Credit Data Exploration and Analysis with SQL
Esse notebook faz parte do curso SQL para análise de dados da EBAC.
Os dados representam informações de clientes de um banco e contam com as seguintes colunas:
- idade = idade do cliente
- sexo = sexo do cliente (F ou M)
- dependentes = número de dependentes do cliente
- escolaridade = nível de escolaridade do clientes
- salario_anual = faixa salarial do cliente
- tipo_cartao = tipo de cartao do cliente
- qtd_produtos = quantidade de produtos comprados nos últimos 12 meses
- iteracoes_12m = quantidade de iterações/transacoes nos ultimos 12 meses
- meses_inativo_12m = quantidade de meses que o cliente ficou inativo
- limite_credito = limite de credito do cliente
- valor_transacoes_12m = valor das transações dos ultimos 12 meses
- qtd_transacoes_12m = quantidade de transacoes dos ultimos 12 meses
A tabela foi criada no AWS Athena junto com o S3 Bucket com uma versão dos dados disponibilizados em: https://github.com/andre-marcos-perez/ebac-course-utils/tree/main/dataset
A primeira fase da análise é entender o que tem na nossa matéria prima. Vamos a exploração de dados:
Qual a quantidade de informações temos na nossa base de dados?
Query: SELECT count(*) FROM credito
Reposta: 2564 linhas
ps.: A base de dados do link acima contém mais linhas do que a seleção utilizada. Você pode utilizar todas as linhas ou considerar apenas uma fração dos dados. Na prática, quanto maior a quantidade de dados utilizada, mais confiável a análise! Mas existem limites computacionais e financeiros na qual a redução de dados para análise para fins de estudo se torna interessante.
Como são os dados
Query: SELECT * FROM credito LIMIT 10;
É possível reparar que existem algumas informações nulas na tabela (valor na), vamos olhar mais de perto para os valores de cada coluna!
Quais os tipos de cada dado
Query: DESCRIBE credito
Agora que ja entendemos quais são os tipos de dados, vamos olhar mais atentamente para as varíaveis que não são numéricas.
Quais são os tipos de escolaridade disponíveis no dataset?
Query: SELECT DISTINCT escolaridade FROM credito
Os dados contam com vários níveis de escolaridade e é possível perceber que temos valores nulos (na) no dataset, trataremos isso mais tarde!
Será que temos mais valores nulos?
Quais são os tipos de estado_civil disponíveis no dataset?
Query: SELECT DISTINCT estado_civil FROM credito
Novamente encontramos valores nulos nos dados de estado civil!
Quais são os tipos de salario_anual disponíveis no dataset?
Query: SELECT DISTINCT salario_anual FROM credito
Os salários nesse dataset não estão expostas com o valor exato que o cliente ganha. O que está informado é a faixa salarial de cada um. Também contem dados nulos.
Quais são os tipos de cartão disponíveis no dataset?
Query: SELECT DISTINCT tipo_cartao FROM credito
Aqui vemos que não há necessidade de tratar valores nulos.
Essas foram algumas análises extraídas do dataset de crédito.
Alguns insights interessantes:
- a maior parte dos clientes possui renda até 40K
- a maior parte dos clientes é masculino!
- a escolaridade não parece influenciar no limite nem no tipo do cartão
- os clientes com maiores limites são em sua maioria homens
- os clientes com menores limites são em sua maioria mulheres
- dentre os menores limites não há presença de cartão platinum
- a faixa salarial impacta diretamente no limite de crédito
- nao existem clientes com salário anual acima de 60K do sexo feminino
Uma exploração maior dos dados pode explicar porque as mulheres tem menor crédito. Isso também pode ser um problema cultural que pode ser repensado!