Introdução

O desenvolvimento do projeto foi para avaliação da Pós-Graduação MBA em Data Science, disciplina Analise Exploratoria de Dados. Utilizamos a linguagem de programação R, com as bibliotecas para criação de relatorios “rmarkdown” e graficos interativos “shiny”.

Banco de Dados

Para aplicar os conhecimentos, utilizamos os dados do Ranking de Reclamações coletados no Banco Central do Brasil do 4º semestre de 2022. Os dados divulgados nas listagens do ranking estão disponíveis para download no site https://www.bcb.gov.br/ranking/index.asp .

O Ranking de Reclamações contribui para a transparência das ações do Banco Central do Brasil, trazendo ao conhecimento da sociedade o perfil das reclamações que foram processadas, analisadas e encerradas pelo BCB.

O Ranking é formado a partir das reclamações do público registradas nos canais de atendimento do Banco Central (BC): internet, correspondência, presencialmente ou telefone (145). As demandas são analisadas de forma amostral pelo BC.

Participam do Ranking: bancos (comerciais, múltiplos, cooperativos, de investimentos), sociedades de crédito, financiamento e investimento (SCFI), instituições de pagamento e administradoras de consórcio.

As principais Reclamações registradas são irregularidades em operações e serviços de cartões de crédito e em serviços de crédito.

library(corrplot)
library(dlookr)
library(dplyr)
library(ggplot2)
library(readxl)
library(summarytools)
library(tidyverse)
library(knitr)
library(stringr)
library(writexl)
library(rstatix)
library(ggpubr)
library(patchwork)
library(psych)
library(ggcorrplot)
library(GGally)
library(mice)
library(skimr)

download.file( url = "https://github.com/taianasantos/analise/blob/main/Bancos.xlsx?raw=true", quiet = TRUE,  mode = "wb", destfile = "Bancos4.xlsx" )

Bancos <- readxl :: read_excel("Bancos4.xlsx")

knitr :: kable(head(Bancos), digits = 1 ,"pipe")

Bancos %>% dlookr::diagnose()

## # A tibble: 6 × 6
##   variables         types     missing_count missing_percent unique_count uniqu…¹
##   <chr>             <chr>             <int>           <dbl>        <int>   <dbl>
## 1 Instituicao       character             0               0           42   1    
## 2 Indice            numeric               0               0           42   1    
## 3 Procedentes       numeric               0               0           39   0.929
## 4 Total_Reclamacoes numeric               0               0           42   1    
## 5 Clientes          numeric               0               0           42   1    
## 6 Razao             numeric               0               0           42   1    
## # … with abbreviated variable name ¹​unique_rate

Análise descritiva da Base de dados

Para realizar essa análise, podemos utilizar a função descr do pacote summarytools e realizar a leitura desses dados. Analisar a centralidade dos dados, dipersão, assimetria e se há presença de outliers.

Bancos  %>% summarytools::descr()

## Non-numerical variable(s) ignored: Instituicao

## Descriptive Statistics  
## Bancos  
## N: 42  
## 
##                         Clientes   Indice   Procedentes    Razao   Total_Reclamacoes
## ----------------- -------------- -------- ------------- -------- -------------------
##              Mean    21821567.14    69.91        418.57    38.43             1294.95
##           Std.Dev    33082609.72   124.29        539.46    13.13             1848.89
##               Min      179473.00     1.28         30.00     8.62               65.00
##                Q1     1992640.00    11.75         53.00    28.34              165.00
##            Median     6800159.50    23.66        185.00    39.26              462.00
##                Q3    23219194.00    63.88        652.00    48.04             1711.00
##               Max   148128348.00   638.66       2225.00    70.66             6878.00
##               MAD     8675307.14    23.80        217.94    15.53              485.55
##               IQR    20938345.00    50.85        587.75    19.46             1541.00
##                CV           1.52     1.78          1.29     0.34                1.43
##          Skewness           2.08     3.04          1.73    -0.01                1.86
##       SE.Skewness           0.37     0.37          0.37     0.37                0.37
##          Kurtosis           3.95     9.50          2.22    -0.41                2.35
##           N.Valid          42.00    42.00         42.00    42.00               42.00
##         Pct.Valid         100.00   100.00        100.00   100.00              100.00

view(descr(Bancos))

As variaveis Clientes, Indice, Procedentes e Total_Reclamacoes apresentam presenças de outliers, influenciando muito o valor da média que apresenta valores maiores que a Mediana. Com o valor de desvio padrão mais alto indica maior dispersão nos dados, geralmente longe da média.

Distribuição Normal

A distribuição normal é uma das mais utilizadas em estatística sendo exigida em muitas situações pelas suas boas propriedades matemáticas e por isso é tão utilizada em probabilidade e estatística, como no teste t e na ANOVA.

Para verificar a normalidade da distribuição vamos apresentar três ferramentas que devem ser utilizadas em conjunto:

1. Histograma: É uma distribuição contínua, onde a distribuição de frequências de uma variável quantitativa apresenta a forma de sino e é simétrica em relação a sua média.

   Algumas caracteristicas:

   É simétrica em torno da média;

   A área sob a curva corresponde à proporção 1 ou 100%;

   As medidas de tendência central (média, mediana e moda) apresentam o mesmo valor;

   Os extremos da curva tendem ao infinito em ambas as direções e, teoricamente, jamais tocam o eixo x;

  set.seed(1)
    dds.normal <- rnorm(100,2,1) #Normal
    dds.exp <- rexp(100)  # Exponencial 
    # Histogramas

    par(mfrow=c(1,2))

    hist(dds.normal, 
         col = "#D9D9D9",
         freq = F, 
         main = "Histograma Normal", xlab = "Distribuição Normal")
    #curve(dnorm(x, mean = mean(dds.normal), sd = sd(dds.normal)), add = T)

    hist(dds.exp,
         col = "#38761D",
         freq = F, 
         main = "Histograma não Normal", xlab = "Distribuição Exponencial")

2. QQ-plot : grafico utilizado para comprar quartil por quartil entre uma distribuição normal padrão e a distribuição que se visa comparar após ser padronizada. Caso o Q-Q Plot tenha comportamento comportamento de uma reta perfeitamente ascendente, é a sinalização de que a distribuição que está estudando se aproxima de uma distribuição normal. No entanto, caso perceba muita variação, sobretudo nos extremos, terá a sinalização de que a distribuição estudada não é normal.

   par(mfrow=c(1,2))
   
   # Se os pontos se concentrarem em torno de uma linha reta, # então temos indícios de que a distribuição é normal. 
   qqnorm(dds.normal, main = "Q-Q Plot Normal", xlab = "Distribuição Normal") 
   qqline(dds.normal, col = "red") 
   
   qqnorm(dds.exp, main = " Q-Q Plot Não Normal", xlab = "Distribuição Exponencial") 
   qqline(dds.exp, col = "red") 

   

3. Teste Shapiro-Wilk;

   Se p- value > 0,05, então a distribuição dos dados fornecidos não difere significativamente da distribuição normal. Se p-value < 0.05, então está rejeitada a hipótese de distribuição normal.

rstatix:: shapiro_test(dds.normal) # normal 

## # A tibble: 1 × 3
##   variable   statistic p.value
##   <chr>          <dbl>   <dbl>
## 1 dds.normal     0.996   0.988

rstatix:: shapiro_test(dds.exp) # não normal

## # A tibble: 1 × 3
##   variable statistic    p.value
##   <chr>        <dbl>      <dbl>
## 1 dds.exp      0.915 0.00000776

Normalidade das variáveis

Utilizando a função pairs.panels e com a analise rapida dos histogramas, possivelmente a unica variavel com distribuição normal é a razão.

psych:: pairs.panels(Bancos[, -1], 
             method = "pearson", # correlation method
             hist.col = "lightblue",
            density = FALSE,  # show density plots
             ellipses = FALSE # show correlation ellipses
             )

fd <- function(x) {
  n <-length(x)
  return((2*IQR(x))/n^(1/3))
}
sr <- function(x) {
  n <-length(x)
  return((3.49*sd(x))/n^(1/3))
  }

