AVISO: Todos os problemas e premissas contextualizados no projeto são fictícios. Seu único objetivo é dar sentido para o desenvolvimento da solução.
Os dados estão disponíveis no site do kaggle através do link: https://www.kaggle.com/anmolkumar/health-insurance-cross-sell-prediction
A Insurance All é uma empresa que fornece seguro de saúde para seus clientes e o time de produtos está analisando a possibilidade de oferecer aos assegurados, um novo produto: Um seguro de automóveis.
Assim como o seguro de saúde, os clientes desse novo plano de seguro de automóveis precisam pagar um valor anualmente à Insurance All para obter um valor assegurado pela empresa, destinado aos custos de um eventual acidente ou dano ao veículo.
A Insurance All fez uma pesquisa com cerca de 380 mil clientes sobre o interesse em aderir a um novo produto de seguro de automóveis, no ano passado. Todos os clientes demonstraram interesse ou não em adquirir o seguro de automóvel e essas respostas ficaram salvas em um banco de dados junto com outros atributos dos clientes.
O time de produtos selecionou 127 mil novos clientes que não responderam a pesquisa para participar de uma campanha, no qual receberão a oferta do novo produto de seguro de automóveis. A oferta será feita pelo time de vendas através de ligações telefônicas.
Contudo, o time de vendas tem uma capacidade de realizar 20 mil ligações dentro do período da campanha.
Por enquanto, ainda não foi assumido nenhuma premissa de negócio.
| Atributos | Descrição |
|---|---|
| id | ID único para o cliente |
| gender | Gênero do cliente |
| age | Idade do cliente |
| region_code | Código único para a região do cliente |
| policy_sales_channel | Código para o canal de venda ao cliente, ou seja. Agentes diferentes, por correio, por telefone, pessoalmente, etc. |
| driving_license | 0: O cliente não tem habilitação, 1: O cliente já tem habilitação |
| vehicle_age | Idade do veículo |
| vehicle_damage | 1: O cliente teve seu veículo danificado no passado. 0: O cliente não teve seu veículo danificado no passado. |
| previously_insured | 1: O cliente já tem seguro de veículos, 0: o cliente não tem seguro de veículos |
| annual_premium | O valor que o cliente precisa de anuidade no seguro |
| vintage | Número de dias que o cliente esteve associado à seguradora |
| response | 1: O cliente está interessado, 0: O cliente não está interessado |
O projeto foi desenvolvido através do método CRISP-DM, aplicando os seguintes passos:
Passo 01 - Descrição dos Dados: Nessa etapa, o objetivo foi conhecer os dados, seus tipos, analisar métricas estatísticas básicas como: média, mediana, máximo, mínimo, range, skew, kurtosis e desvio padrão. Foi analisado também o balanceamento dos dados, onde é possível identificar que apenas 12.26% de todos os clientes da base possuem interesse na contratação do seguro.
Passo 02 - Feature Engineering: Nessa etapa, não foi criada nenhuma nova variável, utilizei apenas para modificar alguns textos para auxiliar no desenvolvimento do projeto.
Passo 03 - Filtragem de Variáveis: Não foi utilizada nenhuma filtragem de variável, já que não encontrei nenhuma premissa a ser assumida pelo negócio.
Passo 04 - Análise Exploratória de Dados:
Passo 05 - Preparação dos Dados:
Passo 06 - Seleção de Variáveis:
Passo 07 - Machine Learning Modeling:
Passo 08 - Hyperparameter Fine Tunning:
Passo 09 - Tradução e Interpretação do Erro:
Passo 10 - Deploy do Modelo em Produção: