mitai-jinkendo/.claude/docs/audit/platzhalter/audit-report-2026-03-29/03_MASSNAHMENPLAN.md

# Priorisierter Maßnahmenplan: Placeholder-Remediation

**Audit-Datum:** 29. März 2026
**Basis:** Gap-Cluster-Analyse, 111 Platzhalter
**Ziel:** Normkonformität auf 60-70% steigern (aktuell 7%)

---

## ROADMAP-ÜBERSICHT

| Phase | Fokus | Dauer | Aufwand | Ziel-Compliance |
|-------|-------|-------|---------|-----------------|
| **P0** | Blocking Issues | Week 1 | 11-17h | 25-30% |
| **P1** | High Priority Gaps | Week 2-3 | 44-58h | 50-60% |
| **P2** | Medium Priority | Week 4-5 | 8-12h | 65-70% |
| **P3** | Nice-to-Have | Later | 0.5h | 70%+ |
| **TOTAL** | | 4-6 Wochen | 63.5-87.5h | 70%+ |

---

## P0: BLOCKING ISSUES (Week 1)

**Ziel:** Kritische Inkonsistenzen und Pflichtfelder beheben
**Aufwand:** 11-17 Stunden
**Team:** 1-2 Entwickler
**Dependencies:** Keine - sofort startbar

---

### P0.1: Code-Dokumentations-Konflikte (SOFORT)

**Gap-Cluster:** 11
**Betroffene Platzhalter:** 3 (weight_trend, activity_summary, activity_detail)
**Severity:** 🔴 CRITICAL
**Aufwand:** 1 Stunde

**Maßnahmen:**

1. **weight_trend Fix**
   ```diff
   # PLACEHOLDER_CATALOG_EXTENDED.json
   {
     "key": "weight_trend",
   - "description": "Gewichtstrend (7d/30d)",
   + "description": "Gewichtstrend 28d (lineare Regression)",
   - "semantic_contract": "Gewichtstrend (7d/30d)",
   + "semantic_contract": "Lineare Regression über 28 Tage, Richtung + Delta in kg",
   - "time_window": "unknown",
   + "time_window": "28d",
   }
   ```

2. **activity_summary Fix**
   ```diff
   {
     "key": "activity_summary",
   - "description": "Aktivitäts-Zusammenfassung (7d)",
   + "description": "Aktivitäts-Zusammenfassung 14d",
   - "semantic_contract": "Aktivitäts-Zusammenfassung (7d)",
   + "semantic_contract": "Aggregierte Aktivitäts-Metriken über 14 Tage",
   - "time_window": "unknown",
   + "time_window": "14d",
   }
   ```

3. **activity_detail Fix**
   ```diff
   {
     "key": "activity_detail",
   - "description": "No description available",
   + "description": "Detaillierte Aktivitäts-Liste 14d (max 20 Einträge)",
   - "semantic_contract": "No description available",
   + "semantic_contract": "Sortierte Liste letzter 20 Aktivitäten aus 14-Tage-Fenster, DESC nach Datum",
   - "time_window": "unknown",
   + "time_window": "14d",
   }
   ```

**Validation:**
- Code-Review: Zeitfenster im Code bestätigen
- Prompt-Review: Alle 10+2+4 betroffenen Prompts/Pipelines prüfen

**Owner:** Backend Lead
**Blocker:** Keine
**Output:** 3 Fixed Platzhalter, Updated Catalog

---

### P0.2: Zeitfenster Name-Pattern (AUTOMATISCH)

**Gap-Cluster:** 4.1
**Betroffene Platzhalter:** 15 (zeitraum_*, sleep_*_7d, training_frequency_7d, etc.)
**Severity:** 🔴 CRITICAL
**Aufwand:** 1 Stunde (automatisches Skript)

**Maßnahmen:**

**Skript: `fix_time_window_from_name.py`**
```python
import json
import re

# Regex-Pattern für Zeitfenster im Namen
patterns = {
    r'_7d$|_7d_': '7d',
    r'_14d$|_14d_': '14d',
    r'_28d$|_28d_': '28d',
    r'_30d$|_30d_': '30d',
    r'_90d$|_90d_': '90d',
}

catalog = load_catalog()
fixes = []

for placeholder in catalog['placeholders'].values():
    key = placeholder['key']

    # Überspringe bereits definierte
    if placeholder['time_window'] != 'unknown':
        continue

    # Pattern-Match
    for pattern, window in patterns.items():
        if re.search(pattern, key):
            placeholder['time_window'] = window
            fixes.append(f"{key}: unknown → {window}")
            break

print(f"Fixed {len(fixes)} placeholders")
save_catalog(catalog)
```

