Spaces:
Sleeping
Sleeping
| title: CrediFast Risk Analysis | |
| emoji: 🚀 | |
| colorFrom: red | |
| colorTo: red | |
| sdk: streamlit | |
| app_port: 8501 | |
| tags: | |
| - streamlit | |
| pinned: false | |
| short_description: Streamlit template space | |
| license: mit | |
| sdk_version: 1.51.0 | |
| 💰 Dashboard de Análise de Risco de Crédito - CrediFast | |
| Prova Final - Disciplina SIEP | |
| Análise Preditiva, Diagnóstico e Estratégia de Negócio | |
| 📋 Sobre o Projeto | |
| Este painel interativo foi desenvolvido como requisito para a avaliação final da disciplina SIEP. O objetivo é fornecer uma solução completa de Data Science para a fintech CrediFast, abordando desde o diagnóstico do problema de inadimplência até a implementação de modelos de Machine Learning explicáveis (XAI) para suporte à decisão. | |
| 🎯 Objetivos Atendidos | |
| Diagnóstico: Identificação de desbalanceamento de classes e aplicação de SMOTE. | |
| Modelagem: Comparação de múltiplos algoritmos e seleção do XGBoost (focado em Recall para mitigar prejuízos). | |
| Explicabilidade (SHAP): Análise global e local (waterfall plots) para entender o "porquê" de cada decisão. | |
| Clusterização: Segmentação não supervisionada (KMeans) e detecção de anomalias (DBSCAN). | |
| Simulação: Ferramenta interativa para simular novos pedidos de empréstimo em tempo real. | |
| 🚀 Como Executar (Deploy) | |
| Opção 1: Hugging Face Spaces (Recomendado para Entrega) | |
| Este projeto está pronto para rodar na nuvem. Siga os passos: | |
| Crie um novo Space no Hugging Face. | |
| Selecione o SDK Streamlit. | |
| Faça o upload dos seguintes arquivos na aba "Files": | |
| app.py (Código da aplicação) | |
| requirements.txt (Lista de dependências) | |
| credit_risk_dataset.csv (Base de dados do Kaggle) | |
| O sistema irá construir o ambiente automaticamente. Aguarde o status mudar para "Running". | |
| Opção 2: Execução Local | |
| Para rodar em sua máquina: | |
| Instale as dependências: | |
| pip install -r requirements.txt | |
| Execute o app: | |
| streamlit run app.py | |
| 📂 Estrutura dos Arquivos | |
| app.py: O "cérebro" da aplicação. Contém todo o pipeline (limpeza, treino, dashboard). | |
| requirements.txt: Garante que as versões corretas das bibliotecas (xgboost, shap, plotly) sejam instaladas. | |
| credit_risk_dataset.csv: O conjunto de dados original utilizado para treino e teste. | |
| 📊 Funcionalidades do Dashboard | |
| O aplicativo é dividido em 5 abas estratégicas + Barra Lateral: | |
| Simulador (Sidebar): Permite inserir dados de um cliente fictício (Renda, Idade, Valor) e receber a probabilidade de calote na hora. | |
| Aba 1 - Diagnóstico: Visualização da distribuição dos dados e prova do desbalanceamento original. | |
| Aba 2 - Performance: Métricas técnicas (AUC, Recall, Matriz de Confusão) do modelo vencedor. | |
| Aba 3 - SHAP (Explicabilidade): Gráficos que abrem a "caixa preta" do modelo, mostrando quais variáveis pesaram na decisão. | |
| Aba 4 - Segmentação: Mapa 2D (PCA) mostrando os grupos de clientes (KMeans) e outliers (DBSCAN). | |
| Aba 5 - Relatório Gerencial: Texto automático com insights de negócio e plano de ação para a diretoria. | |
| Autor: Bruna Campos Bernardes | |
| Data: Dezembro/2025 |