UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE NEGOCIOS

¨INCREMENTO DE LA DEUDA EN EL SECTOR FINANCIERO DEL 2016 AL 2020”

Cuarto Avance – 09 de noviembre del 2021

Curso: Data Science Foundations(AP259)

Sección: YD14

Profesora: Norma Silvana Balarezo Perea

Grupo 1

Integrantes:

De La Calle Paredes, Jorge Fernando U201603284

Espinoza Neyra, Alexandra Solanghe U201921578

Ubillús Balarezo, Stefany Liliana U201923135

2021
 RESUMEN EJECUTIVO

Actualmente, la Data Science es muy beneficioso en la realidad de las nuevas tecnologías

emergentes, permite descifrar grandes volúmenes de información, predecir escenarios, tomar
decisiones y crear soluciones a partir de ellos. Este en uno de los empleos más solicitado en el
siglo XXI. Según el artículo de Davenport y Patil (2012), los científicos de datos pueden
transformar una serie de datos y convertirlos en un verdadero tesoro.

Nuestra investigación está dirigida al rubro del sector financiero peruano, donde se buscará
información indispensable para resolver la problemática sobre el porqué se presenta el
incremento o disminución de la demora de pago de los créditos otorgados a los clientes a
través de un intermediario financiero.

En el presente avance de trabajo, se enfocará en la realidad nacional; la creación del equipo de

datos identificará y comprenderá la problemática para luego comenzar a crear las interrogantes
que nos ayudarán a dar solución al problema.

La metodología empleada se encuentra definida en dos partes, la primera, referida a la

recopilación de fuentes de datos; y, posteriormente, al ordenamiento, análisis y procesamiento
de la misma, con esta información procederemos a buscar la data correcta para finalmente
representarlo mediante gráficos.
 1. PRESENTACIÓN DE LA EMPRESA PARA EL PROYECTO Y FORMACIÓN DEL
EQUIPO PARA LA CIENCIA DE DATOS.

a) Presentación y descripción de la empresa

La Superintendencia de Banca, Seguros y AFP nació como institución en el año 1931, es el

organismo público que vela por la regulación y supervisión de los sistemas financieros. Su

principal objetivo es preservar los intereses de los depositantes, de los asegurados y de los

afiliados al SPP. La SBS es una institución de derecho público cuya autonomía funcional está

reconocida por la Constitución Política del Perú (Superintendencia de Banca, Seguros y AFP

[SBS], s.f.)

Misión:

“Supervisar el buen funcionamiento de los sistemas financiero, de seguros, privado de

pensiones y cooperativo de ahorro y crédito preservando su estabilidad e integridad financiera

y una adecuada conducta de mercado, a fin de proteger los intereses y derechos de los

ciudadanos, y contribuir con el Sistema de Lucha contra el Lavado de Activos y

Financiamiento del Terrorismo y con la Inclusión Financiera, para colaborar con el bienestar y

el desarrollo del país.” (SBS, 2021)

Visión:
“Construir un sistema financiero, de seguros, pensiones y cooperativo sólido, íntegro e

inclusivo.” (SBS, 2021)

Valores:

➢ Integridad : Trabajamos con altos estándares éticos y morales.

➢ Prudencia : Decidimos y actuamos considerando las implicancias para la institución y
nuestra vida personal.
➢ Previsión : Evaluamos los riesgos y oportunidades, anticipándonos a sus impactos con
acciones concretas.
➢ Responsabilidad : Asumimos las tareas que se nos han confiado y respondemos por
ellas.
➢ Vocación de servicio : Ponemos nuestro talento, empatía y dedicación al servicio de
nuestra institución, los ciudadanos y de nuestros sistemas supervisados. SBS(s.f.)

b) Objetivos iniciales del proyecto

El objetivo inicial del proyecto es aprovechar la ciencia de datos para identificar problemas de

endeudamiento en el sistema financiero peruano. Además, necesitamos identificar los factores

directos que influyen en el incremento de la deuda y conocer el comportamiento de los

deudores. También, distinguir el impacto que género la pandemia en el sistema financiero.

Objetivo específico:

● Analizar el comportamiento de los clientes de crédito desde el 2016 hasta el 2020.

c) Propuesta del equipo de datos

Nuestra sugerencia del equipo de ciencia de datos es usar cuidadosamente los datos disponibles

públicamente y usar herramientas analíticas para encontrar los principales problemas que

enfrenta el país en la situación actual.

Nuestro equipo de ciencia de datos se conformará por cinco profesionales que se detallan

líneas abajo:

● Líder del equipo, profesional de la facultad de Administración Gerencial, cursando

estudios de maestría en gestión empresarial, con 9 años de experiencia formando

equipos y capacitando personal.

● Analista financiero, profesional de la carrera de Administrador de Banca y Finanzas

con 5 años de experiencia en el sector financiero

● Recopilador de datos, profesional de la carrera de Ingeniería Informática con más de 6

años de experiencia en el desarrollo de programas del sistema financiero.

● Recopilador de datos, profesional de la carrera de Ingeniería de Sistemas con más de 5

años de experiencia en el sistema financiero.

● Científico de datos, profesional de la carrera de Estadística con más de 5 años de

experiencia en la búsqueda y análisis de datos.

