No setor de Geração Distribuída e faturamento recorrente, a inadimplência de clientes corporativos e residenciais é um dos principais fatores que afetam o fluxo de caixa operacional. Identificar quais clientes possuem maior probabilidade de atrasar suas faturas antes mesmo do vencimento permite a automação de lembretes amigáveis e renegociações preventivas.

Neste artigo, detalho a implementação de um modelo preditivo baseado no algoritmo RandomForestClassifier, integrado diretamente com tabelas do ERP SAP Business One no banco SAP Hana, executado de forma agendada em um ambiente UNIX robusto Oracle Solaris.

A Escolha do Ambiente

O Pipeline Preditivo

1. Extração de Faturas Abertas: Consultas no banco SAP Hana buscando o histórico de pagamentos de clientes (tabela OINV).
2. Engenharia de Recursos (Feature Engineering): Agrupamento por variáveis de dias de atraso histórico, valor da fatura atual e pontualidade anterior.
3. Classificação via Machine Learning:

4.    from sklearn.ensemble import RandomForestClassifier

5. # Modelo treinado periodicamente
6. clf = RandomForestClassifier(n_estimators=100, random_state=42)
7. clf.fit(X_train, y_train)
8. ``
9. Calculadora de Probabilidade (Risk Score): Para cada fatura aberta, é gerada a probabilidade de inadimplência (predict_proba).

score_invoices.py grava só CardCode e Risk_Score` acima de 0,85. O ERP manda o aviso. O modelo não precisa de rota para a internet.

Integração de Negócio