% vs prom: {row.pct_vs_prom:+.1%}
""",
unsafe_allow_html=True
)
# ===============================================================================
# KPIs del ÚLTIMO MES COMPLETO (por sucursal) — usando df_folios
# ===============================================================================
st.markdown("### KPIs del último mes completo (por sucursal)")
# ---------------------------------------------------------------------------
# BLOQUE 1: VALIDACIÓN TEMPRANA (Fail Fast)
# ---------------------------------------------------------------------------
if df_folios.empty:
st.info("No hay datos de folios para calcular KPIs.")
# ---------------------------------------------------------------------------
# BLOQUE 2: LÓGICA DE CALENDARIO (Preparar los datos para el selector)
# ---------------------------------------------------------------------------
# 1. Detectar la fecha "Techo" (la última venta registrada en todo el dataset)
last_day_data = pd.to_datetime(df_folios["Fecha"].max())
# 2. Agrupar folios existentes por mes (Primer día del mes)
meses_disponibles = (
df_folios
.assign(mes=df_folios["Fecha"].dt.to_period("M").dt.to_timestamp())
.groupby("mes")
.size()
.reset_index(name="n")
)
# 3. Calcular el fin de mes de cada periodo disponible
meses_disponibles["month_end"] = (
meses_disponibles["mes"] + pd.offsets.MonthEnd(0)
).dt.normalize()
# 4. FILTRO MAESTRO: ¿Qué es un "Mes Completo"?
# Regla: Un mes se considera completo si su último día es menor o igual
# a la última fecha registrada en los datos.
# (Ej: Si hoy es 7 Enero, Enero NO es completo, pero Diciembre SI).
meses_completos = meses_disponibles[
meses_disponibles["month_end"] <= last_day_data.normalize()
].copy()
# Ordenar cronológicamente (importante para el selectbox)
meses_completos = meses_completos.sort_values("mes", ascending=True)
if meses_completos.empty:
st.info("Aún no hay meses cerrados completos disponibles para análisis.")
meses_completos_y = meses_completos[
meses_completos["mes"].dt.year == anio
].copy()
# ---------------------------------------------------------------------------
# BLOQUE 3: DETERMINAR EL DEFAULT INTELIGENTE
# ---------------------------------------------------------------------------
# (LEYENDA) Si el mes actual NO está cerrado, explicarlo al usuario
# Ej: estamos a 8 de enero 2026 -> enero no está completo, solo se analiza diciembre 2025
month_end_data = (last_day_data + pd.offsets.MonthEnd(0)).normalize()
if last_day_data.normalize() < month_end_data:
st.caption(
f"**Nota:** El mes actual (**{MES_MAP[last_day_data.month]} {last_day_data.year}**) "
f"aún no está cerrado (último dato: **{last_day_data:%d/%m/%Y}**). "
"Para mantener comparaciones consistentes, esta sección usa **solo meses completos**."
)
# Por defecto: último mes completo disponible (pero SOLO mostramos 1 opción)
lista_opciones = (
meses_completos["mes"]
.sort_values(ascending=False)
.head(1) # <-- SOLO el último mes completo
.tolist()
)
default_idx = 0 # el más reciente (y único)
def fmt_mes_abrev(ts: pd.Timestamp) -> str:
ts = pd.to_datetime(ts)
return f"{MES_MAP[ts.month]} {ts.year}"
mes_sele = st.selectbox(
"Mes de análisis (Cierre)",
options=lista_opciones,
index=default_idx,
format_func=fmt_mes_abrev,
key="mes_kpi_sucursal"
)
else:
# Por defecto: último mes completo disponible
lista_opciones = (
meses_completos_y["mes"]
.sort_values(ascending=False) # Más reciente primero
.tolist()
)
default_idx = 0 # el más reciente
def fmt_mes_abrev(ts: pd.Timestamp) -> str:
ts = pd.to_datetime(ts)
return f"{MES_MAP[ts.month]} {ts.year}"
mes_sele = st.selectbox(
"Mes de análisis (Cierre)",
options=lista_opciones,
index=default_idx,
format_func=fmt_mes_abrev,
key="mes_kpi_sucursal"
)
last_full_ini = mes_sele
last_full_end = (last_full_ini + pd.offsets.MonthEnd(0)).normalize()
prev_full_end = (last_full_ini - pd.Timedelta(days=1)).normalize()
prev_full_ini = prev_full_end.replace(day=1)
# ---------------------------------------------------------------------------
# 2) Agregar df_folios a NIVEL MENSUAL POR SUCURSAL
# ---------------------------------------------------------------------------
df_folios["mes"] = df_folios["Fecha"].dt.to_period("M").dt.to_timestamp()
monthly_suc = (
df_folios
.groupby(["mes", "NombreSucursal"], as_index=False)["ventas_subtotal"]
.sum()
.rename(columns={"ventas_subtotal": "ingreso"})
)
# ---------------------------------------------------------------------------
# 3) Filtrar último mes completo y mes anterior
# ---------------------------------------------------------------------------
mask_last = (monthly_suc["mes"] >= last_full_ini) & (monthly_suc["mes"] <= last_full_end)
mask_prev = (monthly_suc["mes"] >= prev_full_ini) & (monthly_suc["mes"] <= prev_full_end)
last_by_suc = (
monthly_suc.loc[mask_last]
.groupby("NombreSucursal", as_index=False)["ingreso"]
.sum()
.rename(columns={"ingreso": "ing_last"})
)
prev_by_suc = (
monthly_suc.loc[mask_prev]
.groupby("NombreSucursal", as_index=False)["ingreso"]
.sum()
.rename(columns={"ingreso": "ing_prev"})
)
if last_by_suc.empty:
st.info("No hay datos del último mes completo para calcular KPIs.")
