Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/tnleite/credit-card-customer-clustering


https://github.com/tnleite/credit-card-customer-clustering

Last synced: about 2 months ago
JSON representation

Awesome Lists containing this project

README 

        
# 💳 Mapa de Clientes de Cartões de Crédito






[![Python Version](https://img.shields.io/badge/Python-3.11.10-blue?logo=python&logoColor=white)](https://www.python.org/)

[![Jupyter Version](https://img.shields.io/badge/Jupyter-Notebook-orange?logo=jupyter)](https://jupyter.org/)

[![Pandas](https://img.shields.io/badge/Pandas-1.5.3-green?logo=pandas)](https://pandas.pydata.org/)

[![NumPy](https://img.shields.io/badge/NumPy-1.24.3-blue?logo=numpy&logoColor=white)](https://numpy.org/)

[![Matplotlib](https://img.shields.io/badge/Matplotlib-3.7.1-blue?logo=matplotlib)](https://matplotlib.org/)

[![Seaborn](https://img.shields.io/badge/Seaborn-0.12.2-blue?logo=seaborn)](https://seaborn.pydata.org/)

[![Scikit-Learn](https://img.shields.io/badge/Scikit--Learn-1.5.1-orange?logo=scikit-learn&logoColor=white)](https://scikit-learn.org/)

[![Project Status](https://img.shields.io/badge/Status-Completed-green)]()

[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)



## 📝 Descrição do Projeto  

Este projeto, desenvolvido como parte do módulo final do **Santander Coders 2024**, explora a **segmentação de clientes** e **modelagem preditiva** aplicadas ao setor financeiro, com foco em titulares de cartões de crédito. 



O objetivo principal é identificar padrões comportamentais dos clientes para otimizar estratégias de marketing e suporte a decisões empresariais. As principais etapas incluem a análise exploratória de dados, a criação de clusters para segmentação de clientes e a construção de um modelo preditivo para classificar novos clientes nos grupos definidos.



**Destaques do Projeto:**

- **Segmentação de Clientes**: Identificação de grupos com características semelhantes para personalização de estratégias.

- **Modelagem Preditiva**: Classificação de novos clientes nos clusters definidos, utilizando aprendizado supervisionado.

- **Insights Estratégicos**: Suporte à equipe de marketing e ao gerenciamento de riscos financeiros.





  GIF Análise




---



## 🗂️ Estrutura do Repositório

Este repositório está organizado da seguinte forma:

- **01_Base_de_Dados**: Contém os arquivos de dados utilizados para análise.

- **02_Analise**: Contém o arquivo Jupyter Notebook com a análise e modelagem.

- **03_Recursos**: Contém recursos visuais utilizados no projeto.



---

## 💾 Demonstração e Uso

Para explorar a análise, você pode seguir uma das opções abaixo:



1. **Visualização Direta no GitHub**:

   - Vá até a pasta **02-Analise** e abra o arquivo **Jupyter Notebook** diretamente no GitHub para visualizar a análise sem precisar baixar.

   - [Clique aqui para acessar a pasta de análise](02-Analise/credit-card-customer-clustering.ipynb).



2. **Download do Notebook**:

   - Caso a visualização no GitHub não funcione adequadamente ou prefira trabalhar localmente, você pode baixar o arquivo que está no caminho anterior.

   



3. **Instruções de Uso Local**:

   - Após baixar, abra o notebook no Jupyter ou em uma plataforma que suporte notebooks IPython.

   - Execute as células sequencialmente para visualizar as análises e gráficos.



## 🔍 Estrutura do Projeto



### Parte 1: Análise Exploratória de Dados (EDA)

- **Distribuição de Variáveis**: Análise de padrões e identificação de valores extremos nos dados.

- **Correlação Entre Variáveis**: Descoberta de relações importantes para segmentação e predição.

- **Análise de Outliers**: Investigação de valores atípicos que poderiam distorcer os resultados.



### Parte 2: Clusterização

- **Aplicação de Algoritmos**: Teste de K-Means, Hierarchical Clustering e DBSCAN.

- **Escolha do Modelo Ideal**: O K-Means foi escolhido com base em métricas como Silhouette Score e Davies-Bouldin Index.

- **Interpretação dos Clusters**: Identificação de cinco grupos principais com perfis distintos de clientes.



### Parte 3: Modelagem Preditiva

- **Treinamento de Modelos Supervisionados**: Teste de algoritmos como Logistic Regression, Decision Tree e Random Forest.

- **Avaliação e Otimização**: Ajustes finos para maximizar a precisão e recall do modelo.

- **Predição de Novos Clientes**: Classificação de novos dados nos clusters definidos para ações personalizadas.



---



## 🏗️ Arquitetura e Fluxo de Análise




O fluxo de análise do projeto segue a estrutura abaixo:



1. **Coleta de Dados**: Importação do dataset com informações dos clientes de cartões de crédito.

2. **Manipulação e Limpeza de Dados**: Uso de **Pandas** para tratar dados e garantir consistência.

3. **Visualização Gráfica**: Criação de gráficos com **Matplotlib** e **Seaborn** para explorar os padrões dos dados.

4. **EDA**: Compreensão inicial das características do dataset.

5. **Clusterização**: Identificação de grupos distintos de clientes com algoritmos de aprendizado não supervisionado.

6. **Modelagem Supervisionada**: Construção de modelos para prever o cluster de novos clientes.

7. **Insights**: Extração de resultados para decisões estratégicas.



---



## 📈 Impacto e Resultados



- **Clusters Identificados**: Cinco grupos principais foram descobertos, representando perfis distintos, como clientes inativos, consumidores regulares e clientes premium.

- **Precisão da Modelagem**: O modelo de **Logistic Regression** alcançou um F1-Score Macro de 0.978 no conjunto de teste, garantindo alta sensibilidade na classificação.

- **Recomendações Estratégicas**: 

  - **Clientes Premium**: Foco em serviços exclusivos.

  - **Clientes Inativos**: Estratégias de reengajamento.

  - **Consumidores Regulares**: Ofertas promocionais personalizadas.



---



## 🛠️ Tecnologias Utilizadas

- [Python](https://www.python.org/)

- [Jupyter Notebook](https://jupyter.org/)

- [Pandas](https://pandas.pydata.org/)

- [Matplotlib](https://matplotlib.org/)

- [Seaborn](https://seaborn.pydata.org/)

- [Scikit-Learn](https://scikit-learn.org/)



---



## 🖼️ Screenshots

Aqui estão algumas capturas de tela das análises:






















---



## 📞 Contato

- 📫 Você pode entrar em contato comigo pelo meu [e-mail](mailto:[email protected]).

- 💼 Meu perfil no [LinkedIn](https://www.linkedin.com/in/tnleite/) para acompanhar meu progresso e projetos.

- ✍🏻 Meu perfil no [Medium](https://medium.com/@thiago.leit) para ver artigos publicados.

- 🌐 Meu [Portfólio](https://thiagoleitedata.com.br) para visualizar outros projetos.