Este projeto apresenta uma solução completa ("End-to-End") para subsidiar decisões de concessão de crédito. A metodologia integra SQL e Power BI para o diagnóstico de carteira (KPIs e anomalias) e avança para Python (Machine Learning) com a construção de um modelo preditivo para identificar inadimplência.
- Ingestão de Dados: Script em Python para automatizar a carga do dataset bruto em um banco SQLite.
- Análise Diagnóstica (SQL & Power BI): Validação de hipóteses e identificação de perfis de risco históricos.
- Modelagem Preditiva (Python): Treinamento de algoritmo de Machine Learning para calcular a probabilidade de default.
Principais descobertas extraídas via SQL e visualizadas no Power BI:
- Taxa Global de Inadimplência: 30,0%.
- Segmento Crítico: A categoria Educação registra o maior índice de risco (44,0%).
- Anomalia Detectada: Clientes entre 41-60 anos em "Moradia Gratuita" apresentaram taxa de default de 41,1%.
Visão geral do painel de monitoramento de risco desenvolvido no Power BI
🎥 Clique aqui para ver a demonstração em vídeo no LinkedIn
Utilizando Python e Scikit-learn, desenvolvi um classificador Random Forest focado em mitigar a exposição ao risco.
Em crédito, o erro mais oneroso não é negar um bom cliente, mas aprovar um cliente que entrará em default. Por isso, o modelo foi otimizado para maximizar o Recall da classe de Inadimplentes.
- Recall (Eficiência na detecção de Risco): 64% (De cada 100 casos reais de inadimplência, o modelo identifica 64).
- Feature Importance: O modelo revelou que o Valor do Crédito e a Duração do Empréstimo são os preditores mais fortes.
Matriz de Confusão: Performance do modelo na identificação de riscos
- Python: Pandas, Scikit-learn, Matplotlib.
- SQL (SQLite): Engenharia de dados.
- Power BI: Dashboard interativo.
/data: Base de dados original./sql: Consultas de tratamento./notebooks: Jupyter Notebooks (EDA e ML)./dashboard: Arquivo.pbixdo Power BI.
Desenvolvido por: Camila Neri