Skip to content
/ Analise-de-Risco-de-Credito Public

Foi realizado uma análise do risco de crédito através do calculo do risco relativo.

0 stars 0 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

marianelaruiz/Analise-de-Risco-de-Credito

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

19 Commits
dataset_banco
dataset_banco
 
 
img
img
 
 
python
python
 
 
sql
sql
 
 
definicao-variaveis.xlsx
definicao-variaveis.xlsx
 
 
readme.md
readme.md
 
 

Repository files navigation

🏦Análise de Risco de Crédito no Banco Super Caja 🏦

Tabela de conteudos

📖 Introdução

No atual cenário financeiro, a diminuição das taxas de juros tem gerado um notável aumento na demanda por crédito no banco "Super Caja". No entanto, essa crescente demanda tem sobrecarregado a equipe de análise de crédito, que atualmente está imersa em um processo manual ineficiente e demorado para avaliar as inúmeras solicitações de empréstimo. Diante desse desafio, propõe-se uma solução inovadora: a automatização do processo de análise por meio de técnicas avançadas de análise de dados.

🎯 Objetivo

O objetivo da análise é identificar o perfil de clientes com risco de inadimplência, montar uma pontuação de crédito a través da análise de dados e avaliar o risco relativo, possibilitando assim, classificar os clientes e futuros clientes em diferentes categorias de risco com base na sua probabilidade de inadimplência. Esta classificação permitirá ao banco tomar decisões informadas sobre a quem conceder crédito, reduzindo assim o risco de empréstimos não reembolsáveis. Além disso, a integração destas métricas fortalecerá a capacidade do modelo de identificar riscos, contribuindo para a solidez financeira e a eficiência operacional do Banco.

Esse objetivo é alcançado por meio dos seguintes subobjetivos:

  • Identificar o perfil de clientes com risco de inadimplência
  • Montar uma pontuação de crédito a través da análise de dados e avaliar o risco relativo, possibilitando assim, classificar os clientes e futuros clientes em diferentes categorias de risco com base na sua probabilidade de inadimplência
  • Tomar decisões informadas sobre a quem conceder crédito, reduzindo assim o risco de empréstimos não reembolsáveis.
  • Criar um modelo para identificar riscos, contribuindo para a solidez financeira e a eficiência operacional do Banco.

🤝 Equipe

  • Marianela Ruiz.

📰 Ficha Técnica

🔧 Ferramentas e Tecnologias

  • Ferramentas: BigQuery, Google Colab.
  • Linguagens: SQL e Python.
  • Ferramentas de visualização : Power BI.

📈 Fontes de dados

💻 Tabelas utilizadas na análise

  • user_info: dados gerais dos clientes

  • loans_outstanding: dados referente ao tipo de empréstimos e quantidade

  • loans_detail: dados sobre o número de atrasos de pagamento de empréstimos, uso de linhas de crédito e relação ao seu limit e taxa de endividamento

  • default: dados dos clientes inadimplentes e adimplentes

🔎 Processamento e análises

Várias etapas foram seguidas para preparar os dados para análise:

  • Manipulação e limpeza dos dados: Utilizando o processo de ETL (Extract, Transform, Load) no BigQuery, realizei a limpeza e manipulação dos dados. Removi valores nulos, duplicados e inconsistências, além de calcular os quartis. Criei tabelas auxiliares, transformei os dados, e segmentei os clientes com base no risco relativo. As variáveis foram convertidas em dummies para a construção da matriz de confusão e para a realização de regressão logística.

  • Visualização Interativa da Análise: Utilizamos o Looker Studio para criar gráficos e tabelas interativas que facilitam a visualização e compreensão da análise realizada.

  • Modelo de Score de Crédito: foi realizada uma avaliação do modelo utilizando a matriz de confusão para análise de desempenho.

  • Regressão Logística: Foi realizada uma análise preditiva do risco de inadimplência utilizando regressão logística, uma técnica robusta amplamente reconhecida por sua capacidade de modelar e prever comportamentos de risco com base em variáveis significativas.

💡 Resultados e Conclusões

A partir da análise realizada neste projeto, usando análise exploratória, modelo de classificação e regressão logística, o banco Super Cajá busca identificar com maior facilidade clientes que podem apresentar maior risco de inadimplência e tomar decisões mais rápidas para a concessão de créditos.

Hipótese 1: Os mais jovens correm um risco maior de Inadimplência:

  • Clientes mais jovens (21 a 41 anos) e também aqueles entre 42 e 52 anos apresentam maior risco de inadimplência.
  • Possíveis causas incluem o início de carreira, instabilidade financeira e falta de experiência em gestão financeira.

A hipótese foi confirmada e as recomendações são:

💡 Recomendações para esses clientes:

  • Mitigação de Riscos: Implementar políticas para reduzir riscos entre clientes mais jovens, como limites de crédito mais baixos e processos de avaliação mais rigorosos.
  • Produtos Personalizados: Desenvolver produtos financeiros específicos com condições mais adequadas para essa faixa etária.
  • Reestruturação de Dívidas: Oferecer planos de renegociação de dívidas para clientes jovens inadimplentes.
  • Incentivos para Pagamento em Dia: Oferecer benefícios para clientes jovens que mantêm pagamentos em dia.

Hipótese 2: Clientes com mais empréstimos ativos têm um maior risco:

  • Clientes com mais de 11 empréstimos apresentam um risco menor de inadimplência, o que contraria a hipótese inicial de maior risco com mais empréstimos.
  • Possíveis causas incluem uma boa gestão financeira que permite o pagamento dos empréstimos.

A hipótese foi refutada e as recomendações são:

💡 Recomendações para esses clientes:

  • Análise de Crédito Mais Flexível: Reavaliar critérios de crédito para clientes com múltiplos empréstimos.
  • Monitoramento e Suporte: Fornecer suporte financeiro proativo para clientes com menos empréstimos.

Hipótese 3: Clientes com mais de 90 dias de atraso têm maior risco:

  • Atrasos superiores a 90 dias são fortes indicadores de inadimplência futura.
  • Possíveis causas incluem dificuldades financeiras e problemas de gestão financeira que indicam maior probabilidade de inadimplência.

A hipótese foi confirmada e as recomendações são:

💡 Recomendações para esses clientes:

  • Programas de Recuperação de Crédito: Criar programas para renegociação e recuperação para clientes com atrasos superiores a 90 dias.
  • Segmentação e Ofertas Personalizadas: Desenvolver produtos financeiros específicos e oferecer suporte adicional para clientes nessa situação.
  • Monitoramento e Controle: Implementar um sistema de alerta para monitorar atrasos de pagamento e oferecer intervenções preventivas.

📊 Painel de controle (dashboard) no Looker Studio

https://lookerstudio.google.com/u/0/reporting/5417083a-a220-4c63-b7f3-ff31120a687d/page/gG67D Alt text
Alt text
Alt text

Referências

About

Foi realizado uma análise do risco de crédito através do calculo do risco relativo.

Topics

python sql lookerstudio

Resources

Readme
Activity

Stars

0 stars

Watchers

1 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages