Problema
Análises manuais de score de crédito são lentas e dependem de múltiplas variáveis financeiras, comportamentais e cadastrais.
case técnico
IA • Machine Learning / Classificação
IA Score de Crédito
Proof of concept em machine learning para classificação de score de crédito a partir de dados financeiros e comportamentais.
Base com dados cadastrais, financeiros, histórico de crédito, atrasos, empréstimos e comportamento de pagamento.
Separação entre treino e teste, codificação de variáveis categóricas e treinamento de modelos de classificação.
Aplicação do modelo treinado em novos clientes para prever classes como Poor, Standard ou Good.
Python
Pandas
Scikit-learn
Jupyter Notebook
Machine Learning
resumo executivo
Solução
Foi desenvolvido um notebook de machine learning que prepara os dados, codifica variáveis categóricas, treina modelos e compara acurácia entre Random Forest e KNN.
Resultado
O modelo Random Forest apresentou melhor desempenho no teste, com acurácia aproximada de 82,4%, superando o KNN, que ficou próximo de 73,9%.
Estado atual
POC concluído, adequado para demonstração técnica e evolução futura com pipeline, validação e explicabilidade.
contexto
Classificação de risco como experimento de IA aplicada
O projeto foi criado para testar um fluxo completo de classificação: importar uma base de clientes, transformar variáveis textuais em numéricas, separar treino e teste, treinar dois algoritmos e aplicar o melhor modelo em novos clientes.
objetivos e restrições
Objetivos
- Preparar dados financeiros e comportamentais para machine learning
- Transformar variáveis categóricas em valores numéricos
- Separar base em treino e teste
- Comparar Random Forest e KNN
- Prever score de crédito para novos clientes
Restrições
- POC em notebook, sem API ou interface de produção
- Modelo demonstrativo, não indicado para decisão financeira real sem auditoria
- Necessidade futura de pipeline de pré-processamento mais robusto
- Tema sensível, exigindo explicabilidade, governança e revisão humana
arquitetura da solução
Front-end
Notebook com displays de tabela, métricas de acurácia e previsão final para novos clientes.
Back-end
Fluxo em Python usando Pandas e Scikit-learn, com LabelEncoder, train_test_split, RandomForestClassifier, KNeighborsClassifier e accuracy_score.
Banco de dados
CSV com 100 mil registros de clientes e variáveis como profissão, salário anual, contas, cartões, empréstimos, atrasos, histórico de crédito, comportamento de pagamento e score.
segurança e prevenções
Uso responsável
O projeto é tratado como prova de conceito técnica, não como ferramenta autônoma para aprovação ou reprovação de crédito.
Explicabilidade futura
Por lidar com crédito, uma evolução real exigiria análise de viés, explicabilidade do modelo e critérios auditáveis.
Separação treino/teste
A base foi dividida para medir desempenho em dados não usados diretamente no treinamento.
processo
01
Importação dos dados
Carregamento da base de clientes e inspeção inicial das colunas.
02
Pré-processamento
Conversão de profissões, mix de crédito e comportamento de pagamento para valores numéricos.
03
Divisão da base
Separação das variáveis de entrada e saída, com divisão 70/30 entre treino e teste.
04
Treinamento
Treinamento de Random Forest e KNN para comparar abordagens de classificação.
05
Previsão
Aplicação do modelo escolhido em novos clientes para prever a classe de score.
bastidores técnicos
impacto
Resultados
O Random Forest atingiu aproximadamente 82,4% de acurácia no conjunto de teste, enquanto o KNN ficou em torno de 73,9%, indicando melhor adequação do modelo baseado em árvores para o experimento.
Aprendizados
O projeto reforçou a importância de pré-processamento, comparação de modelos e responsabilidade na apresentação de IA aplicada a crédito.