Instruções: Siga o passo a passo abaixo para compreender e conseguir executar o código em sua máquina

Repositório da equipe Os Inomináveis para o Prêmio Dados Abertos para o Desenvolvimento do BNDES

Hackathon BNDES

O Prêmio Dados Abertos para o Desenvolvimento é uma iniciativa do BNDES para incentivar a colaboração entre governo e sociedade e para estimular o desenvolvimento de estudos, análises e soluções de empreendedorismo tecnológico que contribuam para aprimorar e modernizar a gestão pública.

Com essa iniciativa, pretende-se trazer ganhos à administração pública, com ampliação da participação e controle social e contribuições para a gestão decorrentes da análise dos dados abertos; além de ganhos para a sociedade, por meio da melhoria da gestão pública e do serviço público como um todo.

O Plano de Dados Abertos do BNDES estabelece a governança e a sistemática de publicação e atualização dos dados, além de um cronograma para a abertura das bases do Banco.

Este projeto é uma solução desenvolvida específicamente para o BNDES como proposta para o desafio. Todos os dados utilizados estão disponíveis em bases abertas e seguem o protocolo de segurança de não identificação de usuários. Fonte

Critérios:

a) Impacto: a utilização da aplicação tem impacto relevante na construção do conhecimento, no entendimento e na promoção de iniciativas de gestão de recursos ou de negócio do BNDES, contribuindo, ainda, para a transparência de sua atuação.

b) Usabilidade: a solução se mostra uma ferramenta de fácil compreensão e aplicação pelo analista de negócio do BNDES.

c) Criatividade e originalidade: solução diferenciada, agregando algo de novo ao repertório de análises realizadas pelo BNDES, acrescentando valor às ações do Banco ou transparência para a sociedade.

d) Qualidade técnica: a análise fez uso de técnicas avançadas ou incomuns. Além do uso das funcionalidades prontas, a análise foi sofisticada com o uso de codificação, modelagem matemática, machine learning ou mineração de dados.

Tema escolhido

Operações contratadas na forma indireta automática

Operações de financiamento contratadas e que foram analisadas pelas instituições financeiras credenciadas, no âmbito dos produtos: BNDES FINAME e BNDES Automático.

- Status do Projeto: [Finalizado - Entregue] Vídeo Apresentação/ Apresentação

Descrição do projeto

Com base no problema observado, é de suma importância trazer mais segurança ao agente financeiro de que o risco de crédito da linha de financiamento seja mínimo. E se pudéssemos saber antecipadamente se um empréstimo será pago ? Quais seriam os impactos em ganhos?

Introdução/Objetivo

A proposta do projeto envolve 4 pontos, com o objetivo de predição de investimentos inadimplentes.

1- Análise descritiva dos dados;

2- Identificação de padrão de inadimplência nos financiamentos;

3- Características mais relevantes;

4- Predição de liquidez no prazo definido.

Parceiro

[BNDES]
Website

Métodos Usados

Estatística Inferencial;
Visualização de dados;
Machine Learning, Modelo de predição;

Tecnologias

Python;
Pandas, Jupyter;
Seaborn, Matplotlib;
Profilling;
Requests, Pathlib;
Datetime;
Sklearn;
Lightgbm;
Yellowbricks.

Necessidades do projeto

Exploração de dados / Estatística Descritiva;
Processamento de dados / Limpeza;
Modelagem Estatística;
Storytelling / Relatórios.

Iniciando

Clone este projeto.
Siga as pastas em ordem aqui neste repositório.

Esteja online durante a execução
Exploração dos dados aqui
Machine Learning aqui
Profilling dos dados aqui

Membros :

Nome	Github
Pedro Forastieri de Almeida Prado	@Forastierii
Pedro Paulo de Oliveira Felix	@PedrooFelix

Contato

Se você se interessou entre em contato conosco pelo Linkedin.
Pedro Forastieri
Pedro Felix

Documentação

├── .gitignore               <- Adicione separadamente .gitignore na pasta se necessário.
│                              
├── LICENSE                  <- As permissões desta licença estão condicionadas à disponibilização do código fonte completo.
├── README.md                <- Descrição para os avaliadores do projeto.
│
├── jupyter_notebooks
│   ├── exploração_de_dados  <- Análise descritiva dos dados das operações indiretas.
│   ├── machine_learning     <- Tratamento e modelagem para predição de Inadimplência.
│   ├── profilling           <- Análise de váriáveis, EDA.

Obrigado, Pedro's.

Os-inominaveis/HackathonBNDES