Recomendação de campanha de crédito para perfis de clientes selecionados: utilizando técnicas de aprendizado de máquina e ciência de dados

Abstract

A análise de crédito é uma combinação de ciências exatas com características humanas, são levados em consideração fatores desde: capacidade de pagamento, acúmulo de dívidas, histórico e relacionamento bancário. Inúmeros profissionais são envolvidos para que se pese o risco/retorno envolvido, desde estatísticos, analistas financeiros, economistas, investidores, gerentes de conta, etc. Esses profissionais são necessários para que se tenha assertividade na análise e a assertividade tem imenso valor para instituições financeiras, pois limitam os riscos envolvidos no fornecimento de crédito. Neste trabalho, será feita uma análise de perfis de clientes. Para posterior recomendação de campanhas adequadas às diversas qualidades de perfis com o objetivo de automatizar as decisões feitas por estes diferentes profissionais, utilizando técnicas de aprendizado de máquina e ciência de dados. O desenvolvimento foi estruturado em duas Provas de Conceito (PoC): a primeira focada na validação de atributos relevantes e na viabilidade do sistema, e a segunda utilizando técnicas mais avançadas para maior abrangência. Os dados utilizados são provenientes do dataset da plataforma LendingClub, que cobre informações temporais e comportamentais de clientes. As etapas de desenvolvimento incluem análise exploratória de dados (EDA), limpeza e transformação dos dados, modelagem preditiva por meio de algoritmos supervisionados como regressão logística e XGBoost, e validação com métricas como AUC e precisão. O sistema é avaliado com base na segmentação de perfis e no alinhamento das campanhas recomendadas com as características observadas nos dados. Os resultados são discutidos em termos da capacidade do modelo em auxiliar a tomada de decisão sobre concessão de crédito, com destaque para a avaliação dos métodos empregados e a aplicabilidade das recomendações. O trabalho apresenta considerações sobre as limitações do modelo e sugere possíveis expansões, como o uso de dados não estruturados e abordagens híbridas.