st.stop()
merged = (
last_by_suc
.merge(prev_by_suc, on="NombreSucursal", how="outer")
.fillna(0.0)
)
# ---------------------------------------------------------------------------
# 4) KPIs PRINCIPALES
# ---------------------------------------------------------------------------
n_suc_last = max((merged["ing_last"] > 0).sum(), 1)
n_suc_prev = max((merged["ing_prev"] > 0).sum(), 1)
avg_last = merged["ing_last"].sum() / n_suc_last
avg_prev = merged["ing_prev"].sum() / n_suc_prev
suc_arriba_prom = (merged["ing_last"] > avg_last).sum()
pct_vs_prev = (avg_last - avg_prev) / avg_prev if avg_prev > 0 else None
k1, k2, k3, k4 = st.columns(4)
with k1:
st.metric(
"Ingreso promedio por sucursal",
f"${avg_last:,.2f}",
delta=("NA" if pct_vs_prev is None else f"{pct_vs_prev:+.2%}")
)
with k2:
st.metric(
"Sucursales arriba del promedio",
f"{suc_arriba_prom:,}"
)
with k3:
st.metric(
"Total red — último mes",
f"${merged['ing_last'].sum():,.2f}"
)
with k4:
st.metric(
"Total red — mes anterior",
f"${merged['ing_prev'].sum():,.2f}"
)
# ---------------------------------------------------------------------------
# 5) TOP 3 sucursales (comparativo)
# ---------------------------------------------------------------------------
top_last = merged.sort_values("ing_last", ascending=False).head(3)
top_prev = merged.sort_values("ing_prev", ascending=False).head(3)
c1, c2 = st.columns(2)
with c1:
st.markdown(f"**Top 3 — {last_full_ini.strftime('%B %Y').capitalize()}**")
for i, r in enumerate(top_last.itertuples(), 1):
st.markdown(f"- **{i}. {r.NombreSucursal}** — ${r.ing_last:,.0f}")
with c2:
st.markdown(f"**Top 3 — {prev_full_ini.strftime('%B %Y').capitalize()}**")
for i, r in enumerate(top_prev.itertuples(), 1):
st.markdown(f"- **{i}. {r.NombreSucursal}** — ${r.ing_prev:,.0f}")
# ---------------------------------------------------------------------------
# 6) Dona de distribución (último mes completo)
# ---------------------------------------------------------------------------
c1, c2 = st.columns(2)
with c1:
with st_card("Distribución del ingreso por sucursal (último mes completo)"):
pie_df = last_by_suc.sort_values("ing_last", ascending=False)
N = 10
if len(pie_df) > N:
otros = pd.DataFrame({
"NombreSucursal": ["Otros"],
"ing_last": [pie_df["ing_last"].iloc[N:].sum()]
})
pie_df = pd.concat([pie_df.head(N), otros], ignore_index=True)
fig_pie = px.pie(
pie_df,
names="NombreSucursal",
values="ing_last",
hole=0.55,
color_discrete_sequence=PICTON_BLUE[::-1]
)
fig_pie.update_traces(
textposition="inside",
textinfo="percent+label",
hovertemplate="Sucursal: %{label}