2. COMENZANDO EL PROYECTO

a) Identificación del problema - Comprendiendo el negocio y el problema

(sustentado con datos)
El problema principal es investigar qué factores influenciarían en el incremento de la deuda en

el sector financiero del 2016 al 2020.

Según la Superintendencia de Banca y Seguros, indica que pese a que se ha tenido un

incremento en los activos que se han reportado hasta la fecha indicada se visualiza un aumento

mayor en los últimos años:

Figura N° 1 - Evolución de la morosidad del 2015 a Junio del 2020

Fuente: SBS - Elaboración propia

b) Formulación de preguntas para data science

Con el motivo de conocer los factores por el cual se ha incrementado la deuda en el sector
financiero del 2016 al 2020. Se planteado las siguientes preguntas:

● ¿Cuál crees que es la principal causa que influiría el aumento del endeudamiento?

● ¿Cuáles son los motivos que conlleva a una persona convertirse en deudor?

● ¿Cómo afecta el aumento de la morosidad hoy en día en la economía?

Analizando de manera detenida las preguntas propuestas por el equipo de trabajo, se logró

enfocar la investigación en contestar la siguiente pregunta en cuestión:

c) Enfoque analítico

El enfoque para la investigación será de predictivo, ya que se enfoca en sacer que sucederá si

aumenta el endeudamiento en el Perú. Al usar este enfoque, existe la posibilidad de poder

averiguar a detalle los factores e identificar cuales influyen. Así mismo, nos proporciona

información minuciosa de esta problemática.

Además, debemos responder a las siguientes preguntas al final de nuestro trabajo de

investigación.

¿Qué sucede si continúan estas tendencias?

¿Qué sucederá luego?

3. REQUISITOS Y RECOPILACIÓN DE DATOS

a) Determinación de datos necesarios para responder a las preguntas

Los datos que se necesitan para continuar con el proyecto, sobre la base en la etapa de

requerimientos de datos, serán extraídos de diversas bases públicas, confiables y deben estar

estructurados para así extraer de manera más rápida y sencilla toda la información. Estos deben

ser desde el año 2016 al 2020.

 Presentar la evolución de los niveles de los índices de morosidad.

 Identificar la evolución de la tasa de morosidad

 Conocer las ratios de morosidad según días de incumplimiento.

 Identificar la evolución del indicador de PBI nacional.

 Conocer la evolución de la tasa de desempleo.

 Establecer los números de infectados por el coronavirus.

 Identificar el monto total de crédito otorgados por Tipo de Crédito y Sector Económico.

 Conocer la evolución del número de deudores.

b) Ubicación de fuentes de datos

Las fuentes de datos que se usarán se encuentran en las páginas web de:
  Superintendencia de banca, seguros y AFP (SBS)

 Ministerio de Economía y Finanzas (MEF)

 Instituto Nacional de Estadística (INEI)

 Plataforma digital única del Estado Peruano

 Superintendencia de Mercados y Valores (SMV)

 Banco Central de Reserva del Perú (BCRP)

- Entre otros.

https://www.sbs.gob.pe/app/stats_net/stats/EstadisticaBoletinEstadistico.aspx?p=1#

https://www.inei.gob.pe/estadisticas/indice-tematico/price-indexes/

https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/resultados/PN38063GM/html/
2016-1/2021-9/

https://www.mef.gob.pe/es/?option=com_content&language=es-
ES&Itemid=100236&lang=es-ES&view=article&id=266

https://www.smv.gob.pe/

c) Presentación de datos recopilados

En esta base de datos adquirida por SBS, podemos encontrar datos importantes sobre
insolvencia por tipo de cliente y tipo de producto adquirido, presentados a continuación con los
siguientes datos:
Figura N° 2 - Créditos Directos y Número de Deudores de la Banca Múltiple del 2016 al
2020
Fuente: SBS
Figura N° 3 –Crédito de Consumo de la Banca Múltiple acumulado del 2016 al 2020

CRÉ DITO DE CONSUMO

S/ 60,000,000.00

S/ 50,000,000.00

S/ 40,000,000.00

S/ 30,000,000.00

S/ 20,000,000.00

S/ 10,000,000.00

S/ -
Dec-16 Dec-17 Dec-18 Dec-19 Dec-20

Fuente: Elaboración propia

Figura N° 4 - Créditos Hipotecario de la Banca Múltiple acumulado del 2016 al 2020

CRÉ DITO HIPOTECARIO ACUMULADO

S/ 350,000,000.00

S/ 300,000,000.00

S/ 250,000,000.00

S/ 200,000,000.00

S/ 150,000,000.00

S/ 100,000,000.00

S/ 50,000,000.00

S/ -
Dec-16 Dec-17 Dec-18 Dec-19 Dec-20

Fuente: Elaboración propia

Figura N° 5 –Crédito de Empresa de la Banca Múltiple acumulado del 2016 al 2020

CRÉ DITO DE EMPRESA

S/ 60,000,000.00

S/ 50,000,000.00

S/ 40,000,000.00

S/ 30,000,000.00

S/ 20,000,000.00

S/ 10,000,000.00

S/ -
Dec-16 Dec-17 Dec-18 Dec-19 Dec-20

Fuente: Elaboración propia

Figura N° 6 – Total de Créditos de la Banca Múltiple acumulado del 2016 al 2020

TOTAL DE CRÉ DITOS ACUMULADO POR AÑ O

S/ 350,000,000.00

S/ 300,000,000.00

S/ 250,000,000.00

S/ 200,000,000.00

S/ 150,000,000.00

S/ 100,000,000.00

S/ 50,000,000.00

S/ -
Dec-16 Dec-17 Dec-18 Dec-19 Dec-20
Fuente: Elaboración propia
Figura N° 7 – Total de Créditos de la Banca Múltiple acumulado y Número de deudores del
2016 al 2020

NÚ MERO DE DEUDORES Y TOTAL DE CRÉ DITO TOTAL

S/ 350,000,000.00 S/ 326,021,798.00

S/ 300,000,000.00 S/ 286,085,699.00
S/ 270,662,412.00
S/ 245,551,558.00
S/ 235,371,431.00
S/ 250,000,000.00

S/ 200,000,000.00

S/ 150,000,000.00

S/ 100,000,000.00

S/ 50,000,000.00
7998376 7980628 8133049 8149487 7562238
S/ -
Dec-16 Dec-17 Dec-18 Dec-19 Dec-20
Axis Title

Fuente: Elaboración propia

Figura N° 8 – Tasa efectiva MN Y Tasa efectiva ME del 2016 al 2020

Fuente: SBS
Figura N° 9 – Producto Bruto Interno (2016-2020)

Fuente: BCRP
Figura N° 9 – Índice de precios al consumidor de Lima (2016-2020)

Fuente: Instituto Nacional de Estadística e Informática (INEI)

Figura N° 10 – Tipo de cambio (Compraventa de dólares) (2016-2020)

Fuente: Superintendencia de Banca y Seguros (SBS)

Figura N° 11 – Tasa de desempleo en porcentaje (2016-2020)

Fuente: BCRP
Figura N° 12 – Morosidad en porcentaje del 2016 al 2020

Fuente: Superintendencia de Banca y Seguros (SBS)

Número de infectados por covid-19 en el año 2020

Para evaluar el último año de 2020 se consideró una variable adicional, que es la cantidad de

personas infectadas con COVID 19, sobre esta base proporcionada por el Johns Hopkins

Coronavirus Resource Center pudimos encontrar la progresión diaria de la cantidad de

personas infectadas. , así como muertes por enfermedad.

Figura N° 12 – Nuevos casos de Covid 19 al 31 de diciembre de 2020

Fuente: Johns Hopkins University & Medicine

 4. COMPRESIÓN Y PREPARACIÓN DE DATOS
Para el caso de estudio de estudio hemos trabajado distintas bases de datos mediante Excel, en

donde podemos usar tablas y gráficos para analizar

En el siguiente cuadro se analizará si existe relación entre los créditos otorgados y la Tasa

efectiva: el grafico muestra una correlación negativa a mayor Tasa se reduce los créditos

otorgados.

Creditos otorgados- Curva de Regresió n Lineal Ajustada

400,000,000

350,000,000y = -2E+07x + 6E+08 R² = 0.8452

Creditos otorgados

300,000,000

250,000,000

200,000,000

150,000,000

100,000,000

50,000,000

05 10 15 20
Tasa Efectiva
En la siguiente figura podemos observar una relación entre los créditos otorgados y el tipo de
cambio.

Créditos otorgados - Curva de Regresió n Ajustada

400,000,000y = 2E+08x - 5E+08
350,000,000R² = 0.4563
Creditos otorgados

300,000,000
250,000,000
200,000,000
150,000,000
100,000,000
50,000,000
-
3.153.23.253.33.353.43.453.53.553.63.65
Tipo de cambio

En el siguiente cuadro podemos visualizar que existe una relación inversa entre los créditos
atrasados y tasa efectiva.

Créditos Atrasados- Curva de Regresió n Lineal Ajutada

4.50
4.00 y = -0.0888x + 4.7669
Créditos atrasados

3.50 R² = 0.4498
3.00
2.50
2.00
1.50
1.00
0.50
0.00
02468 10 12 14 16 18 20
Tasa Efectiva

En el siguiente cuadro podemos visualizar la relación de la tasa de desempleo y la morosidad

 Ratio de Morosidad 30 dias-Curva de Regresió n Lineal
Ajustada
10
Ratio de Morosidad 30

y = 0.1584x + 4.2079
8R² = 0.5467
6

0
0246810121416 18
Tasa de desempleo (%)

a) Revisión y depuración de datos que se usarán en el estudio

En esta etapa nos encargaremos de revisar las distintas variables a trabajar y verificar si la data

recopilada es relevante para nuestra investigación. Después de analizar todas las variables

podemos observar que las otras variables no existen una correlación que nos pueda ayudar para

la resolución de la pregunta de investigación.

 No se tomará como relevante del ratio promedio de incumplimiento de pago por mes y

por días de retraso

 Posteriormente, los datos limpios se transferirán a un modelo de aprendizaje

automático para la predicción de ocurrencia de del incumplimiento de las deudas.