**Erwartete Fixes:**
- `zeitraum_7d`: unknown → 7d
- `zeitraum_30d`: unknown → 30d
- `zeitraum_90d`: unknown → 90d
- `sleep_avg_duration_7d`: unknown → 7d
- `sleep_quality_7d`: unknown → 7d
- `training_frequency_7d`: unknown → 7d
- `proxy_internal_load_7d`: unknown → 7d
- `energy_balance_7d`: unknown → 7d
- `protein_adequacy_28d`: unknown → 28d
- ... (insgesamt ~15)

**Validation:**
- Manuelle Review der Auto-Fixes
- Diff-Check vor Commit

**Owner:** DevOps / Automation
**Blocker:** Keine
**Output:** 15 Fixed Platzhalter

---

### P0.3: Zeitfenster Code-Parameter (SEMI-AUTOMATISCH)

**Gap-Cluster:** 4.2
**Betroffene Platzhalter:** ~20 (activity_summary, sleep_avg_duration, rest_days_count, etc.)
**Severity:** 🔴 CRITICAL
**Aufwand:** 2-3 Stunden

**Maßnahmen:**

1. **Code-Parameter-Extraktion**
   - Suche in `placeholder_resolver.py` nach `days=X` Parametern
   - Greppen in `data_layer/*.py` nach Default-Werten

   ```bash
   # Beispiel-Grep
   grep -n "def get_.*_data.*days=" backend/data_layer/*.py
   grep -n "lambda.*days=" backend/placeholder_resolver.py
   ```

2. **Manuelle Zuordnung**
   - Für jeden Treffer: Placeholder Key identifizieren
   - Default-Wert → time_window setzen

**Erwartete Fixes:**
- `sleep_avg_duration`: Code `days=7` → time_window: 7d
- `rest_days_count`: Code `days=30` → time_window: 30d
- `nutrition_days`: Code `days=30` → time_window: 30d
- ... (~20 total)

**Validation:**
- Code-Review der Mappings
- Stichproben-Tests

**Owner:** Backend Developer
**Blocker:** P0.2 abgeschlossen
**Output:** 20 Fixed Platzhalter

---

### P0.4: Semantic Contract Bulk-Update

**Gap-Cluster:** 1.1
**Betroffene Platzhalter:** 49 ("No description available")
**Severity:** 🔴 CRITICAL
**Aufwand:** 4-6 Stunden

**Maßnahmen:**

**Input:** Semantic-Contract-Agent-Report (bereits vorhanden)
**Prozess:**
1. Für jeden der 49 Platzhalter:
   - `description` aus Agent-Report übernehmen
   - `semantic_contract` aus Agent-Report übernehmen
   - `category` aus Agent-Report setzen (statt "Unknown")
2. Bulk-Update via JSON-Merge-Skript
3. Manuelle Review der Top-10 kritischsten (nach Usage)

**Beispiel-Update (ability_balance_coordination):**
```diff
{
  "key": "ability_balance_coordination",
- "category": "Unknown",
+ "category": "Training",
- "description": "No description available",
+ "description": "Koordinationsfähigkeit-Balance-Anteil (%)",
- "semantic_contract": "No description available",
+ "semantic_contract": "Gewichteter Anteil der Trainings-Last für Koordinations-Fähigkeit über 28-Tage-Fenster",
- "time_window": "unknown",
+ "time_window": "28d",
}
```

**Prioritäts-Reihenfolge (nach Usage):**
1. Goals & Focus (16) - 7 produktkritisch
2. Correlations (5) - experimentell, aber wichtig
3. Body Deltas (5) - Körper-Tracking
4. Nutrition (6) - Ernährungs-Metriken
5. Training (8) - Ability Balance, Load
6. Summaries (3) - circ_summary, caliper_summary
7. Meta (2) - zeitraum_90d
8. Plateau (1) - plateau_detected
9. Top Drivers (1) - top_drivers

**Validation:**
- Review der Top-10 produktkritischsten Platzhalter manuell
- Stichprobe 10% der restlichen
- Automated Consistency Check (keine "No description" mehr)

**Owner:** Backend Lead + Product (für fachliche Review)
**Blocker:** Keine
**Output:** 49 Fixed Platzhalter, alle mit Kategorie + Description

---

### P0.5: Zeitfenster Fach-Entscheidung

**Gap-Cluster:** 4.3
**Betroffene Platzhalter:** ~39 (Scores, Ability Balance, Correlations, Goals, Snapshots)
**Severity:** 🔴 CRITICAL
**Aufwand:** 4-6 Stunden (Meeting + Dokumentation)

