{"id":22563883,"url":"https://github.com/datalopes1/bank_marketing","last_synced_at":"2026-04-24T12:32:28.340Z","repository":{"id":235244960,"uuid":"790349018","full_name":"datalopes1/bank_marketing","owner":"datalopes1","description":"Este projeto será baseado no Dataset Bank Marketing encontrado na UC Irvine - Machine Learning Repository e disponibilizado por S. Moro, R. Laureano e P. Cortez","archived":false,"fork":false,"pushed_at":"2024-04-22T20:59:39.000Z","size":2831,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-06-11T07:12:49.104Z","etag":null,"topics":["data-analysis","data-science","data-visualization","eda","python"],"latest_commit_sha":null,"homepage":"https://medium.com/@datalopes1/bank-marketing-uma-an%C3%A1lise-explorat%C3%B3ria-de-dados-640c97df2bdd","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/datalopes1.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2024-04-22T18:05:50.000Z","updated_at":"2024-04-22T21:46:02.000Z","dependencies_parsed_at":"2024-04-22T20:11:17.402Z","dependency_job_id":"e92b99d5-c7d9-4254-bb17-334d09257c1c","html_url":"https://github.com/datalopes1/bank_marketing","commit_stats":null,"previous_names":["datalopes1/bank_marketing"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/datalopes1/bank_marketing","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fbank_marketing","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fbank_marketing/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fbank_marketing/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fbank_marketing/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/datalopes1","download_url":"https://codeload.github.com/datalopes1/bank_marketing/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fbank_marketing/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":32223933,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-04-24T10:26:35.452Z","status":"ssl_error","status_checked_at":"2026-04-24T10:25:27.643Z","response_time":64,"last_error":"SSL_connect returned=1 errno=0 peeraddr=140.82.121.5:443 state=error: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["data-analysis","data-science","data-visualization","eda","python"],"created_at":"2024-12-07T23:13:22.418Z","updated_at":"2026-04-24T12:32:28.316Z","avatar_url":"https://github.com/datalopes1.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 💸 Bank Marketing - Análise Exploratória de Dados\n\nEste projeto será baseado no Dataset Bank Marketing encontrado na UC Irvine - Machine Learning Repository e disponibilizado por S. Moro, R. Laureano e P. Cortez, e pode ser encontrado neste [link](https://archive.ics.uci.edu/dataset/222/bank+marketing). Você encontra esse projeto também no [Medium](https://medium.com/@datalopes1/bank-marketing-uma-an%C3%A1lise-explorat%C3%B3ria-de-dados-640c97df2bdd)\n### 🛠️ Ferramentas utilizadas\n![Python](https://img.shields.io/badge/python-3670A0?style=for-the-badge\u0026logo=python\u0026logoColor=ffdd54) ![Jupyter Notebook](https://img.shields.io/badge/jupyter-%23FA0F00.svg?style=for-the-badge\u0026logo=jupyter\u0026logoColor=white)\n\n## 1.1. Os dados, o problema, e o objetivo\n\n### Estrutura dos dados\nOs dados são relacionados com campanhas direta de marketing de uma instituição bancária portugesa. A campanha de marketing foi baseada em ligações telefonicas, por vezes mais de uma para o memso cliente, para saber se o produto financeiro (termo de depósito bancário) seria aceito ou não.\n\n|Coluna|Descrição|\n|-|-|\n|age|Idade|\n|job|Tipo de trabalho|\n|marital|Estado civil|\n|education|Nível de educação|\n|default|Se deu prejuízo ao banco|\n|balance|Média de balanço anual|\n|housing|Se possui emprestimo imobiliário|\n|loan|Se possui emprestimo bancário|\n|contact|Tipo de contato (celular, ou telefone fixo)|\n|day_of_week|Dia do contato|\n|month|Mês do contato|\n|duration|Duração das ligações em segundos|\n|campaign|Número de contatos feitos|\n|pdays|Número de dias desde que o cliente foi contato por uma campanha anterior (-1 significa que não foi contatado)|\n|previous|Número de contatos antes dessa campanha, para este cliente|\n|poutcome|Resultado da última campanha (falha, sucesso)|\n|y|Se o cliente aceitou essa campanha|\n\n### O problema\nComo recém chegado no time de dados, o gestor nos fez algumas solicitações a partir dos dados dessa campanha após requisição do time de marketing para otimizar as próximas campanhas:\n\n1. Entender o perfil dos clientes do banco e identificar características que influenciam a aceitação dos produtos oferecidos;\n2. Avaliar a eficácia da campanha de marketing direto para depósitos a prazo, identificando os melhores canais de contato e o perfil do público-alvo mais receptivo.\n\n### O objetivo\nDessa forma com os dados em mãos, nosso objetivo será:\n- Buscar a relação entre as variáveis, e como elas influenciam na aceitação dos produtos;\n- Identificar o perfil dos clientes mais propensos a fechar negócios após as campanhas;\n- Entender como e quais os fatores da campanha que influenciam na aceitação das ofertas;\n\n## 1.2. Importação das bibliotecas e carregamento dos dados\nImportei as biblitoecas pandas, numpy, matplotlib, seaborn. E então carreguei o dados através do pd.read_csv()\n\n# 🧱 2. Entendendo os dados\nAtravés dos métodos shape, head(), tail() e info() busquei entender a estrutura dos dados. E percebi a necessidade de tratar outliers e checar nulos e duplicatas.\n# 🧹 3. Limpeza e manipulação dos dados\n## 3.1. Conferindo nulos e duplicatas\nO dataset não possuía dados nulos ou duplicados\n## 3.2. Os outliers (ou dados extremos)\nApós notar o desbalanceamento dos dados, fiz a remoção de outliers nas colunas 'balance', 'duration' e 'campaign'\n# 🔍 4. Análise Exploratória de Dados\n## 4.1. O perfil dos clientes\n![img1](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img1.png?raw=true)\n\nA grande massa dos clientes está entre 20 e 60 anos de idade.\n\n![img2](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img2.png?raw=true)\n\nOs clientes do banco em maior número estão em posições de trabalho operacionais e de gerenciamento. Outra parcela relevante está em posições de técnico e administrativas.\n\n![img3](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img3.png?raw=true)\n\n50% dos clientes do banco tem como nível de educação o segundo grau completo, somente cerca de 30% tem ensino superior. O restante está distribuido entre o nível primiário e não informado.\n\n![img4](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img4.png?raw=true)\n\nEntre os clientes do banco 60% são casados, o restante está distribuido entre solteiro e divorciados.\n\n![img5](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img5.png?raw=true)\n\nExiste um número baixíssimo de clientes inadimplentes junto ao banco, o que mostra potencial para novos emprestimos.\n\n![img6](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img6.png?raw=true)\n\n![img7](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img7.png?raw=true)\n\nMais da metade dos clientes possui financiamento de imóvel, pessoas sem este tipo de divida tem maior potencial para adquirir produtos do bancário.\n\n![img8](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img8.png?raw=true)\n\nExiste uma margem muito grande de pessoas sem um emprestimo contratado, o que aponta possível disponibilidade de crédito para contratar produtos bancários.\n\n### Trabalho x Aceitação do Produto\n![img8](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img9.png?raw=true)\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img10.png?raw=true)\n\nEstudantes são os clientes com maior taxa de conversão, seguidos por aposentados, desempregados e pessoas em função de gerencia. Estudantes e desempregados tem uma capacidade de endividamento baixa, e podem no futuro se tornar inadimplentes.\n\n### Idade x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img11.png?raw=true)\n\nConsumidores mais velhos tem maior tendência de aceitar o produto bancário, especialmente aqueles entre 30 e 50 anos de idade.\n\n### Estado Civil x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img12.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img13.png?raw=true)\n\nApesar do maior volume maior de aceitação do produto estar entre os clientes casados, a taxa de conversão é maior entre solteiros e divorciados.\n\n### Escolaridade x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img14.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img15.png?raw=true)\n\nA taxa de conversão é maior em indivudos com nível superior completo e com nível educacional desconhecido, o maior volume se divide em nível de superior e de ensino médio completo.\n\n### Balanço x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img16.png?raw=true)\n\nMaior balanço em conta indica maior espaço no orçamento para um investimento, é outro público que deve ser focado.\n\n### Financiamento Imobiliário x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img17.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img18.png?raw=true)\n\nA taxa de conversão sobre pessoas sem um financiamento imobiliário é o triplo das que tem, além do volume também ser maior.\n\n### Emprestimos x Aceitação do Produto\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img19.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img20.png?raw=true)\n\nPessoas sem emprestimos, claramente, tem maior potencial para adquirir novos produtos financeiros.\n\n### Algumas conclusões\n#### O cliente mais inclinado a contratar o produto tem:\n\n- Entre 30 e 50 anos de idade;\n- Maior balanço em conta;\n- É solteiro ou divorciado;\n- Não emprestimos ou financiamentos imobiliários ativos;\n- Tem escolaridade de nível superior ou secundária;\n- É estudante, aposentado ou está em cargos de gerencia;\n\nA partir desses pontos, o time de marketing tem uma segmentação parar criar campanhas direcionadas para estes públicos.\n\n## 4.2. A campanha\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img21.png?raw=true)\n\nÉ necessário fazer um tracking melhor dos meios de contato, o celular é a forma mais comum mas existe um grande volume desconhecido.\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img22.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img23.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img24.png?raw=true)\n\nO maior volume é de 1 ou 2 contatos feitos, mais a frente vamos buscar saber a relação entre sucesso e o número de contatos.\n\n### Meio de Contato x Aceitação da Campanha\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img25.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img26.png?raw=true)\n\nA maior taxa de sucesso e volume de sucesso está nos contatos por celular.\n\n### Mês do Contato x Aceitação da Campanha\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img27.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img28.png?raw=true)\n\nOs meses com as maiores taxas de sucesso em conversão são dezembro, março, outubro e setembro. A época de fim de ano parece propicia para campanhas direcionadas. Podemos pensar isso também em campanhas segmentadas para os públicos com maior porcentagem de sucesso na contratação do produto.\n\n### Duração das Ligações x Aceitação da Campanha\n![img](https://i.imgur.com/BBl4RuX.png)\n\nLigações que passam de 3 minutos tem maior chance de terminar uma contratação.\n\n### Número de Contatos x Aceitação da Campanha\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img29.png?raw=true)\n\n![img10](https://github.com/datalopes1/bank_marketing/blob/main/doc/img/img30.png?raw=true)\n\n### Alguns insights sobre a campanha\n- É necessário treinar a equipe para melhorar o convencimento na primeira ligação. Focar nos grupos mais suscetíveis ao aceite do produto, poderá trazer melhores resultados;\n- O tempo de ligação também é um fator, romper a barreira dos 3 minutos traz maior probabilidade de fechamento;\n- Os meses de março, setembro, outubro e dezembro são onde se tem maior taxa de conversão, campanhas bem segmentadas combinadas com essas datas podem trazer bons resultados.\n\n# ✅ 5. Conclusões\n\n![img](https://camo.githubusercontent.com/8365c5e11ea829286c7975c86d2f06bd509d7714e53784345816dfe92f5e7d9f/68747470733a2f2f696d616765732e756e73706c6173682e636f6d2f70686f746f2d313631363830333134303334342d3636383261666231336364613f713d383026773d32303730266175746f3d666f726d6174266669743d63726f702669786c69623d72622d342e302e3326697869643d4d3377784d6a4133664442384d48787761473930627931775957646c664878386647567566444238664878386641253344253344)\n\nAo fim foi possível traçar um perfil de clientes em potencial para contratação de serviços do banco, além de buscar entender fatores que possam aumentar a efetividade das próximas campanhas. Entender o comportamento dos consumidores e o seu perfil é essencial para auxiliar o marketing a otimizar seus resultados e diminuir seus custos, além de naturalmente aumentar os resultados comerciais.","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdatalopes1%2Fbank_marketing","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdatalopes1%2Fbank_marketing","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdatalopes1%2Fbank_marketing/lists"}