feat: integrar scoring intelligence con estructura oficial de dev

[Leanga87]

Se integra la rama feature/scoring-intelligence a dev.

✔ Merge realizado desde dev
✔ Estructura alineada a src/data-science/
✔ Pipeline Jenkins ejecutado exitosamente
✔ Lógica inicial de scoring implementada con FastAPI

Listo para revisión.

[dzapatasal]

Hola Leandro, gracias por el avance con la estructura del módulo. He realizado una revisión y, para poder aprobar el merge a dev, necesitamos corregir unos puntos críticos que harán que el sistema falle en el servidor.

He detectado los siguientes bloqueos (puedes ver el detalle abajo):

📝 Reporte PR #27

A pesar de que el health_check de Jenkins fue exitoso, he detectado varios problemas estructurales críticos que impedirán que el código funcione correctamente en un entorno real o de integración. Aquí tienes mi reporte:

🔴 Observaciones Críticas (Bloqueantes)

1. Conflicto de Nombres de Carpeta (Fatal Error)

• Problema: La carpeta en el disco se llama src/data-science (con guión), pero el código en api.py intenta importar desde src.data_science (con guión bajo).
• Resultado: Al intentar ejecutar la API, Python lanzará un ModuleNotFoundError. El health_check pasó solo porque no importa la lógica del modelo, solo verifica el entorno.

2. Codificación de requirements.txt

• Problema: El archivo está guardado con codificación UTF-16LE (probablemente por el editor usado).
• Resultado: Las herramientas estándar de Linux y Docker esperan UTF-8. Esto causará errores fatales al intentar instalar dependencias en el servidor.

3. Ubicación de Dependencias

• Problema: Se colocó el requirements.txt de Data Science en la raíz del proyecto.
• Recomendación: Para mantener la estructura de monorepo, debe estar dentro de src/data-science/requirements.txt. Esto evita conflictos con dependencias de otros componentes.

---

🟡 Observaciones Técnicas (Mejoras)

• Generador de Datos (main.py): El script usa TkAgg y plt.show(). Esto hará que falle en Jenkins o en cualquier servidor sin interfaz gráfica. Se recomienda configurar Matplotlib para modo "headless" y usar plt.savefig() para guardar las imágenes en archivos.
• Código Deprecado: En api.py se usa datetime.utcnow(), lo cual está marcado como obsoleto. Se sugiere migrar a datetime.now(timezone.utc).
• Calidad de Tests: test_health.py es muy básico. Sería ideal incluir tests que validen realmente la lógica del scoring o los endpoints de la API para asegurar la estabilidad del modelo.

---

✅ Puntos Positivos

• La lógica de scoring (LeadScoring) es impecable y sigue fielmente los pesos y penalizaciones del contrato JSON v1.
• El contrato de entrada/salida en la API es 100% compatible con lo acordado con el equipo de Backend.

---

Important

Siguiente paso: Por favor, corrige estos puntos en tu misma rama y haz push. Los cambios se reflejarán automáticamente en este PR para una nueva revisión.