Concesión de
créditos otorgados por la Corporación Financiera Nacional: un análisis
exploratorio de datos EDA
Joseph Paúl Delgado Quijije
Universidad Laica Eloy Alfaro de Manabí,
ULEAM
joseph.delgado@pg.uleam.edu.ec
Manta, Ecuador
Luis Cedeño-Valarezo
Escuela Superior Politécnica Agropecuaria
de Manabí Manuel Félix López
Calceta, Ecuador
DOI: https://doi.org/10.56124/encriptar.v8i16.009
Resumen
El presente estudio aborda
la concesión de créditos otorgados por la Corporación Financiera Nacional (CFN)
en el Ecuador, considerando su rol como entidad pública financiera orientada al
fomento productivo. El objetivo fue analizar, mediante técnicas de análisis
exploratorio de datos (EDA), el comportamiento de los créditos entregados entre
2022 y 2024. Se empleó un enfoque cuantitativo, descriptivo y de corte
transversal, utilizando datos secundarios obtenidos de la plataforma de datos
abiertos de la CFN. La base incluye variables cuantitativas (monto, número de
operaciones) y categóricas (tipo de crédito, operación, estado de operación y
provincia). El análisis se realizó con el lenguaje RStudio a través de paquetes
del entorno tidyverse, se aplicaron
procedimientos de limpieza, análisis univariado, bivariado y
visualización.
Los resultados evidencian
que la mayor proporción de los montos otorgados son inferiores a los USD
10.000, aunque existen valores atípicos significativos. También, se descubre la
existencia de una relación inversa entre el monto y la frecuencia de operaciones,
destacando que los créditos más altos se concedieron a pocos beneficiarios. Las
provincias de Guayas y Pichincha concentran la mayor parte de esas operaciones, lo que evidencia un
sesgo geográfico en su distribución. Por otro lado, el producto "crédito" y el
estado “Original” fueron los más
frecuentes, con una elevada variabilidad. Se concluye que la CFN gestiona
recursos con un patrón en algunos productos y territorios, lo que plantea
incógnitas en la equidad del acceso al financiamiento público y su alcance
redistributivo.
Palabras clave: Concesión, Créditos CFN, EDA.
CREDIT
GRANTING BY THE NATIONAL FINANCIAL CORPORATION: AN EXPLORATORY DATA ANALYSIS (EDA).
ABSTRACT
This study examined the
credit allocation granted by the Corporación Financiera Nacional (CFN) in Ecuador, considering its role
as a public financial institution aimed at fostering productive sectors. The
objective was to analyze the behavior of granted loans between 2022 and 2024
through exploratory data analysis (EDA) techniques. A quantitative,
descriptive, and cross-sectional approach was applied, using secondary data
retrieved from CFN’s open data platform. The dataset included quantitative
variables (loan amount, number of operations) and categorical variables (type
of credit, operation type, loan status, and province). The analysis was
conducted using RStudio and tidyverse packages,
including data cleaning, univariate and bivariate analysis, and visualization
techniques. The results revealed that most of the loans granted were under USD
10,000, though notable outliers were present. An inverse relationship was
identified between loan amounts and the number of operations, indicating that
higher-value loans were granted to fewer beneficiaries. The provinces of Guayas
and Pichincha concentrated the majority of credit
operations, suggesting a geographic bias in credit distribution. Moreover, the
“credit” product and “original” loan status were the most prevalent, both with
high variability. It was concluded that CFN’s financial resources were
channeled through a concentrated pattern across specific products and regions,
raising concerns about the equity and redistributive reach of public financing.
1. Introducción
El acceso al financiamiento
productivo en el Ecuador está anclado en el desarrollo económico y en el tejido
empresarial. En este contexto, la Corporación Financiera Nacional CFN, como banca de
segundo piso, desempeña un rol importante en el sector bancario público con el
objetivo de canalizar recursos hacia la economía local, a través de líneas de
crédito a instituciones financieras privadas (Corporación Financiera Nacional
CFN, 2025).
Cabe señalar que en los
últimos años se ha generado interés desde la academia y por parte del gobierno
central evaluar la efectividad de estos instrumentos financieros, si se toma en
consideración el efecto postpandemia. No obstante, han sido insuficientes los estudios en los que se considere el
análisis de datos con sus técnicas, como el análisis exploratorio de datos EDA
por sus siglas en inglés, que sirve como argumento del presente estudio.
Wickham, Çetinkaya-Rundel y
Grolemund (2019) consideran que no es un proceso formal, riguroso ni regido por un conjunto de reglas
estrictas, es más que un estado
mental, además mencionan que el EDA debe ser libre de
investigar cualquier idea que se le ocurra, algunas de ellas pueden prosperar, en
cambio, otras se encontrarán con
un callejón sin salida. Finalmente, se considera como
parte importante en cualquier análisis.
Los autores abordan un
estudio que examina los patrones de transacción, los límites en los créditos y
su categoría de comercio facilitando información sobre el comportamiento del
consumidor, en ese sentido, se aplica el análisis exploratorio de datos a las
tarjetas de crédito de un determinado banco, además las técnicas aplicadas al
presente estudio se recogen en la estadística descriptiva y análisis de
correlación. (Agarwal et al., 2024)
Romero J. y Cáceres A. (2024)
en su investigación aplican métodos descriptivos con el objetivo de examinar
los factores que afectan la decisión de los consumidores de manta de productos
de aseo y limpieza, en ese mismo orden de ideas, se concluye que el análisis
EDA a partir de su exploración allana el camino de la modelación estadística.
Los autores Abdou y Pointon
(2011) abordan el problema crediticio desde una perspectiva cuantitativa,
haciendo el uso de técnicas estadísticas, ellos explican que el credit scoring
es una herramienta importante y que, aunque no existe una técnica única e
ideal, los métodos clásicos como los avanzados permiten recorrer caminos para
mejorar la inclusión financiera, a través de una calificación eficiente.
El trabajo investigativo de
Angilella y Mazzù (2013) contribuye con un diseño de modelos riesgos
crediticios adaptables a los entornos PYMEs, en el afán de alcanzar la meta la
evaluación de los datos se erige como el punto de partida en la construcción del
modelo, permitiendo superar las limitaciones inherentes al mismo.
Bakoben et al. (2017)
presentan en cambio un enfoque metodológico robusto con el fin de identificar
el riesgo crediticio. Además, los autores declaran que la aplicación de
técnicas estadísticas en la data real de tarjetas de crédito permite validar la
metodología aplicada en contextos operativos auténticos.
Los autores Baesens et al.
(2015) se refieren al credit scoring e introduce múltiples métricas de
rendimiento como AUC, KS-statistic, entre otras y la aplicación de data
dispersa para lograr los resultados. En esa dinámica, se comparan métodos
tradicionales como la regresión logística con nuevos enfoques como boosting y
bagging, generando una fuerte competición.
Bravo et al. (2020) su
investigación representa un avance en el desarrollo de modelos de scoring, la
novedad se basa en la combinación metodológica interdisciplinaria, ciencia de
datos, teoría económica y teoría de redes de manera conjuntan ayudan a resolver
problemas sociales, siendo consecuente, con el presente articulo la exploración
de los datos es de suma importancia para la trilogía declarada por los autores.
Hooman et al. (2016) declaran
que la utilización sistemática de técnicas estadísticas y de minería de datos
permite identificar limitaciones y fortalezas con la comparación de técnicas
relacionadas con la precisión, costo computacional, interpretabilidad y
sensibilidad. Por lo tanto, contribuye a la evolución de la metodología y la
evaluación del riesgo crediticio.
McGrath et al. (2018) exponen
en su investigación desarrollar explicaciones interpretables para las
decisiones de modelos de créditos, entonces para alcanzar el objetivo, se
empieza con la revisión de las variables para identificar la presencia o no de
correlación para evitar el problema de la multicolinealidad y esto ayuda a
mejorar la estabilidad del modelo y su interpretabilidad. Entonces, el análisis
EDA es importante para el acompañamiento en la investigación.
Pardo (2020) en su estudio
demuestra a partir de una regresión logística permite identificar factores
asociados al incumplimiento crediticio, previamente para la estructura del
perfil crediticio se realiza un análisis exploratorio de datos EDA antes de su
estimación. Adicional, se aplica una matriz de correlación con el propósito de
verificar la presencia o ausencia de multicolinealidad. Finalmente, se
evaluaron variables como edad, ingresos, género, tipo d empleo, entre otras.
Sariannidis et al. (2020)
entre sus interrogantes plantean evaluar cómo varía la probabilidad de
incumplimiento considerando factores demográficos y crediticios, en ese mismo
orden y dirección, previo a la modelación se aplica métricas descriptivas y revisión
de correlaciones parte del análisis exploratorio. Por otro lado, también ayuda
a comprender la estructura de la data previo a la aplicación de modelos de
aprendizaje.
Zambrano et al. (2024) en su
artículo se hace referencia a la recolección de información para explorar las
características y patrones del perfil del cliente, en ese mismo sentido, se
plantean herramientas estadísticas para alcanzar dicho fin. Por otro lado, la
importancia de la exploración de la data resuelve en gran medida el objetivo de
la investigación.
Delgado et al. (2024)
analizan la cartera de crédito de las Cooperativas de Ahorro y Crédito del
segmento 1 en Ecuador entre 2018 y 2022. Se analiza la morosidad de información
recogida de fuente oficial de la Superintendencia de Economía Popular y Solidaria
y mediante técnicas exploratorias descriptivas, los autores concluyen que las
cooperativas demostraron ser más resistentes frente a la crisis económica en
paralelo con otros sectores.
2. Metodología (Materiales y métodos)
El presente artículo se
desarrolla en el contexto del análisis de concesión de créditos otorgados por
la Corporación Financiera Nacional CFN en el Ecuador, cuyo rol principal es la
canalización de recursos financieros productivos. El estudio aborda un periodo entre 2022 y 2024 con la
intención de analizar por medio de técnicas de EDA, como se comportan los
créditos y su distribución, en relación con las diversas variables categóricas
y cuantitativas.
La base de datos fue obtenida
de los datos abiertos de la CFN que incluye variables monto otorgado (valor de
las operaciones agrupadas en miles de dólares), tipo de crédito (producto o
línea de crédito otorgada), tipo de operación (clasificación por operaciones de
crédito y operaciones contingentes),
número de operaciones, provincia, sector (agrupación por sectores económicos), entre
otras, y está estructurada en csv.
Para el procesamiento y
análisis de la base de datos, se utiliza el programa estadístico R junto con el
entorno de desarrollo RStudio. Además, se
aplican principalmente las paqueterías tidyverse, ggplot2, dplyr,
skimr, readr y corrplot con la intención primero de limpiar la data y, posteriormente, generar gráficos,
realizar un análisis estadístico descriptivo y la observación de patrones.
Con
respecto al diseño metodológico, este es un enfoque cuantitativo, no
experimental, tipo descriptivo y de corte transversal, así pues, se encuadra en
el paradigma empírico-analítico, teniendo en cuenta que, se parte desde un
análisis sistemático de data real observacional. En ese mismo orden, el EDA fue
considerado como la técnica principal en la identificación de patrones,
relaciones, distribuciones, datos atípicos, estructuras dentro de la base de
datos.
El proceso analítico
contempló cuatro etapas: (1) limpieza y verificación de datos (detección de
valores faltantes y errores), (2) análisis univariado de variables, (3)
análisis bivariado entre variables cuantitativas y categóricas, y (4)
visualizaciones multivariadas y agrupamientos iniciales. Este abordaje permitió
obtener una comprensión preliminar del comportamiento de las operaciones
crediticias de la CFN, en vista de orientar investigaciones posteriores que
requieran la formulación de modelos estadísticos inferenciales.
En el proceso de análisis se
considera cuatro etapas:
1.Limpieza y comprobación de valores faltantes
(NA’s) y errores
2.Análisis univariado de las variables
consideradas en la base de datos
3.Análisis bivariado entre las variables
cuantitativas y cualitativas
4.Visualización de los datos analizados
En el mismo orden de la idea
anterior, este abordaje permite lograr una comprensión inicial con respecto al
comportamiento de las operaciones de créditos otorgadas por la CFN, con el
objetivo de orientar futuras investigaciones que puedan requerir a posteriori
formulación de modelos estadísticos de carácter inferencial.
3. Resultados
(análisis e interpretación de los resultados)
El análisis que corresponde a la variable monto evidencia una leve asimetría positiva, como se observa en la Figura 1, la mayor parte de los créditos otorgados se sitúan por debajo de los USD 10.000, sin embargo, un número minoritario representan valores elevados, por lo tanto, dicho fenómeno genera una distribución con sesgo o asimetría positiva. En ese mismo orden de ideas, dicha concentración indica una estructura de financiamiento donde los créditos de menor valor predominan, caso contrario sucede con los montos altos, estos en cambio distorsionan las medidas de tendencia central.
Figura
1. Distribución del monto de los créditos.
En cambio, como se observa en la Figura 2 la variable número de operaciones, su densidad indica que la mayor parte de los registros corresponde a pocas operaciones, es decir, la minoría con una caída de manera exponencial en correspondencia con el incremento en el número de operaciones. En cambio, se identifican outliers en los rangos que muestran valores entre 40 y 80 operaciones, lo que sugiere que los beneficiarios accedieron a múltiples desembolsos, esto ocurre también por el sector, el subsector y el tipo de actividad económica.
Desde otra perspectiva, más crítica los patrones observados respaldan la hipótesis de la concentración de los créditos en ciertos sectores de la economía. Aunque pareciera que el acceso a los créditos está al alcance de los demandantes, no obstante, el peso financiero de algunos créditos grandes podría condicionar el efecto redistributivo esperado. En ese mismo orden y dirección, coincide Mazzucato (2019) que propone que el valor económico no ostenta una dependencia única de la cantidad de operaciones, más bien de la asignación de los recursos públicos.
Figura
2. Densidad del número de operaciones.
El
gráfico de Box Plot para la variable monto otorgado
refuerza la presencia de múltiples outliers o valores
atípicos. En ese mismo sentido, la mayor parte de los montos se concentran en
la clase inferior, mientras tanto un grupo minoritario de operaciones supera
los valores centrales, alcanzando así hasta los USD 100.000. Esto deja al
descubierto la necesidad de analizar los créditos desde una perspectiva
diferente, es decir, que no sea el limitante de los promedios, caso contrario,
que se contemple la variabilidad y la concentración de los recursos.
Figura 3. Boxplot
del monto
Total del Crédito.
Al contrastar entre el monto
y el número de operaciones, se observa que los valores más altos de crédito
tienden a concentrarse en aquellos deudores con operaciones limitadas. En
cambio, aquellos que realizaron múltiples operaciones acceden a montos más bajos.
Entonces se evidencia una relación inversa, esto se puede deber a políticas
internas de asignación o a diferencias en el perfil de riesgo entre sujetos
institucionales y los empresarios.
Figura 4. Dispersión entre monto y número de operaciones
Como se puede observar en
la Figura 5 se muestra que el tipo de crédito con mayor frecuencia corresponde
a ‘productivo pymes’, el mismo evidencia una tendencia hacia el financiamiento
pequeñas y medianas empresas. Caso contario, se evidencia con ‘microcrédito de
acumulación ampliada’ que representa una menor cantidad de operaciones en
contrastación con el resto de tipos de créditos, en ese orden, se
abren posibilidades de generar estrategias con la finalidad de
estimular este tipo de crédito.
Figura 5. Gráfico de barras de tipo de crédito
En cuanto a la forma de la
distribución geográfica (Figura 6), en las provincias de Guayas y Pichincha se concentran la mayor cantidad de
registros de préstamos, en comparación con el resto de las provincias hay una
diferencia muy amplia. En ese mismo orden y dirección, esto se debe a que estas
provincias ostentan una mayor representación y actividad económica, por
ejemplo, con Bolívar, Morona Santiago, entre otras, que representan préstamos
más bajos lo que indica una penetración débil en el sistema financiero o una
demanda limitada de productos crediticios en dichas zonas.
Figura 6. Gráfico de barras de tipo de crédito por provincia
El análisis comparativo
(Figura 7) del monto otorgado según el tipo de operación confirma que el producto "crédito" es el
principal medio para el financiamiento. En el análisis de los datos se muestra
que los montos grandes y dispersos se relacionan con el tipo de operación, en
ese mismo orden, es que se sugiere que la institución financiera canaliza sus
recursos en una mayor proporción a partir de los créditos directos, mientras
tanto las operaciones contingentes y
factoring operan montos menores y con poca variabilidad.
Figura 7. Boxplot del monto según tipo de operación
(comparativo)
Respecto al estado del número
de operaciones, la Figura 8 evidencia que la mayoría de las operaciones se
encuentran en estado original,a diferencia de las demás categorías.” Esta
categoría presenta una gran variabilidad respecto
al número de operaciones, con valores atípicos por
encima de 80. Caso contrario, sucede con las operaciones novadas,
reestructuradas y refinanciadas, estas tienden a presentar un menor registro
con valores muy similares, lo cual puede presentar procesos con mayor control.
Dicho patrón puede ser de gran utilidad para mitigar el riesgo operativo.
Figura 8. Boxplot del número
de operaciones según estado de operación.
4. Conclusiones
El EDA de los créditos de la
CFN (2022–2024) confirma una estructura asimétrica: muy alta frecuencia de
operaciones de bajo monto junto con una concentración de montos elevados en
pocas operaciones, y una relación inversa entre monto y número de operaciones;
este patrón, sumado a la concentración territorial, tensiona los objetivos de
equidad e inclusión y orienta acciones correctivas y de focalización.
En
términos territoriales, Guayas y Pichincha lideran los registros frente a
provincias de menor dinamismo, lo que exige metas explícitas de
desconcentración y una estrategia de expansión inteligente (brigadas,
ventanillas móviles y alianzas con GAD, MIPYMES y cooperativas de ahorro y
crédito) priorizando territorios rezagados.
En la mezcla de productos, el
liderazgo de Productivo PYMES y la baja participación del Microcrédito de
acumulación ampliada sugieren impulsar instrumentos de microfinanzas con metas
de cobertura por provincia, cuotas para mujeres, jóvenes y ruralidad, líneas
con garantías parciales y documentación simplificada para reducir fricciones de
acceso.
Operativamente, el predominio
del estado “original” con alta variabilidad y outliers demanda tableros de
alertas tempranas, revisión de reglas de originación y un protocolo de
tratamiento de valores extremos (winsorización, reglas de negocio y validaciones)
para disminuir riesgo operativo y sesgos en el seguimiento.
Para monitorear la equidad de
la colocación, se recomienda institucionalizar métricas de concentración: HHI y
Gini por provincia y por producto, participaciones Top‑k y objetivos anuales de
reducción (p. ej., bajar el HHI provincial en 10% y elevar la participación del
microcrédito en 3–5 p.p. anuales), complementadas con indicadores per cápita
(monto y operaciones por 10.000 habitantes) y por PIB provincial.
La CFN podría pilotear
esquemas de originación digital con pre‑evaluaciones ligeras y scoring para
microcrédito, fondos de garantía para reducir requerimientos de colateral y
asistencia técnica a PYMES en gestión financiera, encadenamientos productivos y
formalización, evaluando impactos con diseños cuasi‑experimentales y pruebas
A/B. Estas acciones deben ir acompañadas de un marco de reproducibilidad:
publicar URL y fecha de descarga del dataset, diccionario de variables,
versión/licencia y un anexo con el código en R mínimo para replicar el flujo
(lectura, limpieza, cálculo de métricas y gráficos); actualizar el EDA
trimestralmente para realimentar metas y decisiones.
Finalmente, dada la
naturaleza exploratoria del estudio, los próximos pasos deben incluir modelos
de conteo para el número de operaciones (con offset poblacional), regresiones
cuantílicas para montos, clusterización territorial para tipologías de provincias
y paneles de seguimiento operativo que vinculen variabilidad, outliers y
desempeño con acciones correctivas; todo ello consolidará una política
crediticia pública más inclusiva, territorialmente balanceada y basada en
evidencia.
5. Referencias
Abdou, H. A., & Pointon, J. (2011). Credit scoring, statistical techniques and evaluation criteria: A review of
the literature. Intelligent Systems in Accounting, Finance and Management,
18(1–2), 59–88.
Aldaz Delgado, N. L., & Yaguache Maza, D. M. (2024). Análisis
de la cartera de crédito de las cooperativas de ahorro y crédito del Ecuador
del segmento 1 (2018-2022). Revista RECIAMUC, 8(1), 156-165. https://doi.org/10.26820/reciamuc/8.(1).ene.2024.156-165
Agarwal, A., Prabha,
S., & Yadav, R. (2024). Exploratory Data Analysis for
Banking and Finance: Unveiling Insights and Patterns. arXiv.Org, abs/2407.11976.
https://doi.org/10.48550/arxiv.2407.11976
Angilella, S., & Mazzù, S. (2013). The financing of
innovative SMEs: A multicriteria credit rating model. International Journal
of Production Economics, 146(2), 281–290.
Bakoben, M., Bellotti, T., &
Adams, N. M. (2017). Identification of Credit Risk Based on Cluster Analysis of
Account Behaviours. arXiv:
Statistical Finance. https://doi.org/10.1080/01605682.2019.1582586
Bravo, C., Óskarsdóttir, M., & Sarraute, C.
(2020). The value of big data for credit scoring: Enhancing financial inclusion
using mobile phone data and social network analytics. arXiv.
https://doi.org/10.48550/arXiv.2002.09931
Corporación Financiera Nacional
CFN. (2025). segundo piso. cfn.fin.ec:
https://www.cfn.fin.ec/servicios/segundo-piso/
Lessmann, S., Baesens,
B., Baesens, B., Seow,
H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification
algorithms for credit scoring: An update of research. European Journal of
Operational Research, 247(1), 124–136. https://doi.org/10.1016/J.EJOR.2015.05.030
Hooman, A., Marthandan, G., Yusoff,
W. F. W., Omid, M., & Karamizadeh, S. (2016).
Statistical and data mining methods in credit scoring. Journal of Developing
Areas, 50(5), 371–381.
McGrath, R., Costabello, L., Le Van, C., Sweeney, P., Kamiab, F., Shen, Z.,
& Lecue, F. (2018). Interpretable credit application predictions with counterfactual
explanations. arXiv. https://doi.org/10.48550/arXiv.1811.05245
Pardo, M. A. (2020). Modelización
del riesgo crediticio en una cooperativa de ahorro y crédito mediante regresión
logística. Revista Colombiana de Estadística. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.8266
Romero González J. y Cáceres Larreátegui A. Influencia de redes sociales sobre la
decisión de compra de productos de aseo y limpieza en Manta-Manabí 2024. RefCalE https://doi.org/10.56124/refcale.v13i1.009
Sariannidis, N., Papadakis, S., Garefalakis, A., Lemonakis, C.,
& Kyriaki‑Argyro, T. (2020). Default avoidance
on credit card portfolios using accounting, demographical and exploratory
factors: Decision making based on machine learning (ML) techniques. Annals
of Operations Research, 294, 715–739. https://doi.org/10.1007/s10479-019-03188-0
Wickham, H., Çetinkaya-Rundel, M., & Grolemund,
G. (2019). R for Data Science: Import, Tidy, Transform, Visualize, and Model
Data. O’Reilly.
Zambrano Vera, M. F., Bermúdez
Alvarado, A. L., & Cáceres Larreátegui, A. L.
(2024). Caracterización del perfil del cliente para propuesta de modelo de
negocio e-commerce. Revista Electrónica
Formación y Calidad Educativa (REFCalE), 12(2),
84-89. https://doi.org/10.56124/refcale.v12i2.005