Variavel Indice

g1 <- Bancos %>% dplyr::select(Indice) %>% ggplot(aes(x=Indice))+geom_histogram(aes(y = after_stat(density)) , binwidth=fd, fill = 'lightblue') + xlab('Indice') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de FD") + geom_vline(xintercept=c(median(Bancos$Indice), mean(Bancos$Indice))) + annotate("text", x=median(Bancos$Indice) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Indice) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()


g2 <- Bancos %>% dplyr::select(Indice) %>% ggplot(aes(x=Indice))+geom_histogram(aes(y = after_stat(density)) , binwidth=sr, fill = 'lightblue') + xlab('Indice') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados de Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de SR") + geom_vline(xintercept=c(median(Bancos$Indice), mean(Bancos$Indice))) + annotate("text", x=median(Bancos$Indice) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Indice) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()

g1 + g2

ggpubr::ggqqplot(Bancos$Indice)  +
 labs(title="QQ plot Variavel Indice",
       y = "Indice")

rstatix::shapiro_test(Bancos$Indice)

## # A tibble: 1 × 3
##   variable      statistic  p.value
##   <chr>             <dbl>    <dbl>
## 1 Bancos$Indice     0.544 3.12e-10

Variavel Procedentes

g1 <- Bancos %>% dplyr::select(Procedentes) %>% ggplot(aes(x=Procedentes))+geom_histogram(aes(y = after_stat(density)) , binwidth=fd, fill = 'lightblue') + xlab('Procedentes') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de FD") + geom_vline(xintercept=c(median(Bancos$Procedentes), mean(Bancos$Procedentes))) + annotate("text", x=median(Bancos$Procedentes) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Procedentes) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()


g2 <- Bancos %>% dplyr::select(Procedentes) %>% ggplot(aes(x=Procedentes))+geom_histogram(aes(y = after_stat(density)) , binwidth=sr, fill = 'lightblue') + xlab('Procedentes') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados de Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de SR") + geom_vline(xintercept=c(median(Bancos$Procedentes), mean(Bancos$Procedentes))) + annotate("text", x=median(Bancos$Procedentes) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Procedentes) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()

g1 + g2

ggpubr::ggqqplot(Bancos$Procedentes)  +
 labs(title="QQ plot Variavel Procedentes",
       y = "Indice")

rstatix::shapiro_test(Bancos$Procedentes)

## # A tibble: 1 × 3
##   variable           statistic     p.value
##   <chr>                  <dbl>       <dbl>
## 1 Bancos$Procedentes     0.731 0.000000196

Variavel Total_Reclamacoes

g1 <- Bancos %>% dplyr::select(Total_Reclamacoes ) %>% ggplot(aes(x=Total_Reclamacoes ))+geom_histogram(aes(y = after_stat(density)) , binwidth=fd, fill = 'lightblue') + xlab('Total_Reclamacoes ') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de FD") + geom_vline(xintercept=c(median(Bancos$Total_Reclamacoes ), mean(Bancos$Total_Reclamacoes ))) + annotate("text", x=median(Bancos$Total_Reclamacoes ) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Total_Reclamacoes ) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()


g2 <- Bancos %>% dplyr::select(Total_Reclamacoes ) %>% ggplot(aes(x=Total_Reclamacoes ))+geom_histogram(aes(y = after_stat(density)) , binwidth=sr, fill = 'lightblue') + xlab('Total_Reclamacoes ') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados de Indice aproximada por Histograma", subtitle = "Binarizacao pela Regra de SR") + geom_vline(xintercept=c(median(Bancos$Total_Reclamacoes ), mean(Bancos$Total_Reclamacoes ))) + annotate("text", x=median(Bancos$Total_Reclamacoes ) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Total_Reclamacoes ) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()

g1 + g2

ggpubr::ggqqplot(Bancos$Total_Reclamacoes )  +
 labs(title="QQ plot Variavel Total_Reclamacoes ",
       y = "Indice")

rstatix::shapiro_test(Bancos$Total_Reclamacoes)

## # A tibble: 1 × 3
##   variable                 statistic      p.value
##   <chr>                        <dbl>        <dbl>
## 1 Bancos$Total_Reclamacoes     0.671 0.0000000193

Variavel Clientes

g1 <- Bancos %>% dplyr::select(Clientes) %>% ggplot(aes(x=Clientes))+geom_histogram(aes(y = after_stat(density)) , binwidth=fd, fill = 'lightblue') + xlab('Clientes') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados Clientes aproximada por Histograma", subtitle = "Binarizacao pela Regra de FD")
#+ geom_vline(xintercept=c(median(Bancos$Clientes), mean(Bancos$Clientes))) + annotate("text", x=median(Bancos$Clientes) + 0.3, y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Clientes) + 0.3, y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()


g2 <- Bancos %>% dplyr::select(Clientes) %>% ggplot(aes(x=Clientes))+geom_histogram(aes(y = after_stat(density)) , binwidth=sr, fill = 'lightblue') + xlab('Clientes') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados de Clientes aproximada por Histograma", subtitle = "Binarizacao pela Regra de SR") 

#+ geom_vline(xintercept=c(median(Bancos$Clientes), mean(Bancos$Clientes))) + annotate("text", x=median(Bancos$Clientes) , y=0.02, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Clientes) , y=0.02, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()

g1 + g2

ggpubr::ggqqplot(Bancos$Clientes)  +
 labs(title="QQ plot Variavel Clientes",
       y = "Indice")

rstatix::shapiro_test(Bancos$Clientes)

## # A tibble: 1 × 3
##   variable        statistic      p.value
##   <chr>               <dbl>        <dbl>
## 1 Bancos$Clientes     0.676 0.0000000234

Variaveis Razao

g1 <- Bancos %>% dplyr::select(Razao) %>% ggplot(aes(x=Razao))+geom_histogram(aes(y = after_stat(density)) , binwidth=fd, fill = 'lightblue') + xlab('Razao') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados Razao aproximada por Histograma", subtitle = "Binarizacao pela Regra de FD") + geom_vline(xintercept=c(median(Bancos$Razao), mean(Bancos$Razao))) + annotate("text", x=median(Bancos$Razao) + 0.3, y=0.05, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Razao) + 0.3, y=0.05, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()


g2 <- Bancos %>% dplyr::select(Razao) %>% ggplot(aes(x=Razao))+geom_histogram(aes(y = after_stat(density)) , binwidth=sr, fill = 'lightblue') + xlab('Razao') + ylab('Densidade de Frequencia') + labs(title = "Distribuicao dos dados de Razao aproximada por Histograma", subtitle = "Binarizacao pela Regra de SR") + geom_vline(xintercept=c(median(Bancos$Razao), mean(Bancos$Razao))) + annotate("text", x=median(Bancos$Razao) + 0.3, y=0.05, label="Mediana", angle=90) + annotate("text", x=mean(Bancos$Razao) + 0.3, y=0.05, label="Media", angle=90) + geom_density(linetype = 2) + theme_classic()

g1 + g2

ggpubr::ggqqplot(Bancos$Razao)

rstatix::shapiro_test(Bancos$Razao)

## # A tibble: 1 × 3
##   variable     statistic p.value
##   <chr>            <dbl>   <dbl>
## 1 Bancos$Razao     0.991   0.977

Coeficiente de Correlação

–

Na estatística o coeficiente de correlação de Pearson (r) mede a relação que existe entre duas variáveis dentro de uma mesma escala métrica.

A função do coeficiente de correlação é determinar qual é a intensidade da relação que existe entre conjuntos de dados ou informações conhecidas.

O valor do coeficiente de correlação pode variar entre -1 e 1. Para interpretar o coeficiente é preciso saber que 1 significa que a correlação entre as variáveis é perfeita positiva e -1 significa que é perfeita negativa. Se o coeficiente for igual a 0 significa que as variáveis não dependem uma da outra.

corrplot :: corrplot(cor(Bancos[, -1]), method='number', , tl.col = 'black', cl.ratio = 0.2, tl.srt = 45, col = COL2('RdYlBu', 15))

Scatterplot Matrix

A função ggpairs() do pacote GGally nos permite construir uma ótima matriz de gráfico de dispersão. Gráficos de dispersão de cada par visualizados no lado esquerdo do gráfico e valor de correlação de Pearson e significância exibidos no lado direito.

#create 
ggpairs(Bancos[, -1])

Regressão linear

A correlação é uma relação entre duas variáveis, sendo a primeira dependente e a segunda independente. A análise da correlação tem o objetivo de atestar se existe uma relação de dependência significativa entre duas variáveis, é feito através do coeficiente de correlação, variando de – 1 a 1, com -1 correlação linear negativa, 0 nenhuma correlação e 1 correlação linear positiva.

Um exemplo em que se pode utilizar o princípio da correlação, um gerente de recursos humanos deseja saber se existe ligação entre o número de horas de treinamento de um funcionário e o número de reclamações que o funcionário recebeu. Caso haja correlação linear positiva, quer dizer que quanto mais horas de treinamento se gasta com funcionários, menos reclamações. Nesse caso, a variável independente é a quantidade de horas de treinamento para o funcionário, e a variável dependente é o número de reclamações.

