Banco de Dados

Para aplicar os conhecimentos, utilizamos os dados do Ranking de Reclamações coletados no Banco Central do Brasil do 3º 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.

Seleção de variáveis

A função retorna 163 Instituições financeiras em 14 variáveis, sendo 5 variáveis caracteres e 9 variáveis numéricas, utilzaremos as variáveis abaixo:

• Instituição financeira: bancos (comerciais, múltiplos, cooperativos, de investimentos), sociedades de crédito, financiamento e investimento (SCFI), instituições de pagamento e administradoras de consórcio.

• Reclamações reguladas procedentes: casos em que houve sinal de descumprimento de lei ou norma pela instituição financeira no período indicado.

• Total de reclamações: total de reclamações reguladas procedentes, reclamações reguladas outras e reclamações não reguladas.

• Total de clientes : O número de clientes é formado pela base conjugada de dados das instituições no Cadastro de Clientes do Sistema Financeiro Nacional (CCS) e no Sistema de Informações de Crédito do Banco Central (SCR), em nº de CPFs e CNPJs distintos. Os clientes são contados uma única vez por instituição ou conglomerado financeiro.

• Índice : (reclamações reguladas procedentes * 1.000.000) / número de clientes.

• Razão de reclamação: Criaremos a variável utilizando o total de (reclamações procedentes / total de reclamações) * 100 .

  As instituições são classificadas pela ordem decrescente do índice de reclamações, ou seja, da mais reclamada para a menos reclamada. É possível consultar a relação de instituições que tiveram menos de trinta reclamações procedentes apresentada em ordem alfabética do nome.

Ambiente RStudio

Pacotes utilizados

A função install.packages() é utilizada para instalar a biblioteca pela primeita vez no Rstudio, depois para carregar a biblioteca, a função library().

• A biblioteca Tidyverse foi especialmente projetados para Data Science. Incluindo todos os pacotes necessários ao fluxo de trabalho da ciência de dados, desde a exploração de dados até a visualização de dados.

• Ggplot2 é uma biblioteca de visualização de dados R baseada na Gramática dos Gráficos.

• Readxl é utilizada para a importação de arquivo Excel (.xlx ou .xlsx).

• Dplyr é uma biblioteca de manipulação de dados muito popular em R. Utilizaremos para limpeza e criação de variaveis.

• A biblioteca summarytools fornece um conjunto coerente de funções centradas na exploração de dados e relatórios simples.

library(corrplot)
library(dlookr)
library(dplyr)
library(ggplot2)
library(readxl)
library(summarytools)
library(tidyverse)
library(knitr)

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 Bancos3.xlsx.

download.file( url = "https://github.com/taianasantos/Pos/blob/main/Bancos+e+financeiras32022.xlsx?raw=true", quiet = TRUE,  mode = "wb", destfile = "Bancos3.xlsx" )

Bancos3 <- readxl :: read_excel("Bancos3.xlsx")

Seleção das variáveis de interesse para análise

Utilizamos a função select() ,biblioteca dplyr, para selecionar as variáveis para análise.

Bancos <-  dplyr::select(Bancos3, 6,7,8,11,12)

Renomear as variáveis

Utilizamos a função rename() ,biblioteca dplyr, para renomar as variáveis para análise.

Bancos <- dplyr::rename(Bancos,c(
 Procedentes =  Quantidade_de_reclamacoes_reguladas_procedentes,
  Total_Reclamacoes= Quantidade_total_de_reclamacoes,   
 Clientes =`Quantidade_total_de_clientes_-_CCS_e_SCR`,
 Instituicao = Instituicao_financeira ))

Limpeza de dados ausentes

Bancos <- Bancos[!(is.na(Bancos$Indice)), ]

Calculo de Variável

Utilizamos a função mutate() ,biblioteca dplyr, para criação de nova variável para análise.

Bancos <-  Bancos %>% dplyr::mutate(Razao = Bancos$Procedentes /
                                      Bancos$Total_Reclamacoes * 100)

Dados apos limpeza

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

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: 46  
## 
##                         Clientes   Indice   Procedentes    Razao   Total_Reclamacoes
## ----------------- -------------- -------- ------------- -------- -------------------
##              Mean    18664350.43    68.47        430.91    36.96             1377.54
##           Std.Dev    31714302.04    96.03        623.21    12.37             2142.28
##               Min      118808.00     5.11         34.00    12.84               84.00
##                Q1     1564046.00    15.77         75.00    28.32              196.00
##            Median     5363170.50    32.67        135.50    34.86              387.00
##                Q3    20473165.00    68.21        542.00    42.14             1540.00
##               Max   148308904.00   424.80       2564.00    67.41             8722.00
##               MAD     6821177.96    31.42        138.62    10.37              409.94
##               IQR    17576861.75    50.16        459.50    13.43             1327.00
##                CV           1.70     1.40          1.45     0.33                1.56
##          Skewness           2.35     2.41          2.08     0.66                2.13
##       SE.Skewness           0.35     0.35          0.35     0.35                0.35
##          Kurtosis           5.26     5.04          3.76     0.08                3.78
##           N.Valid          46.00    46.00         46.00    46.00               46.00
##         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. Com Skewness > 1 temos um caso de alta assimetria.

A variável Razao será analisada posteriormente.

summarytools::descr(Bancos[ ,-1],
      stats     = c("mean", "sd", "med", "skewness"),
      transpose = TRUE,
      headings  = FALSE)

## 
##                                  Mean       Std.Dev       Median   Skewness
## ----------------------- ------------- ------------- ------------ ----------
##                Clientes   18664350.43   31714302.04   5363170.50       2.35
##                  Indice         68.47         96.03        32.67       2.41
##             Procedentes        430.91        623.21       135.50       2.08
##                   Razao         36.96         12.37        34.86       0.66
##       Total_Reclamacoes       1377.54       2142.28       387.00       2.13

Utilizamos a função boxplot() para representar graficamente a distribuição de do conjunto de dados e identificar outliers.

boxplot(Bancos$Procedentes,
main = "Quantidade de Reclamações Procedentes",
xlab = "Reclamações Procedentes",
col = "lightblue",
horizontal = TRUE,
notch = 0
)

Histograma da variável Razão

Distribuição Assimétrica positiva (à direita): Mediana maior que a média. Pelo critério de skewness com o valor de 0.66 para assimetria, nos faz interpretar essa distribução como levemente assimétrica, com cauda à direita.

Bancos %>% dplyr::select(Razao) %>% ggplot(aes(x=Razao))+geom_histogram(aes(y = after_stat(density)) ,bins = 5, fill = 'lightblue') + xlab('Razao') + ylab('Densidade de Frequencia') + 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) + theme_classic()

Percebe-se pelo valor da mediana diferente do valor da média que há a distribuição não é simétrica, confirmado pela regra da assimetria lida em Skewness.

Número de Bins

A escolha do número de bins do histograma é uma escolha arbitrária e está diretamente ligada à amplitude que se deseja definir como base de cada barra contígua, para o caso onde se trabalha com amplitudes iguais para todos intervalos.

Existem equações modeladas para sugerir amplitudes dos bins de modo a facilitar a decisão do analista, das quais destacamos duas:

A regra de Freedman-Diaconis leva em consideração o intervalo interquartil dos dados, que impede que outliers tenham infuência na definição da amplitude do intervalo de bin.

A regra de Sturge leva em consideração a dispersão da distribuição para definir a amplitude. Em geral, a regra de Sturge é mais recomendada quando a distribuição dos dados se aproximará de uma distribuiçao normal.

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))
}


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 Indice 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()

#FD MELHOR

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 Indice 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()

Após a aplicar a regra de Freedman-Diaconis, nosso histograma apresentou um bin a mais, o que pode ser justificado pela extração de um maior nível de detalhes da distribuição dos dados.

Correlograma

Utilizamos a função corrplot() para criar uma visualização grafica da matrix de correlação. Analisando o correlograma verificamos que o banco de dados , temos 3 correlações acima de 0,8. as variáveis são muito correlacionadas.

corrplot :: corrplot(cor(Bancos[, -1]), method='number', , tl.col = 'black', cl.ratio = 0.2, tl.srt = 45, col = COL2('RdYlBu', 10))

As maiores coorelação são entre o total de quantidade de clientes, reclamações recebidas e reclamações procedentes.

Grafico Scatterplot

A função geom_point é utilizada para criação de scatterplots, utilizado para displayin o relacionamento entre duas variáveis continuas. Relação positiva entre a quantidade de reclamações procedentes e a quantidade de clientes.

Bancos[, -1]  %>% dplyr::select(Procedentes, Clientes) %>% ggplot(aes(x=Procedentes, y =Clientes)) + geom_point() + geom_smooth(method = "lm", se = FALSE) + theme_classic() +
  labs(x = "Reclamações Procedentes",
       y = "Total de Clientes",
       title = "Relação entre Reclamações Procedentes e Total de Clientes")

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