Easy Cash - Credit Risk Classification

Area: 🏦 Finance

Description: Projeto de Classificação com Machine Learning aplicado em Análise de Risco de Crédito de um banco, afim de, identificar possíveis inadimplentes.

Tools used

📚 Summmary

1. Business Understanding
2. Data Understanding
3. Data Preparation
4. Modeling
5. Model Evaluation
6. Deployment
7. Business Results
8. Next Steps
9. How to Run the Application
10. Author
11. Licence

1. Business Understanding

Business Problem

A Easy Cash é um banco digital que atua desde 2015 no Brasil oferecendo produtos financeiros como: cartões de crédito, seguros e emprestímos. Uma das área que causa mais problemas para bancos, fintechs é a taxa de inadimplência por parte da sua carteira de clientes. No último resultado trimestral divulgado pela empresa, a diretoria financeira, comunicou que o número de inadimplentes após a liberação de crédito aumentou significativamente, tendo o EL (Expected Loss) com um aumento de 15% representando um EC (Economic Capital) de R$ 6.2 milhões para cobrir essas perdas inesperadas.

Portanto, foi solicitado ao time de Data Science, que realizasse um estudo das informações financeiras e das solicitações de empréstimo para encontrar padrões que possam indicar uma possível inadimplência e determinar quais ações possam ser implementadas, afim de, reduzir estas perdas financeiras por conta de pessoas mutuárias que não quitam suas dívidas.

Business Objective

Assim é encomendado um estudo com os seguintes objetivos:

• Reduzir em 10% as Perdas Esperadas (EL);
• Reduzir o Capital Econômico (EC) para abaixo de R$ 2Mi;

Success Criteria

Este estudo será considerado um sucesso se:

• Conseguir modelar um classificador capaz de encontrar potenciais clientes inadimplentes e implementá-lo em produção através de uma API;
• Reduzir em 15% o EL;
• Manter o EC abaixo de R$ 1Mi;

Project Plan

Após reuniões com o time e os stakeholders envolvidos, bem como a disponibilidade dos conjunto de dados o projeto foi dividido em etapas conforme a metodologia CRISP-DM e organizando as tarefas em Sprints pelo aplicativo Trello:

Step 01) Business Understanding

• Pesquisa sobre o análises de riscos de crédito;
• Identificar principais métricas KPI utilizadas;
• Planejamento das tarefas em sprints no Trello;

Step 02) Data understanding

• Coleta dos Dados
• Descrição dos dados
• Análise Exloratória dos Dados
• Verificação da qualidade dos dados

Step 03) Data preparation

• Seleção dos dados
• Limpeza dos dados
• Construção do dados
• Integrar os Dados

Step 04) Modeling

• Selecionar á técnica
• Construção do Modelo
• Avaliação do Modelo

Step 05) Evaluation

• Avaliação dos resultados x objetivos de negócio
• Definir as próximas ações (Next Steps)

Step 06) Deployment

• Implantação do Modelo através de uma API em Flask
• Monitoramento
• Avaliar resultados finais

2. Data Understanding

3. Data preparation

4. Modeling

5. Evaluation

6. Deployment

7. Business Results

8. Next Steps

9. How to run the app

|Dataset| Kaggle

10. Author

11. License

---