A análise de regressão linear pode ser feita após a garantia de correlação linear entre duas variáveis, busca encontrar a reta que melhor modela, compensando-se os resíduos, a correlação entre as variáveis envolvidas, e essa reta pode ser utilizada para fazer previsões de valores da variável dependente a partir de valores da variável independente. O mesmo exemplo sobre o treinamento de funcionários e número de reclamações valem também para a regressão linear, a “saída” da regressão linear seria uma função que expressaria da melhor maneira a relação entre os valores das variáveis envolvidas.

Para concluir, a análise de correlação junto com a regressão linear têm por objetivo maior inferir se há relação entre duas variáveis com base em um conjunto de dados anterior, e com base nessa inferência, caso positiva para que haja de fato relação, seja possível obter uma função que relaciona uma variável a outra para que se possa prever valores futuros para a variável dependente com base em valores da variável independente. A diferença entre a correlação e regressão linear é que a 2ª obtém uma função da relação que melhor a expressa, enquanto que a 1ª indica se há relação.

Regressão linear é o método com o qual se encontra a reta que melhor descreve a relação entre os dados. A reta é criada com uma equação linear y = b + m1 * x1…mn*xn, onde b será o coeficiente linear, e m o coeficiente angular, sendo um para cada variável preditora existente nos dados.

A função que realiza o ajuste da reta ou modelo de regressão linear no R é a lm().

O comando summary() poderá indicar se os seus parâmetros estimados são significativos ou não, ou seja, se é possível assumir que são diferentes de zero.

#Simples, variavel explicativa idade
modelo.1 <- lm(Procedentes ~ Clientes, data = Bancos)
summary(modelo.1, type = 'html')

Call: lm(formula = Procedentes ~ Clientes, data = Bancos)

Residuals: Min 1Q Median 3Q Max -571.71 -151.63 -77.27 76.13 1202.91

Coefficients: Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.276e+02 5.832e+01 2.188 0.0346 *
Clientes 1.334e-05 1.484e-06 8.986 3.84e-11 *** — Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1

Residual standard error: 314.4 on 40 degrees of freedom Multiple R-squared: 0.6687, Adjusted R-squared: 0.6604 F-statistic: 80.74 on 1 and 40 DF, p-value: 3.842e-11

modelo.1$coefficients

##  (Intercept)     Clientes 
## 1.275916e+02 1.333451e-05

E temos a equação da reta ajustada: E(Y ) = 1.275916e+02 +1.333451e-05 ∗ Clientes

Essa função também retorna a medida R²(adjusted R-squared), que indica o quanto da variação presente nos dados está sendo explicada pela covariável.

Quanto maior o R², mais explicativo é o modelo linear, ou seja, melhor ele se ajusta à amostra. Com R² = 0.6687 significa que o modelo linear explica 66,87% da variância da variável dependente a partir do regressores (variáveis independentes) incluídas naquele modelo linear.

ggplot(Bancos, mapping = aes(Procedentes, Clientes)) +
   geom_point() +
   geom_smooth(method = "lm")

## `geom_smooth()` using formula = 'y ~ x'

Carregando o Banco de Dados

–

Utilizamos o github para download do arquivo baixado do Banco Central e a função read_excel() para criar o Banco de dados Bancos3 com os dados do arquivo Bancos4.xlsx.

download.file( url = "https://github.com/taianasantos/analise/blob/main/Bancosconna.xlsx?raw=true", quiet = TRUE,  mode = "wb", destfile = "Bancos1.xlsx" )

Bancos <- readxl :: read_excel("Bancos1.xlsx")

Dados Faltantes

Completude (SUBSTANTIVO) - qualidade, estado ou propriedade do que é completo, perfeito, acabado.

We should be suspicious of any dataset (large or small) which appears perfect. Tradução (“Devemos suspeitar de qualquer conjunto de dados (grande ou pequeno) que pareça perfeito.”) — David J. Hand

A definição de Completude é a qualidade, estado ou propriedade do que é completo, perfeito, acabado. No mundo ideal um conjunto de dados seria totalmente preenchido, mas na pratica é muito comum que ele não esteja totalmente preenchido, terá em algumas colunas ou linhas, valores chamados “NaN” (do inglês “Not a Number”), que são os valores faltantes.

