---
title: Mon agent M&A
emoji: 🚀
colorFrom: blue
colorTo: indigo
sdk: docker
app_port: 7860
pinned: false
---

# Application de Valorisation M&A
Ceci est l'application déployée via Docker sur Hugging Face Spaces.

# URL Scraper V2 - M&A Headless App

Application M&A headless :
- Frontend : Next.js + Tailwind + UI custom (style Shadcn)
- Backend : FastAPI (scraping, matching Supabase, valorisation)
- Deploiement : Docker (compatible Hugging Face Spaces)

---

## 1) Prerequis

- Node.js 20+
- Python 3.11+ (ou Docker)
- Compte Supabase avec :
  - table `db_transactions` alimentee (embeddings inclus)
  - fonction RPC `match_transactions`
- Cles API :
  - Mistral
  - Jina

---

## 2) Variables d'environnement

Creer un fichier `.env` a la racine du projet (ou utiliser les Secrets HF en production).

Variables requises :

```env
SUPABASE_URL=https://your-project.supabase.co
SUPABASE_KEY=sb_secret_xxx
MISTRAL_API_KEY=your_mistral_key
JINA_API_KEY=your_jina_key
```

Important :
- `SUPABASE_KEY` doit etre une **secret key** (`sb_secret_...`), pas `sb_publishable_...`.
- Le backend charge automatiquement `.env` a la racine.

---

## 3) Lancer en local (2 terminaux)

### Terminal A - Backend

```powershell
uvicorn backend.main:app --host 127.0.0.1 --port 7860 --reload
```

Health check :
- Ouvrir `http://127.0.0.1:7860/api/health`

### Terminal B - Frontend

```powershell
cd frontend
npm install
npm run dev
```

Application :
- Ouvrir `http://localhost:3000`

---

## 4) Test fonctionnel rapide

1. Aller sur la page `Analyse cible`
2. Renseigner :
   - URL : `https://t4transaction.com/`
   - CA / EBITDA
3. Cliquer `Lancer l'analyse`
4. Verifier :
   - extraction societe (nom, naf, etc.)
   - transactions comparables
   - valorisation
   - points cles

---

## 4bis) Workflow de l'application

Cette version headless reprend le parcours metier de l'ancienne app Streamlit, en separant clairement UI (Next.js) et logique (FastAPI).

### Parcours utilisateur (frontend)

1. **Landing (`/`)**
   - L'utilisateur saisit l'URL de la societe et choisit la langue.
   - Redirection vers `analyse-cible` avec URL/langue en query params.

2. **Etape 1 - Analyse cible (`/analyse-cible`)**
   - Saisie des donnees financieres : CA, EBITDA/REX, geographie.
   - Appel `POST /api/analyze`.
   - Affichage d'une progression d'analyse, puis previsualisation des infos cible.
   - Le payload complet est persiste en local (`localStorage`) pour les etapes suivantes.

3. **Etape 2 - Transactions comparables (`/transactions-comparables`)**
   - Rechargement du payload local.
   - Appel `POST /api/comparables` (alias de `POST /api/match`) avec mots-cles, CA, NAF, geo.
   - Affichage des comparables anonymises + lien vers les references.

4. **Etape 3 - Valorisation preliminaire (`/valorisation-preliminaire`)**
   - Appel `POST /api/valuation` avec EBITDA + multiples.
   - Affichage des football fields (CA/EBITDA), mediane/moyenne et caveat.

5. **Etape 4 - Points cles (`/points-cles`)**
   - Appel `GET /api/key-points`.
   - 3 messages visibles + 2 messages floutes (teaser analyse sur-mesure).

6. **Etape 5 - Rendez-vous M&A (`/rendez-vous`)**
   - Calendly inline + contexte cible (nom, URL, description, tags, metrics).
   - Objectif: conversion vers un echange expert.

### Pipeline backend (etape 1)

`POST /api/analyze` orchestre les operations suivantes:

1. **Validation metier**
   - Verifie la coherence des entrees (ex: EBITDA > CA si les deux > 0).

2. **Controle de quota**
   - Verification minute/jour via Supabase (`usage_logs_m_a_transaction_app`).

3. **Scraping & enrichissement**
   - Scraping principal via Jina Reader (avec fallback).
   - Extraction SIREN (mentions legales / homepage).
   - Enrichissement API entreprise (NAF, date de creation, CA eventuel).
   - Blocage explicite si URL/secteur hors perimetre.

4. **Matching transactions**
   - Embedding des mots-cles cible (Mistral).
   - Retrieval candidats (`match_transactions` pgvector, fallback Python).
   - Scoring pondere (CA, semantique, NAF) + relaxation progressive.
   - Calcul des multiples mediane/moyenne.

5. **Valorisation**
   - Valorisation CA (si CA disponible).
   - Valorisation EBITDA (si EBITDA > 0 et multiples disponibles).

6. **Journalisation**
   - Mise a jour de la consommation tokens / metadonnees meme en cas d'erreur.

### Endpoints utilises par le frontend

- `GET /api/health`
- `POST /api/analyze`
- `POST /api/match`
- `POST /api/comparables`
- `POST /api/valuation`
- `GET /api/key-points`

---

## 5) Build Docker local

```powershell
docker build -t leadhook-hf .
docker run --rm -p 7860:7860 leadhook-hf
```

Puis ouvrir :
- `http://localhost:7860`

---

## 5bis) Lancer avec Docker Compose (recommande)

Le projet inclut `docker-compose.yml` pour eviter de retaper `build` + `run`.

Demarrage :

```powershell
docker compose up --build
```

Arret :

```powershell
docker compose down
```

Logs :

```powershell
docker compose logs -f
```

Application :
- `http://localhost:7860`

---

## 6) Deploiement Hugging Face Spaces (Docker)

1. Creer un Space :
   - SDK : `Docker`
2. Push du repo vers le Space :

```powershell
git init
git add .
git commit -m "Initial deploy HF"
git remote add origin https://huggingface.co/spaces/<HF_USER>/<SPACE_NAME>
git push -u origin main
```

3. Dans `Settings > Variables and secrets` du Space, ajouter :
   - `SUPABASE_URL`
   - `SUPABASE_KEY`
   - `MISTRAL_API_KEY`
   - `JINA_API_KEY`

4. Verifier :
   - `Build logs` (image construite)
   - `Container logs` (uvicorn up sur port 7860)

---

## 7) Troubleshooting

- Erreur quota / policy au demarrage de l'analyse :
  - verifier `SUPABASE_KEY` (secret key)
  - verifier les policies RLS sur `usage_logs_m_a_transaction_app`
- `Aucune transaction trouvee` :
  - verifier que `db_transactions` contient bien des donnees
  - verifier que `match_transactions` retourne des lignes
- Erreur bind port local :
  - port 7860 deja utilise -> stopper l'ancien process

---

## 8) Arborescence principale

- `frontend/` : UI Next.js
- `backend/main.py` : routes FastAPI
- `backend/scraper.py` : scraping + LLM + enrichissement
- `backend/database.py` : Supabase + matching + valorisation + quotas
- `Dockerfile` : build frontend + runtime backend