 Estos datos se eliminarán de nuestra data:

Figura N° – Ratio de incumplimiento de pago por mes y por días de retraso del 2016 al
2020

Fuente: SBS
 b) Presentación de datos a utilizar para el estudio
Para la presentación de los datos hemos considerado algunos factores socioeconómicos y datos

relevantes de la SBS.
 CRÉDITOS OTORGADOS - TASA EFECTIVA- TIPO DE CAMBIO
Y X1 x2

Creditos otorgados en
Meses Tasa Efectiva Tipo de cambio
miles de soles (S/)
Ene-16 S/ 255,186,220.57 16.23580645 S/ 3.47
Feb-16 S/ 256,646,860.67 16.12931034 S/ 3.53
Mar-16 S/ 254,500,117.48 16.05483871 S/ 3.33
Abr-16 S/ 255,271,198.56 15.98733333 S/ 3.27
May-16 S/ 256,767,486.26 16.02 S/ 3.37
Jun-16 S/ 256,274,973.98 16.2 S/ 3.29
Jul-16 S/ 259,788,067.28 16.37774194 S/ 3.36
Ago-16 S/ 260,887,124.56 16.4983871 S/ 3.40
Set-16 S/ 262,045,228.35 16.84466667 S/ 3.40
Oct-16 S/ 261,441,119.48 17.06419355 S/ 3.37
Nov-16 S/ 264,713,372.90 17.02733333 S/ 3.41
Dic-16 S/ 265,625,045.77 17.15645161 S/ 3.36
Ene-17 S/ 262,962,271.98 17.76580645 S/ 3.29
Feb-17 S/ 263,285,984.41 17.06785714 S/ 3.26
Mar-17 S/ 263,843,500.86 16.95935484 S/ 3.25
Abr-17 S/ 264,837,633.65 16.844 S/ 3.25
May-17 S/ 266,304,941.02 16.77935484 S/ 3.27
Jun-17 S/ 265,657,964.40 17.084 S/ 3.26
Jul-17 S/ 267,970,561.45 17.09612903 S/ 3.24
Ago-17 S/ 268,914,357.18 16.93322581 S/ 3.24
Set-17 S/ 271,706,595.80 16.64566667 S/ 3.27
Oct-17 S/ 273,706,457.61 16.40354839 S/ 3.25
Nov-17 S/ 277,538,247.15 16.1 S/ 3.24
Dic-17 S/ 280,150,574.61 15.79741935 S/ 3.25
Ene-18 S/ 279,237,498.62 15.8883871 S/ 3.22
Feb-18 S/ 281,372,245.54 15.69321429 S/ 3.26
Mar-18 S/ 283,576,089.16 15.11354839 S/ 3.23
Abr-18 S/ 287,193,573.28 14.16233333 S/ 3.25
May-18 S/ 290,739,627.30 14.06774194 S/ 3.27
Jun-18 S/ 292,226,427.54 14.09466667 S/ 3.27
Jul-18 S/ 293,156,592.67 14.06258065 S/ 3.27
Ago-18 S/ 294,865,961.33 14.21709677 S/ 3.30
Set-18 S/ 298,028,604.40 14.302 S/ 3.30
Oct-18 S/ 302,122,401.98 14.16193548 S/ 3.37
Nov-18 S/ 304,054,611.70 14.23033333 S/ 3.38
Dic-18 S/ 308,943,623.59 14.29580645 S/ 3.38
Ene-19 S/ 305,669,658.99 14.32096774 S/ 3.34
Feb-19 S/ 304,283,600.73 14.35857143 S/ 3.31
Mar-19 S/ 309,258,808.51 14.49258065 S/ 3.32
Abr-19 S/ 310,769,912.74 14.509 S/ 3.31
May-19 S/ 314,798,578.41 14.47806452 S/ 3.37
Jun-19 S/ 314,740,383.01 14.589 S/ 3.29
Jul-19 S/ 316,442,358.09 14.50096774 S/ 3.31
Ago-19 S/ 321,098,746.52 14.43548387 S/ 3.40
Set-19 S/ 322,170,728.04 14.41933333 S/ 3.39
Oct-19 S/ 325,656,457.48 14.24451613 S/ 3.35
Nov-19 S/ 330,103,012.44 14.192 S/ 3.40
Dic-19 S/ 328,804,301.58 14.08483871 S/ 3.32
Ene-20 S/ 329,539,885.87 14.35096774 S/ 3.38
Feb-20 S/ 332,616,529.28 14.21655172 S/ 3.45
Mar-20 S/ 337,424,696.51 14.05548387 S/ 3.44
Abr-20 S/ 337,762,989.08 13.36433333 S/ 3.38
May-20 S/ 358,780,871.61 12.78225806 S/ 3.43
Jun-20 S/ 356,680,871.61 12.44433333 S/ 3.54
Jul-20 S/ 366,190,684.60 12.28870968 S/ 3.53
Ago-20 S/ 369,671,248.63 12.34354839 S/ 3.55
Set-20 S/ 369,919,508.56 12.44233333 S/ 3.60
Oct-20 S/ 371,593,052.20 12.4983871 S/ 3.62
Nov-20 S/ 371,634,903.07 12.37366667 S/ 3.61
Dic-20 S/ 370,761,408.40 12.10096774 S/ 3.62
Fuente: SBS Elaboración
propia Página 26 | 33
 % MOROSIDAD - TASA EFECTIVA % MOROSIDAD A 30 DÍAS - TASA DESEMPLEO
y x1 y x2

