Published

Frontend - Alignement explications & graphiques (Impact Subscores)

Goulven
Goulven

Frontend - Alignement explications & graphiques (Impact Subscores)

Version de travail - 2026-01-23

1) Constat (code actuel)

1.1 ProductImpactSubscoreExplanation.vue

Le composant suppose explicitement un scoring sigma : la moyenne est présentée comme un pivot fixe à 10/20.

Extrait :

const averageOn20Value = computed(() => {
  // Sigma scoring definition: Average is always the pivot at 10/20 (2.5/5)
  return formatNumber(10, { maximumFractionDigits: 0 })
})

1.2 ProductImpactSubscoreChart.vue

La " moyenne " et la valeur du produit sont rendues comme des barres de surlignage dans le bucket.

2) Changements demandés

2.1 Adapter les explications selon normalizationMethod

Objectif : varier les textes + les valeurs mises en avant.

  • SIGMA
    • expliquer µ/σ et les bornes ±kσ
    • le pivot µ correspond à 2.5/5 => 10/20 (si l'échelle du sous-score est 0..5 et l'Impact Score final 0..20)
  • PERCENTILE
    • expliquer rang : " votre produit est dans les X% meilleurs / p = … "
    • ne pas annoncer un pivot fixe
  • FIXED_MAPPING / MINMAX_FIXED
    • expliquer barème fixe (normatif)
    • expliciter la conversion (ex : A→5/5)

2.2 Modifier la représentation de la “moyenne” dans le graphe

Recommandation ECharts :

  • utiliser markLine pour afficher la moyenne (ligne verticale) plutôt qu'une barre pleine.
  • conserver un surlignage discret du bucket produit (ou passer en scatter).

Optionnel (si métadonnées dispo) :

  • SIGMA : afficher bande ±kσ (markArea) ou deux lignes (µ−kσ, µ+kσ)
  • PERCENTILE : afficher médiane (p50) et quartiles (p25/p75)

2.3 Ajouter un toggle “valeurs absolues” / “scores normalisés”

Objectif : permettre au même graphe d'explorer :

  • la distribution en valeurs absolues (unités, données brutes)
  • la distribution en scores normalisés (0..5) pour comparer les critères

Le toggle doit être visible dès que la normalisation est connue (méthode + stats suffisantes).

3) Données nécessaires côté API

Pour permettre ces variations, le backend doit exposer (par sous-score) :

  • normalizationMethod
  • params (k, mapping, bornes, quantiles)
  • stats : avg, stdDev, éventuellement median/quantiles
  • userBetterIs + impactBetterIs (pour contextualiser)

4) Checklist UI

  • Tooltips corrects selon method
  • Texte "moyenne = 10/20" uniquement en SIGMA (ou legacy sigma)
  • Si stats manququantes : fallback texte simple (" comparaison relative ")