Este projeto simula o ambiente de um banco digital e foi desenvolvido para aplicar conceitos de modelagem e análise de dados em um contexto realista do setor financeiro.
A ideia é entender como bancos digitais estruturam suas bases de dados, monitoram operações e utilizam informações para gerar insights estratégicos sobre clientes, produtos e rentabilidade.
🚀 Este projeto foi desenvolvido durante o módulo "Explorando Bancos Relacionais e Consultas em SQL" do Bootcamp Klabin - Análise de Dados com Excel e Power BI Dashboards da Digital Innovation One (DIO) em parceria com a Klabin.
O projeto começou com o desafio de desenvolver um modelo relacional no MySQL, simulando o funcionamento de um banco digital com múltiplas áreas — clientes, transações, empréstimos, investimentos, cartões, entre outras.
A partir dessa base de dados, realizei diversas consultas analíticas em SQL, explorando temas como inadimplência, comportamento de consumo, score de crédito e rentabilidade de produtos financeiros.
Entretanto, decidi ir além do desafio original, transformando as análises SQL em uma visualização interativa no Power BI, permitindo explorar os resultados de forma mais visual e intuitiva.
Essa etapa foi essencial para consolidar a análise e comunicar os insights de maneira mais clara e prática, reforçando o uso integrado entre banco de dados e ferramentas de business intelligence.
⚠️ Todos os dados utilizados foram gerados de forma aleatória com o uso de inteligência artificial, garantindo diversidade e realismo sem expor informações sensíveis.
O dashboard do Digital Bank foi criado com o objetivo de traduzir os resultados obtidos no banco de dados em visualizações dinâmicas e analíticas, facilitando a interpretação dos indicadores e a identificação de padrões de comportamento financeiro.
Ele foi estruturado para responder a perguntas de negócio como:
- Qual é o perfil dos clientes de maior valor para o banco?
- Como está a taxa de inadimplência por tipo de produto?
- Quais produtos mais contribuem para a receita total?
- Existe correlação entre score de crédito e engajamento em produtos?
🔗 Acesse o dashboard completo aqui:
Power BI Online — Digital Bank
A estrutura foi desenvolvida para representar o funcionamento de um banco digital, com entidades que simulam clientes, contas, transações, investimentos, empréstimos e produtos financeiros.
Abaixo está o diagrama relacional criado para representar o modelo do banco de dados:
Abaixo estão os espaços reservados para as capturas de tela de cada aba do dashboard:
-
MySQL para criação, estruturação e gerenciamento do banco de dados relacional.
-
Workbench para modelagem visual e desenvolvimento do diagrama entidade-relacionamento (DER).
-
SQL para consultas analíticas, manipulação e exploração dos dados.
-
Git & GitHub para versionamento e hospedagem do projeto.
-
Power BI para criação de dashboards interativos e visualização dos dados.
O banco digital_bank representa as principais entidades e relações de um banco digital, incluindo:
- Cliente: dados cadastrais e status da conta.
- Conta: saldo e movimentações financeiras.
- Cartão e Fatura: limites, pagamentos e histórico de crédito.
- Empréstimo: valores, parcelas e inadimplência.
- Investimento: tipos e valores aplicados.
- Seguros: status e cancelamentos.
- Tarifas: fontes de receita do banco.
- Risco_Cliente: score de crédito.
- Transação: PIX, TED, DOC e transferências internas.
- Limite_Historico: registros de aumento e motivo das alterações de limite.
As consultas foram criadas para responder perguntas de gestão e operação, como:
| Nº | Pergunta | Objetivo |
|---|---|---|
| 1 | Quem são os clientes com contas ativas? | Identificar clientes ativos. |
| 2 | Qual a idade atual de cada cliente? | Entender o perfil demográfico. |
| 3 | Quais clientes possuem saldo maior que a média geral? | Detectar clientes de maior valor. |
| 4 | Quais clientes mais enviaram dinheiro em transações? | Identificar clientes mais movimentados. |
| 5 | Quem são os clientes inadimplentes em empréstimos? | Avaliar risco de crédito. |
| 6 | Quais clientes possuem faturas atrasadas? | Medir inadimplência de cartões. |
| 7 | Quanto o banco arrecadou em tarifas por tipo? | Calcular receita operacional. |
| 8 | Quais são os top 5 clientes com melhor score? | Identificar perfis de baixo risco. |
| 9 | Quanto cada cliente tem investido em produtos ativos? | Avaliar engajamento em investimentos. |
| Análise | Hipótese | Descrição / Objetivo | Conclusão |
|---|---|---|---|
| Limite x Gastos | Clientes com limite mais alto tendem a gastar mais | Verificar se o limite influencia o volume de gastos | Relação positiva identificada: maiores limites estão ligados a maiores volumes de transações |
| Investimentos x Saldo | Clientes que investem mantêm saldos mais altos | Analisar se há correlação entre valor investido e saldo total | Clientes com investimentos ativos possuem saldos mais robustos |
| Inadimplência cruzada | Clientes que atrasam faturas também atrasam empréstimos | Identificar sobreposição entre inadimplências | Parte significativa apresenta atrasos em ambos os produtos |
| Tarifas x Saldo | Receita de tarifas vem de clientes com baixo saldo | Avaliar se clientes de baixo saldo geram mais tarifas | Confirmado: maior receita vem de contas com saldo menor |
| Diversificação x Receita | Clientes com múltiplos produtos geram mais receita | Medir impacto da diversificação na rentabilidade | Clientes com mais produtos ativos geram mais receita |
| Engajamento x Score | Clientes com mais produtos têm score maior | Testar se engajamento reduz risco de crédito | Confirmado: quanto mais produtos, melhor o score médio |
| Limite x Histórico de Pagamento | Aumento de limite está ligado a bom histórico | Verificar se o banco premia bons pagadores | Padrão observado: bons pagadores têm mais aumentos |
| Transações x Perfil de Investimento | Clientes que movimentam valores altos investem mais em risco | Relacionar volume de transações e perfil de investimento | Clientes de alta movimentação investem mais em ações e FIIs |
| Score x Cancelamento de Seguros | Score baixo aumenta taxa de cancelamento | Avaliar se score impacta retenção de seguros | Confirmado: clientes com score baixo cancelam mais seguros |
| 👤 Nome: | Lucas Pimenta Barretto | |
 LinkedIn: |
linkedin.com/in/lucaspimentabarretto | |
| 📧 Email: | lucaspimenta1805@gmail.com | |
| 💼 Portfólio | Data Science Portfolio |