% Morosidad Ratio de Morosidad 30 Tasa de

Meses Tasa Efectiva Meses
de los créditos dias Desempleo
Ene-16 3.01 16.23580645 Ene-16 5.17 6.58975669
Feb-16 3.07 16.12931034 Feb-16 5.28 6.90086848
Mar-16 3.08 16.05483871 Mar-16 5.39 7.22208144
Abr-16 3.13 15.98733333 Abr-16 5.39 6.97989434
May-16 3.24 16.02 May-16 5.25 7.10830212
Jun-16 3.21 16.2 Jun-16 5.14 6.97788313
Jul-16 3.20 16.37774194 Jul-16 5.04 7.10088245
Ago-16 3.26 16.4983871 Ago-16 5 6.81075548
Set-16 3.20 16.84466667 Set-16 4.95 6.50809317
Oct-16 3.29 17.06419355 Oct-16 4.98 6.19828229
Nov-16 3.29 17.02733333 Nov-16 4.95 5.83645443
Dic-16 3.09 17.15645161 Dic-16 4.95 6.24458937
Ene-17 3.27 17.76580645 Ene-17 5.18 7.19526718
Feb-17 3.31 17.06785714 Feb-17 5.34 7.73794666
Mar-17 3.32 16.95935484 Mar-17 5.55 7.73398635
Abr-17 3.39 16.844 Abr-17 5.71 6.81954061
May-17 3.46 16.77935484 May-17 5.31 6.60362704
Jun-17 3.41 17.084 Jun-17 5.28 6.92502562
Jul-17 3.43 17.09612903 Jul-17 5.23 7.06238083
Ago-17 3.42 16.93322581 Ago-17 5.5 6.67669631
Set-17 3.38 16.64566667 Set-17 5.52 6.42792956
Oct-17 3.45 16.40354839 Oct-17 5.67 6.19946092
Nov-17 3.41 16.1 Nov-17 5.6 6.56053656
Dic-17 3.32 15.79741935 Dic-17 5.36 6.45494866
Ene-18 3.42 15.8883871 Ene-18 5.24 7.30044124
Feb-18 3.55 15.69321429 Feb-18 5.44 8.02741813
Mar-18 3.42 15.11354839 Mar-18 5.78 8.0613652
Abr-18 3.47 14.16233333 Abr-18 5.91 7.32452456
May-18 3.48 14.06774194 May-18 5.9 6.63680234
Jun-18 3.46 14.09466667 Jun-18 5.81 6.22298549
Jul-18 3.54 14.06258065 Jul-18 5.78 6.16838916
Ago-18 3.61 14.21709677 Ago-18 5.79 6.08489846
Set-18 3.47 14.302 Set-18 5.37 6.18188758
Oct-18 3.49 14.16193548 Oct-18 5.37 6.42593337
Nov-18 3.46 14.23033333 Nov-18 5.28 6.24763419
Dic-18 3.33 14.29580645 Dic-18 5.05 6.12694764
Ene-19 3.43 14.32096774 Ene-19 5.17 6.47625185
Feb-19 3.47 14.35857143 Feb-19 5.26 7.55905812
Mar-19 3.42 14.49258065 Mar-19 4.89 8.15790975
Abr-19 3.48 14.509 Abr-19 4.98 7.33131694
May-19 3.53 14.47806452 May-19 4.97 6.7099816
Jun-19 3.50 14.589 Jun-19 4.93 6.30799548
Jul-19 3.54 14.50096774 Jul-19 4.85 6.00379187
Ago-19 3.55 14.43548387 Ago-19 4.87 5.82743016
Set-19 3.51 14.41933333 Set-19 4.93 5.74980872
Oct-19 3.49 14.24451613 Oct-19 4.94 6.41770086
Nov-19 3.46 14.192 Nov-19 5.01 6.32622239
Dic-19 3.41 14.08483871 Dic-19 4.94 6.10219634
Ene-20 3.52 14.35096774 Ene-20 5.12 6.33855193
Feb-20 3.52 14.21655172 Feb-20 5.13 7.06807743
Mar-20 3.55 14.05548387 Mar-20 5.1 7.76643341
Abr-20 3.76 13.36433333 Abr-20 5.66 8.98246837
May-20 3.47 12.78225806 May-20 6.05 13.1240841
Jun-20 3.38 12.44433333 Jun-20 5.55 16.2800442
Jul-20 3.40 12.28870968 Jul-20 5.79 16.3732194
Ago-20 3.46 12.34354839 Ago-20 5.99 15.5666222
Set-20 3.66 12.44233333 Set-20 7.17 16.5316298
Oct-20 3.88 12.4983871 Oct-20 7.55 16.4300203
Nov-20 4.05 12.37366667 Nov-20 7.88 15.1259988
Dic-20 4.19 12.10096774 Dic-20 7.68 13.8403719
Fuente: SBS Elaboración Fuente: SBS Elaboración
propia propia Página 27 | 33
 y x Y X

