Desafio Kognita

---

---

Árvore de diretórios

├── _data
│   └── dataset_2021-5-26-10-14.csv
├── docs
│   ├── 2089-6809-1-PB.pdf
│   └── README.md
├── environment.yml
├── Notebooks
│   ├── Análise Exploratória.ipynb
│   ├── modelo_credit_score
│   ├── Simulador de crédito.ipynb
│   └── X-Health - Pipeline de modelagem.ipynb
├── README.md
└── requirements.txt

---

Descrição do exercício

• Contexto geral - A empresa X-Health atua no comércio B2B vendendo dispositivos eletrônicos voltados para saúde com amplo espectro de preços, e de variada sofisticação/complexidade.

• Sobre as vendas - As vendas são feitas à crédito: o cliente B2B faz seu pedido e paga (à vista ou em várias parcelas, conforme o combinado pelo time de vendas) num tempo futuro pré-determinado.

• O problema - O time financeiro da X-Health tem observado um número indesejável de não-pagamentos ("default" ou calote, em bom português).

• O objetivo - Querem de alguma forma minimizar esse fenômeno. Desejam um algoritmo que seja capaz de inferir a probabilidade de default para um dado pedido.

---

Textos consultados para resolução do exercício

• COELHO, Felipe Fernandes; DE LIMA AMORIM, Daniel Penido; DE CAMARGOS, Marcos Antônio. Analisando métodos de machine learning e avaliação do risco de crédito. Revista Gestão & Tecnologia, v. 21, n. 1, p. 89-116, 2021.
• KOEHRSEN, Will. An Implementation and Explanation of the Random Forest in Python: a guide for using and understanding the random forest by building up from a single decision tree.. A guide for using and understanding the random forest by building up from a single decision tree. 2018. Towards Data Science. Disponível em: https://towardsdatascience.com/an-implementation-and-explanation-of-the-random-forest-in-python-77bf308a9b76. Acesso em: 10 set. 2021

---

Descrição das pastas do repositório

---

Pasta	Descrição
_data	Pasta contendo a base de dados utilizada no exercício
docs	Pasta contendo o arquivo original de descrição do exercício e o pdf de um dos textos consultados
Notebooks	Pasta contendo os notebooks de análise, pipeline do modelo e simulação

---

Descrição dos arquivos do repositório

---

Arquivo	Descrição
requirements.txt	Arquivo contendo as dependências utilizadas no projeto
environment.yml	Arquivo contendo configurações e depemdências necessárias para recriação do ambiente
Notebooks/X-Health - Pipeline de modelagem.ipynb	Notebook contendo o pipeline de limpeza, preparação, modelagem e exportação de modelo
Notebooks/Simulador de crédito.ipynb	Notebook contendo importação, carregamento e testagem simulada do modelo
Notebooks/Análise Exploratória.ipynb	Notebook contendo a análise exploratória da base
docs/README.md	Documento contendo o enunciado original do projeto
docs/2089-6809-1-PB.pdf	PDF do artigo de Coelho et. al (2021).
_data/dataset_2021-5-26-10-14.csv	Arquivo CSV com a base de dados utilizada no projeto

---

Como preparar o ambiente para executar o projeto

---

Clone este repositório no local desejado com o comando:

git clone https://github.com/carolkgn/desafio_kognita.git

Em seguida, em uma terminal navegue até o diretório onde o repositório foi clonado e, dentro da pasta principal desafio_kognita, digite:

conda env create -f environment.yml

Aguarde até que o Anaconda crie o ambiente e instale todas as dependências do arquivo requirements.txt.

Se necessário, é possível instalar as dependências manualmente com o comando:

pip install -r requirements.txt

Após a realização dos passos anteriores digite:

conda activate credto

Isso ativará o ambiente do projeto. Em seguida, digite:

jupyter-lab

ou

jupyter-notebook

para abrir e rodar os notebooks localamente.

Observação: Antes de fazer a instalação do ambiente e das dependências do projeto, certifique-se de possuir uma versão no Anaconda previamente instalada em sua máquina.

É possível encontrar mais informações sobre o Anaconda aqui: https://www.anaconda.com/products/individual-d

---