**Maßnahmen:**

**Phase 1: Kategorisierung (2h)**
- Product + Tech Meeting
- Entscheidung pro Kategorie:

| Kategorie | Platzhalter | Vorschlag | Rationale |
|-----------|-------------|-----------|-----------|
| **Scores (6)** | activity_score, nutrition_score, recovery_score, body_progress_score, goal_progress_score, data_quality_score | `custom` oder `mixed` | Kombinieren verschiedene Zeitfenster |
| **Ability Balance (5)** | coordination, endurance, mental, mobility, strength | `28d` | Rolling-Window über 28 Tage |
| **Correlations (5)** | energy_weight_lag, load_hrv, load_rhr, protein_lbm, sleep_recovery | `28d` | Min-Daten für Reliability |
| **Goals & Focus (16)** | active_goals_json, focus_areas_*, top_goal_*, top_3_goals_*, focus_cat_* | `latest` (Snapshot) oder `custom` | Je nach Progress-Berechnung |
| **Snapshots (7)** | bmi, goal_weight, goal_bf_pct, waist_hip_ratio, recomposition_quadrant, plateau_detected, top_drivers | `latest` oder `custom` | Momentaufnahme vs. Berechnet |

**Phase 2: Dokumentation (2h)**
- Entscheidungen in Decision-Log festhalten
- time_window-Werte in Catalog setzen
- Semantic Contracts anpassen (Zeit-Bezug aufnehmen)

**Phase 3: Validation (1h)**
- Review mit Stakeholdern
- Prompt-Autoren informieren (Breaking Change bei "custom" → spezifisches Fenster)

**Owner:** Product Manager + Tech Lead
**Blocker:** P0.4 Semantic Contract abgeschlossen
**Output:** Decision-Log, 39 Fixed Platzhalter

---

### P0 SUMMARY

**Gesamt-Aufwand:** 11-17 Stunden
**Deliverables:**
- 3 Code-Docs-Konflikte gelöst
- 74 time_window: unknown → definierte Werte
- 49 description/category: Unknown/No description → vollständig
- **Total Fixed:** 77 Platzhalter (15+20+39+3 unique)

**Impact:**
- **Compliance:** 7% → 25-30%
- **Blocked Gaps:** time_window, description, category, code-conflicts

**Next:** P1 kann starten (Confidence, Data Layer, Source Tables)

---

## P1: HIGH PRIORITY (Week 2-3)

**Ziel:** Technische Tiefe hinzufügen (Confidence, Data Layer, Source Tables)
**Aufwand:** 44-58 Stunden
**Team:** 2-3 Entwickler
**Dependencies:** P0 abgeschlossen

---

### P1.1: Confidence-Logik für Trend-Platzhalter

**Gap-Cluster:** 5.1
**Betroffene Platzhalter:** 11 (weight_*_slope, *_28d_delta, vo2max_trend_28d)
**Severity:** 🟡 HIGH
**Aufwand:** 12-16 Stunden

**Maßnahmen:**

**Pattern:**
```python
# In data_layer/body_metrics.py

def calculate_weight_28d_slope(profile_id: int, conn):
    """Gewichtstrend über 28 Tage mit Confidence."""
    # 1. Daten holen
    rows = fetch_weight_data(profile_id, days=28, conn=conn)

    # 2. Confidence berechnen
    confidence = calculate_confidence(
        data_points=len(rows),
        time_window_days=28,
        metric_type='trend'
    )

    if confidence == 'insufficient':
        return {
            'slope': None,
            'confidence': 'insufficient',
            'data_points': len(rows),
            'min_required': 8  # 28% coverage
        }

    # 3. Slope berechnen (nur wenn sufficient)
    slope = linear_regression_slope(rows)

    return {
        'slope': slope,
        'confidence': confidence,  # high/medium/low
        'data_points': len(rows),
        'r_squared': calculate_r_squared(rows, slope)
    }
```

**Thresholds (trend-specific):**
```python
def calculate_confidence(data_points, time_window_days, metric_type):
    coverage = data_points / time_window_days

    if metric_type == 'trend':
        # Strengere Thresholds für Trends
        if coverage >= 0.70:  # >= 70%
            return 'high'
        elif coverage >= 0.50:  # >= 50%
            return 'medium'
        elif coverage >= 0.30:  # >= 30%
            return 'low'
        else:
            return 'insufficient'
    # ... andere Typen
```

**Zu implementieren für:**
1. `weight_28d_slope` (28d, min 8, ideal 20)
2. `weight_90d_slope` (90d, min 27, ideal 63)
3. `weight_7d_median` (7d, min 3, ideal 5)
4. `fm_28d_change` (28d, min 2, ideal 18)
5. `lbm_28d_change` (28d, min 2, ideal 18)
6. `waist_28d_delta` (28d, min 2, ideal 18)
7. `hip_28d_delta` (28d, min 2, ideal 18)
8. `chest_28d_delta` (28d, min 2, ideal 18)
9. `arm_28d_delta` (28d, min 2, ideal 18)
10. `thigh_28d_delta` (28d, min 2, ideal 18)
11. `vo2max_trend_28d` (28d, min 4, ideal 18)

**Testing:**
- Unit-Tests für calculate_confidence() mit verschiedenen Coverages
- Integration-Tests mit real data (0%, 30%, 50%, 70%, 100% coverage)
- Regression-Tests (alte Werte ohne Confidence bleiben gleich)

**Owner:** Backend Developer (Senior)
**Blocker:** P0 time_window abgeschlossen
**Output:** 11 Platzhalter mit Confidence-Logik

---

### P1.2: Confidence-Logik für Score-Platzhalter

**Gap-Cluster:** 5.2
**Betroffene Platzhalter:** 6 (activity_score, nutrition_score, recovery_score, etc.)
**Severity:** 🟡 HIGH
**Aufwand:** 8-10 Stunden

**Maßnahmen:**

**Composite-Confidence-Pattern:**
```python
def calculate_nutrition_score(profile_id: int, conn):
    """Nutrition Score mit Composite Confidence."""
    # 1. Sub-Scores berechnen (mit eigenen Confidences)
    energy_balance = calculate_energy_balance_7d(profile_id, conn)
    protein_adequacy = calculate_protein_adequacy_28d(profile_id, conn)
    macro_consistency = calculate_macro_consistency_score(profile_id, conn)

    # 2. Composite Confidence = MIN(sub-confidences)
    confidence_levels = ['high', 'medium', 'low', 'insufficient']
    confidences = [
        energy_balance['confidence'],
        protein_adequacy['confidence'],
        macro_consistency['confidence']
    ]

    # Min-Confidence
    min_confidence = min(confidences, key=lambda c: confidence_levels.index(c))

    if min_confidence == 'insufficient':
        return {
            'score': None,
            'confidence': 'insufficient',
            'sub_scores': {...},
            'note': 'Mindestens eine Komponente hat insufficient data'
        }

    # 3. Score berechnen (gewichtet)
    score = (
        energy_balance['score'] * 0.4 +
        protein_adequacy['score'] * 0.4 +
        macro_consistency['score'] * 0.2
    )

    return {
        'score': round(score),
        'confidence': min_confidence,
        'sub_scores': {
            'energy_balance': energy_balance,
            'protein_adequacy': protein_adequacy,
            'macro_consistency': macro_consistency
        }
    }
```

**Zu implementieren für:**
1. `activity_score` (training_volume + frequency + quality)
2. `nutrition_score` (energy_balance + protein_adequacy + macro_consistency)
3. `recovery_score` (sleep_duration + sleep_quality + hrv + rhr)
4. `body_progress_score` (weight_trend + bf_change + lbm_change)
5. `goal_progress_score` (weighted goals progress)
6. `data_quality_score` (data availability per domain)

**Testing:**
- Scenario-Tests: alle Sub-Scores high → Composite high
- Scenario-Tests: eine Sub-Score insufficient → Composite insufficient
- Edge-Cases: missing Sub-Components

**Owner:** Backend Developer (Mid/Senior)
**Blocker:** P1.1 Trend-Confidence abgeschlossen (Pattern etabliert)
**Output:** 6 Platzhalter mit Composite Confidence

---

### P1.3: Confidence-Logik für Korrelations-Platzhalter

**Gap-Cluster:** 5.3
**Betroffene Platzhalter:** 5 (correlation_*)
**Severity:** 🟡 HIGH
**Aufwand:** 4-6 Stunden

**Maßnahmen:**

**Correlation-Confidence-Pattern:**
```python
def calculate_lag_correlation(profile_id, metric_a, metric_b, lag_days=[0,3,7,14], conn):
    """Lag-Korrelation mit Pair-basiertem Confidence."""
    results = []

    for lag in lag_days:
        pairs = fetch_paired_data(profile_id, metric_a, metric_b, lag, conn)
        n_pairs = len(pairs)

        # Confidence basierend auf Anzahl Paare
        if n_pairs >= 28:
            confidence = 'high'
        elif n_pairs >= 21:
            confidence = 'medium'
        elif n_pairs >= 14:
            confidence = 'low'
        else:
            confidence = 'insufficient'

        if confidence == 'insufficient':
            correlation = None
        else:
            correlation = pearson_correlation(pairs)

        results.append({
            'lag_days': lag,
            'correlation': correlation,
            'n_pairs': n_pairs,
            'confidence': confidence,
            'note': 'explorativ, nicht kausal'
        })

    return {
        'correlations': results,
        'overall_confidence': min([r['confidence'] for r in results])
    }
```

