Niemieckie Pożyczki
Stos: #PostgreeSQL #sqllite, Microsoft #Excel #PowerQuery
Co zostało zrobione:
Przetwarzanie danych (#etl): Oczyszczono i usystematyzowano "surowy" zestaw danych (niemieckie dane kredytowe) z 1000 rekordów.
#PostgreeSQL: Napisano serię zapytań za pomocą CTE i Case When do segmentacji klientów według poziomu ryzyka, wieku i celu pożyczki.
Modelowanie w Excelu: Zbudowano zautomatyzowaną tabelę za pomocą funkcji XLOOKUP i IFS do rozszyfrowania kodów kategorycznych. Następnie stworzono tabele przestawne do obliczenia średniego paragonu i procentu przeterminowanych pożyczek według warunków mieszkaniowych i zawodów.
Stworzono raport analityczny, który określa segmenty pożyczkobiorców z najwyższym poziomem ryzyka (np. młodzież z pożyczkami edukacyjnymi), co pozwala na optymalizację polityki kredytowej.
Co zostało zrobione:
Przetwarzanie danych (#etl): Oczyszczono i usystematyzowano "surowy" zestaw danych (niemieckie dane kredytowe) z 1000 rekordów.
#PostgreeSQL: Napisano serię zapytań za pomocą CTE i Case When do segmentacji klientów według poziomu ryzyka, wieku i celu pożyczki.
Modelowanie w Excelu: Zbudowano zautomatyzowaną tabelę za pomocą funkcji XLOOKUP i IFS do rozszyfrowania kodów kategorycznych. Następnie stworzono tabele przestawne do obliczenia średniego paragonu i procentu przeterminowanych pożyczek według warunków mieszkaniowych i zawodów.
Stworzono raport analityczny, który określa segmenty pożyczkobiorców z najwyższym poziomem ryzyka (np. młodzież z pożyczkami edukacyjnymi), co pozwala na optymalizację polityki kredytowej.
Kropywnycki 
Gotowy do podjęcia pracy