Algumas possibilidades desses dados faltantes podem ser: perguntas não respondidas em uma entrevista, dados perdidos por coleta equivocada de registro, muitas vezes, quem estava coletando o conjunto de dados não encontrou a informação necessária; ou ainda, no momento de se transferir os dados de um lugar para outro, a informação foi perdida; enfim, há vários motivos que podem fazer com que um dado falte em uma base de dados.

Algumas Informações importantes são perdidas, correlações ficam distorcidas ou pode não ter um número satisfatório de pessoas para generalizar a situação para uma população maior.

O impacto desses dados faltantes na inferência estatística é potencialmente alto, ainda mais em alguns casos onde o público que possui dado ausente é sistematicamente diferente daquele que os dados estão completos. O simplesmente descartá-los pode levar a resultados enviesados.

Bancos %>% dlookr::diagnose()

## # A tibble: 6 × 6
##   variables         types     missing_count missing_percent unique_count uniqu…¹
##   <chr>             <chr>             <int>           <dbl>        <int>   <dbl>
## 1 Instituicao       character             0             0            154   1    
## 2 Indice            numeric             112            72.7           43   0.279
## 3 Procedentes       numeric               0             0             65   0.422
## 4 Total_Reclamacoes numeric               0             0             86   0.558
## 5 Clientes          numeric               0             0            144   0.935
## 6 Razao             numeric               0             0            102   0.662
## # … with abbreviated variable name ¹​unique_rate

sum(is.na(Bancos)) 

## [1] 112

# Realiza a imputacao mice
dadosmice <- mice(
  data = Bancos[ ,-1],
  meth = "rf"
) %>% 
  complete() 

## 
##  iter imp variable
##   1   1  Indice
##   1   2  Indice
##   1   3  Indice
##   1   4  Indice
##   1   5  Indice
##   2   1  Indice
##   2   2  Indice
##   2   3  Indice
##   2   4  Indice
##   2   5  Indice
##   3   1  Indice
##   3   2  Indice
##   3   3  Indice
##   3   4  Indice
##   3   5  Indice
##   4   1  Indice
##   4   2  Indice
##   4   3  Indice
##   4   4  Indice
##   4   5  Indice
##   5   1  Indice
##   5   2  Indice
##   5   3  Indice
##   5   4  Indice
##   5   5  Indice

skim(dadosmice)

# Realiza a imputacao mice
dadosmice2 <- mice(
  data = Bancos[ ,-1],
  meth = "cart"
) %>% 
  complete() 

## 
##  iter imp variable
##   1   1  Indice
##   1   2  Indice
##   1   3  Indice
##   1   4  Indice
##   1   5  Indice
##   2   1  Indice
##   2   2  Indice
##   2   3  Indice
##   2   4  Indice
##   2   5  Indice
##   3   1  Indice
##   3   2  Indice
##   3   3  Indice
##   3   4  Indice
##   3   5  Indice
##   4   1  Indice
##   4   2  Indice
##   4   3  Indice
##   4   4  Indice
##   4   5  Indice
##   5   1  Indice
##   5   2  Indice
##   5   3  Indice
##   5   4  Indice
##   5   5  Indice

skim(dadosmice2)

Dashboard Shiny

Conclusões

–

O Ranking de reclamações é muito importante para dar transparencia e confiança dos serviços prestados pelas Instituições Financeiras. Percebemos que Instituições recebem muitas reclamações improcedentes, cerca de 64%, esse numero elevado pode ser fruto de insatisfação com o produto contratado, falta de conhecimento ou pouca transparência das normas bancárias.

Algumas sugestões propostas para uma redução das reclamações recebidas :

Melhoria dos canais de ouvidoria para reduzir a quantidade de reclamações recebidas pelo Banco Central.

Transparência nas informações prestadas aos clientes.

Investimento em Treinamento e ampliação das equipes de atendimento.

Aperfeiçoamento dos canais de atendimento.

Linguagem simples para melhoria da compreensão dos clientes.

Bibliografia

https://didatica.tech/regressao-linear-com-linguagem-r/

https://didatica.tech/o-que-sao-dados-missing/

https://www.ufrgs.br/wiki-r/index.php?title=Tratamento_de_Missing_Values#Tratamento_de_missing_values_com_Knn_no_R

https://www.statology.org/scatterplot-matrix-in-r/

https://stefvanbuuren.name/fimd/sec-modelform.html