**Zu implementieren für:**
1. `correlation_energy_weight_lag` (min 21 Paare)
2. `correlation_load_hrv` (min 21 Paare)
3. `correlation_load_rhr` (min 21 Paare)
4. `correlation_protein_lbm` (min 28 Paare, Training moderiert)
5. `correlation_sleep_recovery` (min 21 Paare)

**Testing:**
- Synthetic Data: 10, 14, 21, 28, 35 Paare → Confidence-Check
- Real Data: Validate gegen tatsächliche Daten-Dichte

**Owner:** Backend Developer (Senior, Statistik-Know-how)
**Blocker:** P1.1 Confidence-Pattern etabliert
**Output:** 5 Platzhalter mit Correlation-Confidence

---

### P1.4: Data-Layer-Module dokumentieren

**Gap-Cluster:** 2
**Betroffene Platzhalter:** 100 (data_layer_module: null)
**Severity:** 🔴 CRITICAL
**Aufwand:** 6-8 Stunden

**Maßnahmen:**

**Input:** Code-Evidence-Agent-Report (technische Herkunft für alle 111)

**Prozess:**
1. **Mapping-Extraktion:**
   - Für jede `_safe_*`-Funktion: Gerufene Data-Layer-Funktion identifizieren
   - Mapping: Placeholder Key → Data-Layer-Module

2. **Bulk-Update-Skript:**
   ```python
   # Mapping aus Code-Evidence-Report
   data_layer_mapping = {
       'goal_progress_score': 'data_layer.scores',
       'body_progress_score': 'data_layer.body_metrics',
       'nutrition_score': 'data_layer.nutrition_metrics',
       'activity_score': 'data_layer.activity_metrics',
       'recovery_score': 'data_layer.recovery_metrics',
       # ... 95 more
   }

   # Catalog Update
   for key, module in data_layer_mapping.items():
       catalog['placeholders'][key]['source']['data_layer_module'] = module
   ```

3. **Validation:**
   - Automated Check: Alle 111 haben data_layer_module gesetzt
   - Stichprobe 10%: Manuell im Code validieren

**Owner:** DevOps / Backend Lead
**Blocker:** Code-Evidence-Agent-Report finalisiert (✓)
**Output:** 100 Fixed Platzhalter

---

### P1.5: Source-Tables dokumentieren

**Gap-Cluster:** 3
**Betroffene Platzhalter:** 90 (source_tables: [])
**Severity:** 🔴 CRITICAL
**Aufwand:** 6-8 Stunden

**Maßnahmen:**

**Identisch zu P1.4:**
- Mapping aus Code-Evidence-Report übernehmen
- Bulk-Update-Skript
- Validation

**Mapping-Beispiel:**
```python
source_tables_mapping = {
    'weight_aktuell': ['weight_log'],
    'weight_trend': ['weight_log'],
    'kf_aktuell': ['caliper_log'],
    'bmi': ['weight_log', 'profiles'],
    'nutrition_score': ['nutrition_log'],
    'activity_score': ['activity_log'],
    'recovery_score': ['sleep_log', 'vitals_baseline', 'rest_days'],
    # ... 83 more
}
```

**Owner:** DevOps / Backend Lead
**Blocker:** Code-Evidence-Agent-Report finalisiert (✓)
**Output:** 90 Fixed Platzhalter

