Dépenses par employé — analyse per capita

# Dépenses par employé — analyse per capita

## But
Calculer et analyser les dépenses moyennes par employé par centre de coût. Identifier les équipes dont le spend par tête est significativement au-dessus ou en dessous de la moyenne interne, et suivre l'évolution de ce KPI dans le temps.

## Instructions

### Étape 1 — Récupérer les utilisateurs actifs par centre de coût
```
Appelle get_users (avec pagination).
Pour chaque utilisateur actif : noter id, costCenterId, role, status.
Compter le nombre d'utilisateurs actifs par costCenterId → headcount.

Note : get_users retourne les utilisateurs Spendesk (pas forcément toute la compagnie).
Le headcount est donc le nombre d'utilisateurs Spendesk par équipe.
```

### Étape 2 — Récupérer les dépenses par centre de coût
```
Appelle spendesk_analyze_spend avec :
  - groupBy : costCenter
  - Period : mois courant (ou M-1 pour données complètes)
  - Inclure toutes catégories de dépenses

Pour chaque centre de coût : id, name, totalAmount, currency.
```

### Étape 3 — Calculer le spend per capita
```
Pour chaque centre de coût avec headcount > 0 :
  spendPerEmployee = totalAmount / headcount

Moyenne globale = totalSpend / totalHeadcount

Pour chaque centre :
  Ratio vs moyenne = spendPerEmployee / moyenne_globale

Catégories :
  🔴 > 2x la moyenne : spend per capita très élevé
  🟡 1.5x–2x : au-dessus de la moyenne
  🟢 0.5x–1.5x : dans la norme
  💡 < 0.5x : sous-utilisation (équipe peu active sur Spendesk?)
```

### Étape 4 — Décomposition par catégorie (top 5 centres)

⚠️ **Bug vérifié** : `expenseCategory` n'existe pas comme dimension de `spendesk_analyze_spend` — l'appeler ainsi retourne une erreur serveur (`"grouper is not a function"`). Les dimensions valides sont : `costCenter, supplier, employee, month, week, currency, analyticalCode, payableType, bookkeepingStatus, paymentStatus, vatRate`. Dans cette instance Spendesk, les "catégories de dépense" employé-facing sont portées par le champ analytique personnalisé "Analytic codes" — utiliser la dimension `analyticalCode` :

```
Pour les 5 centres de coût avec le spend per capita le plus élevé :
  Appelle spendesk_analyze_spend avec groupBy: [costCenter, analyticalCode], filters.costCenterIds=[<id du centre>]
  Les valeurs analyticalCode apparaissent déjà nommées dans le breakdown[] de la ligne du centre — pas besoin de get_analytical_field_values sauf pour vérifier des IDs bruts
  Identifier les 3 catégories principales expliquant le niveau de dépense
```

### Étape 5 — Évolution sur 3 mois
```
Calculer le spend per capita des 3 derniers mois pour les 5 plus gros centres :
  Comparer : trend en hausse / stable / en baisse?
```

### Étape 6 — Rapport per capita
```
Présenter :
1. KPI global : X€ par employé / mois (Spendesk)
2. Tableau par centre de coût :
   Equipe | Headcount | Spend total | Spend/employé | vs Moyenne
3. Top 3 équipes à spend per capita élevé (avec décomposition catégories)
4. Équipes en croissance rapide (3 mois)
5. Recommandations : quelles équipes méritent une revue des dépenses ?
```

## Points d'attention
- Le headcount Spendesk ≠ headcount RH total — certains employés n'ont pas de compte Spendesk
- Les équipes avec des missions spécifiques (field sales, events) ont des niveaux naturellement plus élevés
- Interpréter en contexte métier avant de tirer des conclusions

## Exemples de prompts
- "Quelle équipe a le plus haut niveau de dépenses par personne ?"
- "Calcule les dépenses moyennes par employé par département"
- "Comment nos dépenses per capita ont-elles évolué ces 3 derniers mois ?"