Comprendre où part l'argent, et anticiper le mois prochain.
La plupart des applications bancaires montrent le passé. J'ai voulu un outil qui explique les habitudes et anticipe : catégoriser sans effort, repérer ce qui sort de l'ordinaire, prévoir les dépenses à venir et transformer tout cela en recommandations concrètes.
Analyse des habitudes
- Catégorisation automatique des transactions et profil financier adaptatif selon la situation.
- Détection d'anomalies : dépenses inhabituelles, motifs récurrents, événements financiers marquants.
- Regroupement par clustering pour faire apparaître des familles de dépenses.
Prévision et recommandations
- Modèles ARIMA (Statsmodels) pour prévoir les dépenses des prochains mois.
- Alertes prédictives pour éviter les découverts.
- Score de santé financière et plan d'épargne calé sur les objectifs de l'utilisateur.
Tableau de bord
Visualisations interactives Plotly dans une interface Streamlit responsive, avec des graphiques adaptés au profil (étudiant, salarié, entrepreneur) et des indicateurs clés lisibles d'un coup d'œil.
Stack
- Interface : Streamlit, déployé sur Streamlit Cloud.
- Data science : Pandas, NumPy, Scikit-learn, Statsmodels.
- Visualisation : Plotly.
- Architecture : Python modulaire, séparation claire entre chargement, analyse, modèles et affichage.
Ce que ce projet montre
Un pipeline data science complet, du nettoyage à la visualisation, avec des modèles de séries temporelles réellement branchés dans une interface utilisable par des non-spécialistes.