---

### P1.6: Strukturierte Missing-Value-Policy

**Gap-Cluster:** 6
**Betroffene Platzhalter:** 110 (nur legacy_display)
**Severity:** 🟡 MEDIUM
**Aufwand:** 8-10 Stunden

**Maßnahmen:**

**Dual-Mode-Ansatz:**
```python
# Alte Resolver-Return (Backward-Compatible)
def get_weight_trend(profile_id, days=28, conn=None):
    data = get_weight_trend_data(profile_id, days, conn)

    if data['confidence'] == 'insufficient':
        # Legacy: String-Return
        return "nicht verfügbar"

    return f"{data['direction']} {data['delta']} kg"

# Neue Structured-Return (Parallel)
def get_weight_trend_structured(profile_id, days=28, conn=None):
    data = get_weight_trend_data(profile_id, days, conn)

    if data['confidence'] == 'insufficient':
        return {
            'available': False,
            'value_raw': None,
            'value_display': "nicht verfügbar",
            'missing_reason': 'insufficient_data',
            'missing_value_policy': {
                'legacy_display': "nicht verfügbar",
                'structured_null': True,
                'reason_codes': ['no_data', 'insufficient_data', 'resolver_error']
            },
            'metadata': {
                'data_points': data['data_points'],
                'min_required': data['min_required'],
                'time_window': '28d'
            }
        }

    return {
        'available': True,
        'value_raw': data['slope'],
        'value_display': f"{data['direction']} {data['delta']} kg",
        'confidence': data['confidence'],
        'metadata': {
            'data_points': data['data_points'],
            'r_squared': data['r_squared'],
            'time_window': '28d'
        }
    }
```

**Migration-Strategie:**
1. **Phase 1:** Neue `*_structured()`-Funktionen neben alten (Parallel)
2. **Phase 2:** Extended Export nutzt structured
3. **Phase 3:** Legacy-Export bleibt unverändert (Backward-Compat)
4. **Phase 4 (Later):** Deprecate alte Funktionen nach 6-12 Monaten

**Zu implementieren für:**
- Alle 110 Platzhalter (außer weight_aktuell, der bereits structured ist)

**Testing:**
- Legacy-Tests: Alte Funktionen bleiben unverändert
- Structured-Tests: Neue Funktionen returnieren korrekte Struktur
- Export-Tests: Extended Export nutzt structured

**Owner:** Backend Team (2 Entwickler)
**Blocker:** P1.1-P1.3 Confidence abgeschlossen
**Output:** 110 Platzhalter mit Dual-Mode-Support

---

### P1 SUMMARY

**Gesamt-Aufwand:** 44-58 Stunden
**Deliverables:**
- 11 Trend-Platzhalter mit Confidence
- 6 Score-Platzhalter mit Composite Confidence
- 5 Correlation-Platzhalter mit Pair-Confidence
- 100 Platzhalter mit data_layer_module
- 90 Platzhalter mit source_tables
- 110 Platzhalter mit Structured Missing-Value-Policy
- **Total Fixed:** 103 unique Platzhalter (alle außer 8 bereits conforme)

**Impact:**
- **Compliance:** 25-30% → 50-60%
- **Blocked Gaps:** Confidence, Data Layer, Source Tables, Missing-Value-Policy

**Next:** P2 Production-Ready + Deprecation

---

## P2: MEDIUM PRIORITY (Week 4-5)

**Ziel:** Production-Status und Deprecation-Strategie
**Aufwand:** 8-12 Stunden
**Team:** Product + Tech Lead
**Dependencies:** P1 abgeschlossen

---

### P2.1: Schema-Status auf Production (Top 20)

**Gap-Cluster:** 8
**Betroffene Platzhalter:** 20-30 Kandidaten
**Severity:** 🟡 MEDIUM
**Aufwand:** 4-6 Stunden

**Maßnahmen:**

**Kriterien für `schema_status: production`:**
1. `metadata_completeness_score >= 80`
2. `used_by.prompts.length >= 1 OR used_by.pipelines.length >= 1`
3. `time_window != 'unknown'`
4. `category != 'Unknown'`
5. `description != 'No description available'`
6. `confidence_logic != null OR (type == 'atomic' AND time_window == 'latest')`
7. `known_issues.length == 0`

**Prozess:**
1. **Automated Eligibility-Check:**
   ```python
   def is_production_ready(placeholder):
       checks = [
           placeholder['metadata_completeness_score'] >= 80,
           len(placeholder['used_by']['prompts']) >= 1 or
           len(placeholder['used_by']['pipelines']) >= 1,
           placeholder['time_window'] != 'unknown',
           placeholder['category'] != 'Unknown',
           placeholder['description'] != 'No description available',
           placeholder['confidence_logic'] is not None or
           (placeholder['type'] == 'atomic' and placeholder['time_window'] == 'latest'),
           len(placeholder['known_issues']) == 0
       ]
       return all(checks)
   ```

2. **Kandidaten-Liste generieren**
3. **Manuelle Review** (Product + Tech Lead)
   - Sind diese wirklich production-ready?
   - Fehlt noch etwas?
4. **Schema-Status-Update**

**Erwartete Kandidaten (12-15):**
- Nutrition Averages (4): protein_avg, kcal_avg, fat_avg, carb_avg
- Body Metrics (3): weight_aktuell, weight_trend, kf_aktuell
- Profil (4): name, age, height, geschlecht
- Summaries (2): caliper_summary, circ_summary
- Goals (2-3): goal_weight, goal_bf_pct, top_goal_name