Créditos atrasados en miles Creditos otorgados en Créditos atrasados en miles

Meses N° Deudores Meses
de soles (S/) miles de soles (S/) de soles (S/)
Ene-16 6229267 S/ 7,675,225.94 Ene-16 S/ 255,186,220.57 S/ 7,675,225.94
Feb-16 6323478 S/ 7,889,925.46 Feb-16 S/ 256,646,860.67 S/ 7,889,925.46
Mar-16 6218158 S/ 7,835,230.37 Mar-16 S/ 254,500,117.48 S/ 7,835,230.37
Abr-16 6252687 S/ 7,998,037.33 Abr-16 S/ 255,271,198.56 S/ 7,998,037.33
May-16 6263044 S/ 8,309,887.17 May-16 S/ 256,767,486.26 S/ 8,309,887.17
Jun-16 6315554 S/ 8,217,360.69 Jun-16 S/ 256,274,973.98 S/ 8,217,360.69
Jul-16 6332144 S/ 8,310,342.54 Jul-16 S/ 259,788,067.28 S/ 8,310,342.54
Ago-16 6338515 S/ 8,495,705.06 Ago-16 S/ 260,887,124.56 S/ 8,495,705.06
Set-16 6360639 S/ 8,385,776.26 Set-16 S/ 262,045,228.35 S/ 8,385,776.26
Oct-16 6377508 S/ 8,608,442.33 Oct-16 S/ 261,441,119.48 S/ 8,608,442.33
Nov-16 6415712 S/ 8,702,116.60 Nov-16 S/ 264,713,372.90 S/ 8,702,116.60
Dic-16 6452634 S/ 8,213,279.37 Dic-16 S/ 265,625,045.77 S/ 8,213,279.37
Ene-17 6491946 S/ 8,610,901.28 Ene-17 S/ 262,962,271.98 S/ 8,610,901.28
Feb-17 6499691 S/ 8,723,180.04 Feb-17 S/ 263,285,984.41 S/ 8,723,180.04
Mar-17 6529955 S/ 8,766,702.70 Mar-17 S/ 263,843,500.86 S/ 8,766,702.70
Abr-17 6551627 S/ 8,967,566.74 Abr-17 S/ 264,837,633.65 S/ 8,967,566.74
May-17 6574592 S/ 9,209,201.37 May-17 S/ 266,304,941.02 S/ 9,209,201.37
Jun-17 6608135 S/ 9,054,210.72 Jun-17 S/ 265,657,964.40 S/ 9,054,210.72
Jul-17 6623155 S/ 9,187,959.17 Jul-17 S/ 267,970,561.45 S/ 9,187,959.17
Ago-17 6626407 S/ 9,202,853.85 Ago-17 S/ 268,914,357.18 S/ 9,202,853.85
Set-17 6659309 S/ 9,187,951.66 Set-17 S/ 271,706,595.80 S/ 9,187,951.66
Oct-17 6678307 S/ 9,430,518.13 Oct-17 S/ 273,706,457.61 S/ 9,430,518.13
Nov-17 6714394 S/ 9,463,211.49 Nov-17 S/ 277,538,247.15 S/ 9,463,211.49
Dic-17 6747498 S/ 9,299,111.69 Dic-17 S/ 280,150,574.61 S/ 9,299,111.69
Ene-18 6779939 S/ 9,537,205.59 Ene-18 S/ 279,237,498.62 S/ 9,537,205.59
Feb-18 6788415 S/ 9,979,771.89 Feb-18 S/ 281,372,245.54 S/ 9,979,771.89
Mar-18 6813634 S/ 9,691,117.90 Mar-18 S/ 283,576,089.16 S/ 9,691,117.90
Abr-18 6835819 S/ 9,954,175.95 Abr-18 S/ 287,193,573.28 S/ 9,954,175.95
May-18 6867682 S/ 10,128,059.88 May-18 S/ 290,739,627.30 S/ 10,128,059.88
Jun-18 6906063 S/ 10,117,204.33 Jun-18 S/ 292,226,427.54 S/ 10,117,204.33
Jul-18 6919103 S/ 10,378,937.58 Jul-18 S/ 293,156,592.67 S/ 10,378,937.58
Ago-18 6915307 S/ 10,644,582.45 Ago-18 S/ 294,865,961.33 S/ 10,644,582.45
Set-18 6949136 S/ 10,329,391.27 Set-18 S/ 298,028,604.40 S/ 10,329,391.27
Oct-18 6966028 S/ 10,555,129.32 Oct-18 S/ 302,122,401.98 S/ 10,555,129.32
Nov-18 7005303 S/ 10,532,161.09 Nov-18 S/ 304,054,611.70 S/ 10,532,161.09
Dic-18 7020634 S/ 10,284,256.92 Dic-18 S/ 308,943,623.59 S/ 10,284,256.92
Ene-19 7026254 S/ 10,485,153.12 Ene-19 S/ 305,669,658.99 S/ 10,485,153.12
Feb-19 7025744 S/ 10,544,932.71 Feb-19 S/ 304,283,600.73 S/ 10,544,932.71
Mar-19 7051884 S/ 10,569,805.15 Mar-19 S/ 309,258,808.51 S/ 10,569,805.15
Abr-19 7090187 S/ 10,826,395.06 Abr-19 S/ 310,769,912.74 S/ 10,826,395.06
May-19 7127941 S/ 11,119,428.36 May-19 S/ 314,798,578.41 S/ 11,119,428.36
Jun-19 7190826 S/ 11,000,825.29 Jun-19 S/ 314,740,383.01 S/ 11,000,825.29
Jul-19 7237689 S/ 11,213,983.59 Jul-19 S/ 316,442,358.09 S/ 11,213,983.59
Ago-19 7268162 S/ 11,387,061.72 Ago-19 S/ 321,098,746.52 S/ 11,387,061.72
Set-19 7334186 S/ 11,314,013.88 Set-19 S/ 322,170,728.04 S/ 11,314,013.88
Oct-19 7376946 S/ 11,381,370.73 Oct-19 S/ 325,656,457.48 S/ 11,381,370.73
Nov-19 7425096 S/ 11,422,831.73 Nov-19 S/ 330,103,012.44 S/ 11,422,831.73
Dic-19 7482502 S/ 11,220,911.67 Dic-19 S/ 328,804,301.58 S/ 11,220,911.67
Ene-20 7507735 S/ 11,609,597.75 Ene-20 S/ 329,539,885.87 S/ 11,609,597.75
Feb-20 7548189 S/ 11,713,314.07 Feb-20 S/ 332,616,529.28 S/ 11,713,314.07
Mar-20 7579127 S/ 11,990,446.01 Mar-20 S/ 337,424,696.51 S/ 11,990,446.01
Abr-20 7534824 S/ 12,702,573.44 Abr-20 S/ 337,762,989.08 S/ 12,702,573.44
May-20 7402463 S/ 12,432,674.80 May-20 S/ 358,780,871.61 S/ 12,432,674.80
Jun-20 7318167 S/ 12,242,642.11 Jun-20 S/ 356,680,871.61 S/ 12,052,609.43
Jul-20 7233871 S/ 12,052,609.43 Jul-20 S/ 366,190,684.60 S/ 12,052,609.43
Ago-20 7175480 S/ 12,450,483.28 Ago-20 S/ 369,671,248.63 S/ 12,450,483.28
Set-20 7173134 S/ 12,773,138.26 Set-20 S/ 369,919,508.56 S/ 12,773,138.26
Oct-20 7186957 S/ 13,554,614.55 Oct-20 S/ 371,593,052.20 S/ 13,554,614.55
Nov-20 7234932 S/ 14,426,130.69 Nov-20 S/ 371,634,903.07 S/ 14,426,130.69
Dic-20 7233252 S/ 15,035,387.71 Dic-20 S/ 370,761,408.40 S/ 15,035,387.71

