Creditas · Credit Risk Analyzer

Creditas  /  Credit Risk Analyzer
● DEMO AO VIVO · DADOS SINTÉTICOS ← case completo
Simulador de análise de crédito
Escolha o tipo de crédito, ajuste valor, renda, histórico e transações e clique em Analisar crédito. O painel acompanha a preparação dos dados, a estimativa de risco e a política que transforma o score em decisão, limite e taxa. Todos os valores são sintéticos.
Tipo de crédito
🚗
Auto
a partir 0,99%/m
🏠
Home Equity
a partir 0,69%/m
💼
Consignado
a partir 1,05%/m
R$ 5.000R$ 80.000R$ 300.000
R$ 2kR$ 12.000R$ 50k
3007201.000
084500
1715
FinOps · data lake metrics
FinOps é a prática de controlar o custo da nuvem. Guardar os dados em Parquet comprimido faz cada consulta varrer bem menos, máquinas Spot no EMR baratearam o processamento e o arquivamento automático reduziu o armazenamento. Números ilustrativos.
Storage (13 TB)
R$ 18.400/m → R$ 11.960/m
Eficiência de leitura menos bytes por consulta
Parquet + Snappy vs CSV −90% scan
Spot instances (EMR) −70% compute
Economia total mensal −35% custo
Pipeline de análise de risco
AWS Glue · EMR Spark · Redshift Spectrum
Latência: :
🛠️ Como foi construído: os jobs eram empacotados em contêineres Docker e rodavam em Kubernetes e em clusters EMR, orquestrados pelo Airflow, com toda a infraestrutura criada por código com Terraform (a chamada Infraestrutura como Código). Assim dava para subir e desligar ambiente sob demanda e pagar só pelo que era usado.
📥
Ingestão · S3 Parquet
Lê histórico de transações (90 dias) do data lake
IDLE
O ponto de partida Lê o histórico de transações (90 dias) guardado no data lake (o Amazon S3), já no formato Parquet, que é comprimido e rápido de ler. As tabelas eram gerenciadas com Apache Hudi: ele permite inserir e atualizar registros novos sem reprocessar a tabela inteira (o que se chama ingestão incremental) e ainda guarda o histórico de versões do dado.
⚙️
Feature Engineering · PySpark
VectorAssembler: DSR, tx_count, stddev, diversity_score
IDLE
Prepara os dados Transforma os dados crus em números que o modelo consegue entender, as chamadas features: o DSR (a fatia da renda já comprometida com dívidas), a quantidade de transações, a variação dos gastos e a diversidade de categorias. Feito em PySpark para processar um volume enorme de dados em paralelo, em vários computadores ao mesmo tempo.
🤖
Modelo de risco · GBTClassifier
Árvores de decisão combinadas para estimar risco de inadimplência
IDLE
O cérebro da decisão GBT significa Gradient-Boosted Trees. Em vez de depender de uma única regra, o algoritmo combina várias árvores de decisão; cada nova árvore corrige parte do erro das anteriores. O conjunto estima a probabilidade de inadimplência, que é convertida em score: quanto maior o risco, menor o score. Nesta reconstrução, o processamento é representado com a MLlib, biblioteca de machine learning do Spark, e dados sintéticos.
📊
Política de Crédito · Redshift Spectrum
Consulta histórico de pagamentos e bureau de crédito
IDLE
Cruza com o histórico Confere o resultado contra o histórico de pagamentos da pessoa e o bureau de crédito (tipo Serasa). O Redshift Spectrum consegue consultar esses dados direto no S3, sem precisar copiá-los para outro banco antes, o que economiza tempo e custo.
✅
Decisão · Motor de Crédito
Compila score final, limite aprovado e taxa personalizada
IDLE
A resposta final Junta tudo (o score do modelo e a política de crédito) e devolve a decisão: aprovado ou não, com o limite, a taxa mensal e a parcela estimada. É o resultado que aparece no card à direita quando a análise termina.
🔍
Configure os parâmetros e clique em
"Analisar crédito" para rodar o pipeline
Resultado da análise de crédito
APROVADO
:
RISK SCORE
APROVADO
Valor aprovado :
Taxa mensal :
Prazo máximo :
DSR calculado :
Garantia :
Parcela estimada :
:
tx / 90 dias
:
DSR ratio
:
diversidade
:
stddev R$
Volume lido por consulta · antes vs depois
Antes (CSV)
varredura ampla
Depois (Parquet)
−90% scan
🏠 Início Conquistas Competências Serviços Contato
Ada Lovelace
✶ Quem me inspira
Ada Lovelace
Sua lição: tenha visão de futuro e olhe além do óbvio. Escreveu o primeiro algoritmo da história.
Grace Hopper
✶ Quem me inspira
Grace Hopper
Sua lição: simplifique o complexo e torne o conhecimento acessível. Criou o primeiro compilador.
Joan Clarke
✶ Quem me inspira
Joan Clarke
Sua lição: talento não tem gênero. Decifrou comunicações nazistas com Alan Turing na 2ª Guerra.
Mulheres do ENIAC
✶ Quem me inspira
Mulheres do ENIAC
Sua lição: em 1945, seis mulheres programaram o primeiro computador eletrônico de grande escala da história.