**Owner:** Tech Lead + Product Manager
**Blocker:** P1 abgeschlossen (Confidence, Data Layer)
**Output:** 12-15 Platzhalter mit `schema_status: production`

---

### P2.2: Ungenutzte Platzhalter - Integration planen

**Gap-Cluster:** 9 (REINTERPRETIERT: Nicht Deprecation, sondern Integration)
**Betroffene Platzhalter:** 67 (ungenutzt)
**Severity:** 🟡 MEDIUM (Prompt-Bibliothek Vollständigkeit)
**Aufwand:** 4-6 Stunden

**Maßnahmen:**

**Neue Klassifizierung (siehe USAGE_ROLE_CLASSIFICATION.md):**
1. **unused_but_planned (30)** - Explizit in Roadmap Phase 0c/1/2
   - Scores (6), Correlations (5), Ability Balance (5), Goals Details (11), etc.
   - **Action:** Timeline bestätigen, Prototyping-Prompts erstellen

2. **unused_but_plausible (37)** - Fachlich sinnvoll, noch nicht in Prompts
   - Body Deltas, Nutrition Details, Training Quality, Focus Category, Meta
   - **Action:** Prompt-Use-Cases identifizieren, Templates für Quick Wins

3. **redundant_or_duplicate (0)** - Keine!
   - Alle 67 haben fachliche Berechtigung

**Prozess:**
1. **Meeting (2h):** Product + Tech Review aller 67
   - Gruppe A (30 geplant): Timeline bestätigen (Phase 0c/1/2)
   - Gruppe B (37 plausibel): Prompt-Use-Cases identifizieren (10-15 Quick Wins)
2. **Dokumentation (1h):** Integration-Roadmap, Prompt-Kandidaten-Liste
3. **Implementation (1-2h):** Prompt-Templates erstellen (5-10 Quick Wins)
4. **Communication (1h):** Prompt-Autoren: "Neue Platzhalter verfügbar"

**Integration-Beispiel (statt Deprecation):**
```json
{
  "key": "arm_28d_delta",
  "usage_role": "unused_but_plausible",
  "integration_priority": "medium",
  "prompt_use_cases": [
    "Fortschritts-Analyse spezifischer Körperteile",
    "Asymmetrie-Erkennung (linker vs. rechter Arm)",
    "Trainingsplan-Effektivität (Armtraining Tracking)"
  ],
  "example_prompt_template": "Deine Armumfänge haben sich in den letzten 28 Tagen um {{arm_28d_delta}}cm verändert. Analyse: ..."
}
```

**Owner:** Product Manager + Tech Lead
**Blocker:** P1 abgeschlossen
**Output:** Integration-Roadmap, Prompt-Templates (5-10), Nutzungsrate +10-20%

---

### P2 SUMMARY

**Gesamt-Aufwand:** 8-12 Stunden
**Deliverables:**
- 12-15 Production-Ready Platzhalter
- Integration-Roadmap für 30 geplante Platzhalter (Phase 0c/1/2)
- Prompt-Templates für 5-10 Quick Wins (ungenutzte Platzhalter aktivieren)

**Impact:**
- **Compliance:** 50-60% → 65-70%
- **Governance:** Production-Pipeline etabliert, Placeholder-Integration vorangetrieben
- **Nutzungsrate:** 40% → 50-60% (organisch durch Integration)

**Next:** P3 (Nice-to-Have)

---

## P3: NICE-TO-HAVE (Later)

**Ziel:** Dokumentations-Feinschliff
**Aufwand:** 0.5 Stunden
**Team:** Tech Writer / DevOps
**Dependencies:** P2 abgeschlossen

---

### P3.1: Export-Inkonsistenzen Dokumentation

**Gap-Cluster:** 10
**Betroffene:** Dokumentation
**Severity:** 🟢 INFO
**Aufwand:** 0.5 Stunden

**Maßnahmen:**

**Export Spec Update:**
```diff
# PLACEHOLDER_EXPORT_SPEC.md

- **Total Placeholders:** 116
+ **User Placeholders:** 111
+ **Meta Fields:** 5 (schema_version, generated_at, normative_standard, total_placeholders, metadata.summary)
+ **Total Export Entries:** 116
```

**Owner:** Tech Writer
**Blocker:** Keine
**Output:** Updated Export Spec

---

## ERFOLGS-METRIKEN

### Nach P0 (Week 1)
- ✅ **Compliance:** 7% → 25-30%
- ✅ **time_window: unknown:** 74 → 0
- ✅ **category: Unknown:** 49 → 0
- ✅ **description: No description:** 49 → 0
- ✅ **Code-Docs-Konflikte:** 3 → 0