Página 28 | 33
 5. MODELADO E HISTORIA

a) Determinación del modelo más apropiado para la descripción o predicción

El modelo más apropiado para nuestro trabajo será el predictivo, debido a que necesitamos

poder predecir resultados a futuros. Nuestro objetivo principal es identificar problemas de

endeudamiento para contrarrestar el impacto reciente en el sistema financiero de la pandemia

de COVID 19.

b) Descripción de los hallazgos, ¿qué se descubrió?, comience a contar una historia y

planifique la visualización

Fuente: Elaboración propia

Página 29 | 33
De acuerdo a la data obtenida de diferentes fuentes podemos realizar un comparativo entre la

tasa efectiva versus los créditos vencidos, el primer hallazgo es que existe una relación inversa

o indirecta entra ambos factores, a mayor tasa menor créditos vencidos y a menor tasa mayor

cantidad de créditos vencidos. Podemos explicar esto debido que al encarecer los créditos hay

menor demanda de estos por ende menor cantidad de créditos vencidos.

Fuente: Elaboración propia.

En el segundo hallazgo podemos ver la relación inversa o indirecta entre un crédito otorgado y

la tasa efectiva anual, es decir mientras el Tasa efectiva disminuye, los créditos otorgados

aumentan.

Página 30 | 33
Fuente: Elaboración propia

Página 31 | 33
El tercer hallazgo consiste en la relación directa que existe entre créditos otorgados y créditos

atrasados en el período año 2016 al 2020, se concluye que a mayores créditos otorgados mayor

será la cantidad de créditos atrasados, sin embargo, en el factor de créditos atrasados presenta

una tendencia en el mes de diciembre y un incremento en el mes de mayo. En el año 2020, se

puede observar en el último trimestre que las entidades financieras al observar el incremento

atípico en créditos atrasados optan por ser más conservadores al momento de otorgar los

créditos.

Fuente: Elaboración propia

Así mismo se evidencia la relación existente entre la cantidad de número de deudores y el

importe total de créditos atrasados. En la siguiente gráfica se observa la relación directa que

este tiene, esta gráfica muestra que el número de deudores fue incrementando hasta el 2019 sin

embargo en el año 2020 este número al ser un caso atípico se muestra una reducción de

número de deudores desde mayo 2020 hasta julio 2020 posiblemente por efectos del inicio de

la pandemia.

