🇺🇸 English | 🇧🇷 Português

This project aims to build a Regression Machine Learning Model to predict the "Ideal Credit Limit" for banking customers. Unlike traditional models that just classify "Creditworthy vs. Non-creditworthy" (Classification), this solution calculates the exact credit amount that balances Revenue Opportunity with Default Risk.

Before modeling, an extensive Exploratory Data Analysis (EDA) using SQL revealed crucial behavioral patterns:

1. The "Cash Advance" Risk Factor: Customers who frequently use their credit card limit to withdraw cash are 4x more likely to default. This behavior signals financial distress distinct from regular purchasing.
2. The Limit Paradox: High-limit customers are proportionally safer.
   • Low Limit (< $2.5k): ~20% risk rate.
   • High Limit (> $7k): ~4% risk rate.

Instead of training the model to predict the current bank limit (which may contain historical biases), we engineered a new target variable called Ideal_Credit_Limit using Python. The goal is to correct inefficiencies:

Outcome: The AI learns to suggest the limit a customer should have, rather than just copying what they currently have.

• Core: Python 🐍 (Pandas, Numpy).
• Data Prep: Scikit-Learn (Imputation & Scaling).
• Database & Analytics: SQL (SQLite) for Data Warehousing.
• Machine Learning: Random Forest Regressor (Upcoming).

• ✅ Phase 1: ETL & Database Setup (Raw CSV $\to$ SQLite).
• ✅ Phase 2: SQL Exploratory Analysis (Risk factors identified).
• ✅ Phase 3: Feature Engineering (Created Ideal_Credit_Limit target variable based on Risk Rules).
• ✅ Phase 4: Data Preprocessing (Cleaning, removing IDs, handling NaN values).
• 🔄 Phase 5 (Next): Machine Learning Model Training.

Este projeto tem como objetivo construir um Modelo de Machine Learning (Regressão) para prever o "Limite de Crédito Ideal" para clientes bancários. Diferente de modelos tradicionais que apenas classificam entre "Adimplente vs. Inadimplente", esta solução calcula o valor exato de limite que equilibra Oportunidade de Receita com Risco de Inadimplência.

Antes da modelagem, uma Análise Exploratória de Dados (EDA) via SQL revelou padrões comportamentais cruciais:

1. O Fator de Risco do Saque (Cash Advance): Clientes que utilizam o limite do cartão de crédito para realizar saques em espécie têm 4x mais chances de inadimplência. Isso indica alta dependência de crédito rotativo.
2. O Paradoxo do Limite: Clientes com limites altos são proporcionalmente mais seguros.
   • Limite Baixo (< $2.5k): ~20% de taxa de risco.
   • Limite Alto (> $7k): ~4% de taxa de risco.

Em vez de treinar o modelo para prever o limite atual do banco (que pode conter erros históricos), criamos uma nova variável alvo chamada Ideal_Credit_Limit usando Python. O objetivo é corrigir distorções:

Resultado: A IA aprende a sugerir o limite que o cliente deveria ter, e não necessariamente o que ele tem.

• Core: Python 🐍 (Pandas, Numpy).
• Data Prep: Scikit-Learn (Imputation & Scaling).
• Banco de Dados & Analytics: SQL (SQLite) para Data Warehousing.
• Machine Learning: Random Forest Regressor (Em breve).

• ✅ Fase 1: ETL & Configuração do Banco (CSV Bruto $\to$ SQLite).
• ✅ Fase 2: Análise Exploratória SQL (Fatores de risco identificados).
• ✅ Fase 3: Feature Engineering (Criação da variável Target Ideal_Credit_Limit baseada em regras de risco).
• ✅ Fase 4: Pré-processamento de Dados (Limpeza, remoção de IDs e tratamento de valores nulos).
• 🔄 Fase 5 (Próxima): Treinamento do Modelo de Machine Learning.

To reproduce the dataset processing:

# 1. Generate Target Variable (Ideal Limit)
python scripts/feature_engineering.py

# 2. Clean Data for ML (Remove Nulls & IDs)
python scripts/2_preparacao_ml.py

Camila Neri Data Analyst | Python & SQL Enthusiast

LinkedIn | GitHub