Pod-Bank-Application

Planejamento e criação de um modelo que tenha capacidade de gerar um score de risco para contratação de empréstimo bancário.

Como replicar o projeto

1. Crie e ative o ambiente virtual (.venv):

   python3 -m venv .venv
   source .venv/bin/activate
   pip install -r requirements.txt

2. Abra um segundo terminal e execute o MLflow server:

   mlflow server

Recomenda-se manter o primeiro terminal com o ambiente .venv ativado para rodar os scripts do projeto, e o segundo terminal dedicado ao MLflow server para rastreamento dos experimentos referentes aos arquivos train.py e predict.py.

CRISP-DM - Etapas do Projeto

1. Entendimento do Negócio

O objetivo é reduzir a inadimplência na concessão de crédito da Pod Bank, traduzindo a necessidade de negócio em um problema de dados: prever o risco de inadimplência de clientes a partir de suas características cadastrais e histórico financeiro.

2. Entendimento dos Dados

A análise exploratória foi realizada em eda.ipynb, avaliando o dataset application_train.csv. Foram identificados padrões, limitações (como variáveis com alto percentual de nulos) e oportunidades analíticas, além de entender a distribuição do target (inadimplência).

3. Preparação dos Dados

Os dados foram tratados e enriquecidos conforme:

3. Preparação dos Dados

Os dados foram tratados e enriquecidos conforme model-reg-log.ipynb e train.py:

• Criação dos books de variáveis:
  Cada fonte relevante (Application, Bureau, Credit Card, POS Cash, Installments, Previous) teve seu próprio book de variáveis, detalhando o processo de agregação, transformação e criação de novas features. Esses books foram desenvolvidos nos notebooks da pasta feature-store, utilizando técnicas como agregações temporais, cálculos de médias, totais, flags e categorização.

• Construção das ABTs (Analytical Base Tables):
  As ABTs foram criadas a partir da junção dos books de variáveis com a tabela principal de clientes, consolidando todas as informações relevantes por SK_ID_CURR. O processo está documentado nos notebooks da pasta abt, garantindo separação adequada entre treino e teste e rastreabilidade dos dados.

• Tratamento adicional:
  Remoção de variáveis temporárias e com alta correlação, imputação de valores nulos (média para numéricas, moda para categóricas), codificação de variáveis categóricas (Target Encoding, OneHot), e seleção de features relevantes via Random Forest e análise de importância.

Essas etapas garantiram uma base robusta e organizada para

4. Modelagem

Dois fluxos principais:

• Em model-reg-log.ipynb: Modelagem com Regressão Logística, categorização de variáveis via Decision Tree, ajuste e validação do scorecard.
• Em train.py: Modelagem com algoritmos de árvore (DecisionTree, RandomForest, GradientBoosting, LightGBM), otimização de hiperparâmetros com Optuna e validação cruzada.

5. Avaliação

A performance dos modelos foi avaliada por métricas técnicas (AUC-ROC, Gini, KS) e análise por decil, conforme relatórios e gráficos gerados nos notebooks. A escolha do modelo considerou tanto resultados quantitativos quanto impacto no negócio.

6. Deploy da Solução

O modelo final foi registrado e versionado via MLflow (train.py), e o processo de escoragem foi implementado em predict.py, permitindo a geração de scores para novos clientes e salvando os resultados em formato parquet para integração com sistemas do banco.

7. Apresentação executiva

Você pode verificar a apresentação Projeto_Reducao_Inadimplencia_Pod_Bank.pptx, onde estão os resultados das etapas.

Referências dos scripts principais

• notebooks/eda.ipynb: Análise exploratória dos dados.
• notebooks/model-reg-log.ipynb: Modelagem com Regressão Logística.
• notebooks/train.py: Modelagem com algoritmos de árvore e deploy via MLflow.
• notebooks/predict.py: Pipeline de escoragem e geração de outputs.

---

Portfólio e LinkedIn

• Portfólio: https://jeanlr.github.io/portfolio/
• LinkedIn: https://www.linkedin.com/in/jeanlimarodovalho