Página 32 | 33
 Fuente: Elaboración propia

En la siguiente gráfica hacemos foco al año 2020, se pude visualizar que en abril 2020 se

observa que el número de deudores y créditos atrasados fue reducido, esto fue a las distintas

facilidades de pago por parte de las entidades financieras que daban opciones de

refinanciamiento y reprogramaciones, sin embargo, los créditos atrasados se incrementaron

debido a la pérdida de empleo de muchos clientes y problemas en la salud.

Fuente: Elaboración propia

De acuerdo al siguiente cuadro se puede concluir que el comportamiento del tipo de cambio

frente a los créditos otorgados no guardan relación o no influyen entre sí, ya que el tc tuvo

muchas fluctuaciones, sin embargo, los créditos se mantuvieron en ascenso.

Página 33 | 33
 Fuente: Elaboración propia

En este cuadro se puede visualizar el comportamiento de la tasa de desempleo frente a la tasa

de morosidad donde tenemos que se ha mantenido constante la subida de la tasa de morosidad

mientras la tasa de desempleo el último año se incrementó en proporción mayor debido a la

llegada del COVID.

Página 34 | 33
 Fuente: Elaboración propia

c) Estrategia de implementación

Se busca identificar porqué existe un incremento o disminución de la demora de pago de

algunos créditos en el sector financiero por parte de los clientes. Primero tenemos que evaluar

el modelo para poder ponerlo a prueba y en función a este implementar una estrategia que nos

permita aumentar la confianza para aplicar el resultado y poder utilizarlo. Por un lado, es

necesario conocer porqué motivos las personas sacaron un crédito y por qué dejaron de

pagarlo. Es importante identificar la situación actual, ya que debido a la pandemia en los

últimos años esto ha ido afectando económicamente a muchas personas.

Por otro lado, es necesario acudir a las instituciones estadísticas para conocer los factores que

más han influido tanto en la disminución como en el aumento de la morosidad en el sector

financiero, además de identificar que tanto han ido cambiando en los últimos años, esto nos

ayudará a tener mejores resultados, ya sean positivos o negativos esto saldrá del modelo

predictivo según el enfoque que se ha seleccionado anteriormente.

35
 6. VISUALIZACIÓN, IMPLEMENTACIÓN Y AJUSTES

a) Determinación de las herramientas de visualización a utilizar para el proyecto

Para el presente trabajo de investigación y para fines académicos se determinó que la

herramienta a utilizar para la visualización de datos será POWER BI, el cual nos permite

desarrollar las visualizaciones de una manera más profesional y dinámica, también nos permite

trabajar con nuestra data de manera sencilla.

Esta herramienta (POWER BI) nos permite realizar diferentes tipos de gráficos, de esta manera

utilizar la que mejor se adecue con las entidades a trabajar.

b) Definición y justificación de los criterios a tomar para la visualización de los

resultados

La intención del trabajo es presentar visualizaciones claras y fáciles de comprender, para ello

debemos entender cómo se procesa la información, buscamos conseguir la atención de los

lectores y que entiendan el objetivo de cada visualización. Para ello trabajaremos la siguiente

relación de entidades:

c) Tipos y principios de visualización a utilizar para el proyecto

Las visualizaciones que POWER BI nos permites realizar son muy dinámicas, las que
utilizaremos en el presente trabajo de investigación serán las siguientes:
✔ Gráfico de anillos
✔ Gráfico de barras apiladas
✔ Tabla
36
 ✔ Embudo
✔ Gráfico de Líneas

d) Visualización de los hallazgos, grafique lo descubierto hasta ahora y compártalo

37
Bibliografía

Superintendencia de Banca, Seguros y AFP. (s. f.). Quienes somos de la SBS. Recuperado,
el 23 de agosto de 2021, de https://www.sbs.gob.pe/quienessomos

Superintendencia de Banca, Seguros y AFP. (s. f.). Vision, misión y valores. Recuperado, el
23 de agosto de 2021, de https://www.sbs.gob.pe/visionmisionvalores

Superintendencia de Banca, Seguros y AFP. (2016). Evolución del sistema financiero

2016. . Recuperado, el 20 de setiembre de 2021,de
https://intranet2.sbs.gob.pe/estadistica/financiera/2016/Diciembre/SF-2103-di2016.PDF

Superintendencia de Banca, Seguros y AFP. (2017). Evolución del sistema financiero

2017. Recuperado, el 20 de setiembre de 2021,de
https://intranet2.sbs.gob.pe/estadistica/financiera/2017/Diciembre/SF-2103-di2017.PDF

Superintendencia de Banca, Seguros y AFP. (2018). Evolución del sistema financiero

2018. Recuperado, el 20 de setiembre de 2021,de
https://intranet2.sbs.gob.pe/estadistica/financiera/2018/Diciembre/SF-2103-di2018.PDF

Superintendencia de Banca, Seguros y AFP. (2019). Evolución del sistema financiero

2019. Recuperado, el 20 de setiembre de 2021,de
https://intranet2.sbs.gob.pe/estadistica/financiera/2019/Diciembre/SF-2103-di2019.PDF

Superintendencia de Banca, Seguros y AFP. (2020). Evolución del sistema financiero

2020. Recuperado, el 20 de setiembre de 2021,de
https://intranet2.sbs.gob.pe/estadistica/financiera/2020/Diciembre/SF-2103-di2020.PDF

38
39
40
41
42
43
44
Página 45 | 33