Você faz parte da equipe de análise de dados de uma instituição financeira que analisa pedidos de empréstimos. Para cada cliente, são coletadas informações como idade, renda anual, histórico de crédito, histórico de inadimplência, valor do empréstimo solicitado e se o cliente foi ou não aprovado para o crédito.
Este projeto foi desenvolvido como uma simulação prática com o objetivo de fortalecer habilidades em análise exploratória de dados e geração de insights.
- Gerar um conjunto de dados aleatórios que represente o cenário de pedidos de empréstimos.
- Realizar uma análise estatística básica para entender as variáveis e suas relações.
- Focar em uma implementação detalhada e desafiadora na parte de programação, criando funções reutilizáveis e estruturadas.
- Python: Linguagem principal para análise de dados e simulação.
- Random: Geração de valores pseudoaleatórios
- Pandas: Manipulação e estruturação dos dados.
- NumPy: Geração de dados aleatórios e cálculos matemáticos.
- Seaborn e Matplotlib: Apoio na visualização de dados.
- Jupyter Notebook: Desenvolvimento interativo dos códigos.
- Base de dados simulada com características realistas para pedidos de empréstimo.
- Análise exploratória detalhada dos dados, incluindo:
- Perfil de aprovação por faixa de risco.
- Relação entre faixa de risco e valor do empréstimo solicitado.
- Faixa etária dos clientes e sua influência na aprovação.
- Impacto do histórico de inadimplência no resultado do crédito.
- Extração de insights estratégicos para possíveis ações dos times de risco, crédito e marketing.
- Visualizações personalizadas para melhor comunicação dos dados, utilizando gráficos de barras, pizza e comparativos.
- A política de crédito é conservadora e bem estruturada
- A aprovação de empréstimos segue um critério disciplinado e baseado em risco, garantindo que clientes de baixo risco tenham maiores chances de aprovação.
- Existe uma forte relação entre Score de Crédito, Histórico de Inadimplência e Aprovação, mostrando que o sistema prioriza segurança financeira.
- Clientes de médio risco enfrentam alta taxa de reprovação
- A maioria dos clientes reprovados está na categoria de médio risco, mesmo quando possuem renda razoável.
- Isso indica que a empresa pode estar perdendo oportunidades de concessão de crédito para um público que poderia ser melhor segmentado e gerenciado.
- Renda elevada aumenta chances de aprovação, mas não garante
- A renda média dos aprovados é significativamente maior, e há uma tendência de que clientes com maior renda solicitem empréstimos mais altos. Entretanto, a renda por si só não é o fator decisivo — clientes com baixa renda ainda podem ser aprovados caso tenham um bom score e histórico limpo.
- Histórico de inadimplência elevado praticamente elimina chances de aprovação
- A grande maioria dos reprovados tem histórico de inadimplência acima de 4 ocorrências.
- Esse critério está sendo um filtro rígido, o que pode ser positivo para evitar calotes, mas também pode restringir a carteira de clientes.
- A empresa pode estar limitando sua expansão por falta de clientes de baixo risco
- Existe uma grande concentração de clientes de médio risco, mas um volume relativamente baixo de clientes de baixo risco.
- Isso pode indicar uma falha na captação de bons clientes, o que pode impactar negativamente o crescimento sustentável da instituição.
A partir da análise exploratória e da construção inicial deste projeto de simulação de crédito, foi possível entender profundamente as relações entre variáveis financeiras e a probabilidade de aprovação de empréstimos.
A estruturação dos dados, as visualizações estratégicas e a extração de insights mostraram como decisões de crédito podem ser baseadas em dados, melhorando o processo de análise e concessão de empréstimos.
Este projeto reforçou minhas habilidades práticas em:
- Análise exploratória e estatística de dados.
- Comunicação visual de resultados através de gráficos.
Linkedin: www.linkedin.com/in/lucaspimentabarretto
Github: https://github.com/LucasPBar