M&A-kandidatscout

Det här projektet hjälper dig att hitta bolag som liknar en vald målprofil. I stället för hårda filter väger modellen ihop flera faktorer samtidigt:

• bransch
• bolagsbeskrivning
• omsättning
• marginaler
• tillväxt
• andel återkommande intäkter
• antal anställda
• om bolaget är grundarlett

Syftet är att få fram en kort lista med kandidater som är relevanta utifrån helheten.

Teknik

• Python 3.12+
• pandas och numpy
• scikit-learn (TF-IDF, skalning och KNN)
• Streamlit och Altair
• Faker för testdata

Kom igång

1. Installera beroenden (valfritt om du kör main.py):

pip install -r requirements.txt

2. Kör hela flödet:

python main.py

Detta gör fyra saker i ordning:

1. Installerar beroenden från requirements.txt
2. Skapar testdata i data/raw/synthetic_companies.csv
3. Bygger och sparar modeller i data/processed/
4. Startar Streamlit-appen

Köra stegvis

python src/data_generator.py
python src/similarity_builder.py
streamlit run src/app.py

Struktur

• src/data_generator.py skapar testdata
• src/similarity_builder.py bygger preprocessor och KNN-modell
• src/app.py är gränssnittet
• main.py kör hela kedjan