1. Introducción

Este documento presenta un análisis exploratorio de datos (EDA) del conjunto de datos “BD SFC.csv”, que contiene información detallada sobre las carteras de microcréditos y otros rubros, de diversas entidades financieras vigiladas en Colombia.

2. Carga de librerías

Primero cargamos las librerías necesarias para nuestro análisis.

# Manipulación de datos
search()
## [1] ".GlobalEnv"        "package:stats"     "package:graphics" 
## [4] "package:grDevices" "package:utils"     "package:datasets" 
## [7] "package:methods"   "Autoloads"         "package:base"
library(tidyverse)
library(lubridate)

# Visualización
library(ggplot2)
library(scales)
library(RColorBrewer)
library(leaflet)  # Para mapas
library(DT)       # Para tablas interactivas


# