Concesión de créditos otorgados por la Corporación Financiera Nacional: un análisis exploratorio de datos EDA

Joseph Paúl Delgado Quijije; Luis  Cedeño-Valarezo

doi:10.56124/encriptar.v8i16.009

Autores/as

Joseph Paúl Delgado Quijije Universidad Laica Eloy Alfaro de Manabí ULEAM
Luis Cedeño-Valarezo Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López

DOI:

https://doi.org/10.56124/encriptar.v8i16.009

Palabras clave:

Concesión, Créditos CFN, EDA

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.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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