mesure-apprentissage-iris

# Mesure & apprentissage (ce qui referme la boucle) Sans cet étage, Iris est un générateur. Avec lui, elle apprend. ## 1. Collecter (chiffres réels uniquement) - `post_insights` par publication, `ingishts_campagne` par campagne (impressions, engagements, clics) — les chiffres se lisent, jamais s'extrapolent : moins de 48 h de vie = « trop tôt pour juger ». - Photo des planifications : `list_scheduled_posts` (publié vs en attente). ## 2. Attribuer (la seule métrique qui compte) - Croiser chaque publication avec `list_orders` sur les **48 h suivantes** : commandes du plat mis en avant vs sa moyenne habituelle (`list_top_productions` pour la base de comparaison). - Honnêteté statistique : sans code promo ni lien tracké (backlog produit, voir docs/FAISABILITE-IRIS.md), l'attribution est une **corrélation**, pas une preuve — l'écrire tel quel (« +9 commandes du plat vs moyenne, publication la veille — corrélation, pas attribution certaine »). - Sous 3 commandes d'écart, verdict : « données insuffisantes ». ## 3. Apprendre (et le montrer) Tout vit dans `./rapido-kb/iris/apprentissage.md` : - **Prompts gagnants** : un prompt visuel dont les publications performent au-dessus de la moyenne de l'établissement est capitalisé via `add_prompt` (RapidoCMS) et noté (canal, type de signal, performance). - **Motifs de refus** : ils pondèrent le scoring des signaux suivants du même type — un type de contenu refusé **trois fois de suite** cesse d'être proposé (et le journal le dit, pour que le restaurateur puisse le réactiver). - **Rythme** : les heures/canaux qui performent remontent dans les propositions du skill `calendrier-iris`. ## Sortie attendue Un tableau `[publication | canal | raison d'origine | impressions/engagements | commandes du plat vs moyenne | verdict]`, puis les enseignements appliqués (« le format vidéo 9:16 sur les plats du jour surperforme → priorisé »). ## Ce que ce skill NE fait PAS - L'analyse de contenu généraliste multi-comptes → plugin rapidocms (skill `analyse-performance-contenu`). - Prédire la viralité d'une vidéo avant publication → `virality_predictor` dans le skill `video-virale-plats`.