Challenge_Python_Bank

El objetivo es evaluar los datos, realizando un análisis descriptivo y evaluar una serie de modelos de clasificación y elegir el que mejor resultados obtiene prediciendo la columna 21 que representa si se suscribe al servicio correspondiente.

🏦 Marketing Bancario Inteligente: Predicción de Suscripciones a Depósitos a Plazo

Proyecto Final - Bootcamp Data Science | 4Geeks Academy

---

🌟 Descripción del Proyecto

Este proyecto tiene como objetivo optimizar las campañas de marketing bancario mediante la predicción de qué clientes son más propensos a aceptar un depósito a plazo fijo. Utilizamos técnicas avanzadas de Machine Learning y análisis de datos para mejorar la eficiencia, reducir costos y personalizar la experiencia del cliente.

---

🛠️ Herramientas y Tecnologías

• Lenguaje: Python
• Frameworks y Librerías:
  • Pandas, NumPy, Scikit-learn, LightGBM, XGBoost, Matplotlib, Seaborn, Plotly, Streamlit
• Infraestructura:
  • Jupyter Notebook para desarrollo
  • Streamlit para visualización interactiva

---

🧪 Proceso de Desarrollo

1. Exploración y Análisis de Datos (EDA):

   • Análisis descriptivo y gráfico de las variables.
   • Identificación de patrones y relaciones clave.

2. Preprocesamiento de Datos:

   • Transformaciones como Yeo-Johnson para normalizar variables.
   • Agrupación de categorías y eliminación de outliers.
   • Creación de variables derivadas, como trimestres y campañas previas.

3. Modelos Predictivos:

   • Entrenamiento de tres modelos principales:
     • Random Forest
     • XGBoost
     • LightGBM (modelo final seleccionado)
   • Evaluación basada en métricas como recall y f1-score debido al desbalanceo del dataset.

4. Resultados:

   • El modelo LightGBM alcanzó un recall del 86%, lo que significa que identifica correctamente a la mayoría de los clientes propensos a aceptar la oferta.

5. Implementación Interactiva:

   • Despliegue de una aplicación interactiva con Streamlit para simular predicciones basadas en inputs del usuario.

---

📊 Resultados Clave

• Optimización de Recursos:
  • El modelo permite enfocar las campañas en clientes más propensos, reduciendo costos y mejorando la tasa de conversión.
• Incremento Proyectado:
  • Un posible aumento del 20% en la efectividad de las campañas.
• Beneficios para el Cliente:
  • Interacciones personalizadas y menos intrusivas.

---

🖥️ Cómo Usar el Proyecto

1. Requisitos Previos

• Instalar Python 3.8 o superior.
• Clonar este repositorio:

  git clone https://github.com/rodri-iot/Challenge_Python_Bank.git
  cd Challenge_Python_Bank

---

Estructura

El proyecto está organizado de la siguiente manera:

|-- `app.py` - El script principal de Python que ejecutas para tu proyecto.
|-- `explore.py` - Un notebook para que puedas hacer tus exploraciones, idealmente el codigo de este notebook se migra hacia app.py para subir a produccion.
|-- `utils.py` - Este archivo contiene código de utilidad para operaciones como conexiones de base de datos.
|-- `requirements.txt` - Este archivo contiene la lista de paquetes de Python necesarios.
|-- `models/` - Este directorio debería contener tus clases de modelos SQLAlchemy.
|-- `data/` - Este directorio contiene los siguientes subdirectorios:
  |--- `interim/` - Para datos intermedios que han sido transformados.
  |--- `processed/` - Para los datos finales a utilizar para el modelado.
  |--- `raw/` - Para datos brutos sin ningún procesamiento.

---

Configuración

Prerrequisitos

Asegúrate de tener Python 3.11+ instalado en tu máquina. También necesitarás pip para instalar los paquetes de Python.

Instalación

Clona el repositorio del proyecto en tu máquina local.

Navega hasta el directorio del proyecto e instala los paquetes de Python requeridos:

pip install -r requirements.txt

Crear una base de datos (si es necesario)

Crea una nueva base de datos dentro del motor Postgres personalizando y ejecutando el siguiente comando: $ createdb -h localhost -U <username> <db_name> Conéctate al motor Postgres para usar tu base de datos, manipular tablas y datos: $ psql -h localhost -U <username> <db_name> NOTA: Recuerda revisar la información del archivo ./.env para obtener el nombre de usuario y db_name.

¡Una vez que estés dentro de PSQL podrás crear tablas, hacer consultas, insertar, actualizar o eliminar datos y mucho más!

Variables de entorno

Crea un archivo .env en el directorio raíz del proyecto para almacenar tus variables de entorno, como tu cadena de conexión a la base de datos:

DATABASE_URL="your_database_connection_url_here"

Ejecutando la Aplicación

Para ejecutar la aplicación, ejecuta el script app.py desde la raíz del directorio del proyecto:

python app.py

---

Añadiendo Modelos

Para añadir clases de modelos SQLAlchemy, crea nuevos archivos de script de Python dentro del directorio models/. Estas clases deben ser definidas de acuerdo a tu esquema de base de datos.

Definición del modelo de ejemplo (models/example_model.py):

from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy import Column, Integer, String

Base = declarative_base()

class ExampleModel(Base):
    __tablename__ = 'example_table'
    id = Column(Integer, primary_key=True)
    name = Column(String)

---

Ejecutar la Aplicación

  streamlit run src/fp_ds_bank.py

También puede ingresar al LINK

---

📥 Descargar el Modelo

Puedes descargar el modelo entrenado para tus experimentos: Descargar Modelo LightGBM

---

🎯 Próximos Pasos

• Ampliar el modelo para otros productos financieros, como préstamos o tarjetas de crédito.
• Mejorar la personalización utilizando datos adicionales, como historial de transacciones.
• Desplegar el modelo en un entorno de producción para campañas en tiempo real.

---

Colaboradores

• Rodrigo Pinedo
• LinkedIn: https://www.linkedin.com/in/rodrigopinedo/