### Nach P1 (Week 3)
- ✅ **Compliance:** 25-30% → 50-60%
- ✅ **Confidence-Logik:** 8 → 28 (Trend + Score + Correlation)
- ✅ **data_layer_module:** 11 → 111
- ✅ **source_tables:** 21 → 111
- ✅ **Structured Missing-Value:** 1 → 111

### Nach P2 (Week 5)
- ✅ **Compliance:** 50-60% → 65-70%
- ✅ **schema_status: production:** 0 → 12-15
- ✅ **deprecated:** 0 → 15-20
- ✅ **Technical Debt:** Reduziert

### Nach P3
- ✅ **Compliance:** 65-70% → 70%+
- ✅ **Dokumentation:** Vollständig konsistent

---

## RISIKEN & MITIGATION

| Risiko | Wahrscheinlichkeit | Impact | Mitigation |
|--------|--------------------|----|-----------|
| **P0 Zeitfenster-Fach-Entscheidung dauert länger** | MEDIUM | MEDIUM | Vorbereitete Kategorisierung, klare Optionen, Decision-Meeting zeitig ansetzen |
| **P1 Confidence-Implementierung komplexer als geschätzt** | MEDIUM | HIGH | Pattern aus nutrition_avg wiederverwenden, Senior Dev assignen |
| **Breaking Changes durch Zeitfenster-Fixes** | LOW | HIGH | Code ist autoritativ, Docs passen sich an → kein Breaking Change |
| **Prompt-Autoren akzeptieren Deprecations nicht** | LOW | MEDIUM | Klare Communication, Replacement-Guides, Grace Period (3 Monate) |

---

## KOMMUNIKATIONS-PLAN

### Week 1 (P0 Kickoff)
- **Email:** Alle Stakeholder über Audit-Ergebnisse informieren
- **Meeting:** P0-Prioritäten mit Tech Lead abstimmen
- **Kickoff:** Development Team P0-Tasks zuweisen

### Week 2 (P1 Kickoff)
- **Standup:** Daily Updates zu Confidence-Implementierung
- **Review:** Mid-Sprint Review nach P1.1-P1.3

### Week 3 (P1 Abschluss)
- **Demo:** P1-Ergebnisse dem Team zeigen
- **Docs:** Updated Catalog veröffentlichen

### Week 4-5 (P2)
- **Meeting:** Production-Readiness-Review
- **Communication:** Deprecation-Plan an Prompt-Autoren

### Week 6 (Abschluss)
- **Retrospektive:** Lessons Learned
- **Documentation:** Finale Compliance-Metrics veröffentlichen

---

## TOOLING & AUTOMATION

### Skripte (entwickeln während P0-P1)
1. `fix_time_window_from_name.py` - Automatische Name-Pattern-Fixes
2. `extract_code_parameters.py` - Code-Parameter → time_window
3. `bulk_update_catalog.py` - JSON-Merge für Bulk-Updates
4. `validate_compliance.py` - Automatische Compliance-Checks
5. `check_production_ready.py` - Production-Eligibility-Check

### CI/CD-Integration (P2-P3)
- Pre-Commit-Hook: Validate neue Platzhalter gegen Normative Spec
- CI: Consistency-Checks (Code ↔ Catalog)
- CD: Automated Catalog-Deployment

---

## ABSCHLUSS-KRITERIEN

**P0 erfolgreich wenn:**
- Alle 3 Code-Docs-Konflikte gelöst
- Alle 74 time_window: unknown → definiert
- Alle 49 No description → vollständig
- Automated Tests grün

**P1 erfolgreich wenn:**
- Mindestens 20 Platzhalter mit Confidence-Logik
- Alle 100 data_layer_module gesetzt
- Alle 90 source_tables gesetzt
- Structured Missing-Value für alle 110 (Dual-Mode)

**P2 erfolgreich wenn:**
- Mindestens 12 Platzhalter `schema_status: production`
- Mindestens 15 Platzhalter `deprecated: true`
- Decision-Log veröffentlicht

**Gesamt-Projekt erfolgreich wenn:**
- **Compliance >= 65%**
- **0 Code-Docs-Konflikte**
- **0 time_window: unknown**
- **12+ Production-Ready Platzhalter**

---

**Maßnahmenplan erstellt von:** Claude Code (Lead Audit Agent)
**Basis:** Gap-Cluster-Analyse, 4-Agent-Evidence
**Genehmigung:** Pending (Review mit Tech Lead + Product Manager)