3 Perspectives d'Amélioration"),
    ...numberedList([
      "Intégrer des données météorologiques en temps réel afin de mesurer leur impact sur la demande et le comportement des clients.",
      "Implémenter un modèle de séries temporelles, notamment LSTM, pour prévoir la demande d'achat avant la planification des menus.",
      "Ajouter un module de réentraînement automatique à partir des nouvelles prédictions validées par les utilisateurs.",
      "Étendre la plateforme à d'autres types de restauration, comme les cantines, les hôtels, les traiteurs et la restauration collective.",
      "Intégrer des APIs tierces, par exemple calendriers d'événements locaux et prévisions météo, pour enrichir le contexte de prédiction.",
    ]),
    paragraph(
      "En conclusion, WasteWise démontre qu'une approche Machine Learning bien structurée peut transformer un problème opérationnel récurrent en outil d'aide à la décision. La prochaine étape consiste à confronter le modèle à des données réelles de production, à mesurer les économies générées et à intégrer les retours utilisateurs dans un cycle d'amélioration continue."
    ),
  ];

  return {
    properties: {
      page: {
        size: { width: PAGE.width, height: PAGE.height },
        margin: PAGE.margin,
      },
    },
    headers: { default: header() },
    footers: { default: footer() },
    children,
  };
}

const doc = new Document({
  styles: {
    default: {
      document: {
        run: { font: FONT, size: 24 },
        paragraph: { spacing: { after: 160, line: 276 } },
      },
    },
    paragraphStyles: [
      {
        id: "Heading1",
        name: "Heading 1",
        basedOn: "Normal",
        next: "Normal",
        quickFormat: true,
        run: { size: 40, bold: true, font: FONT, color: COLORS.darkGreen },
        paragraph: { spacing: { before: 360, after: 180 }, outlineLevel: 0 },
      },
      {
        id: "Heading2",
        name: "Heading 2",
        basedOn: "Normal",
        next: "Normal",
        quickFormat: true,
        run: { size: 32, bold: true, font: FONT, color: COLORS.mediumGreen },
        paragraph: { spacing: { before: 240, after: 120 }, outlineLevel: 1 },
      },
    ],
  },
  numbering: {
    config: [
      {
        reference: "bullets",
        levels: [
          {
            level: 0,
            format: LevelFormat.BULLET,
            text: "•",
            alignment: AlignmentType.LEFT,
            style: { paragraph: { indent: { left: 720, hanging: 360 } } },
          },
        ],
      },
      {
        reference: "numbers",
        levels: [
          {
            level: 0,
            format: LevelFormat.DECIMAL,
            text: "%1.",
            alignment: AlignmentType.LEFT,
            style: { paragraph: { indent: { left: 720, hanging: 360 } } },
          },
        ],
      },
    ],
  },
  sections: [coverSection(), reportSection()],
});

Packer.toBuffer(doc)
  .then((buffer) => {
    fs.writeFileSync(OUTPUT_FILE, buffer);
    console.log(`Generated ${OUTPUT_FILE}`);
  })
  .catch((error) => {
    console.error("Failed to generate report:", error);
    process.exitCode = 1;
  });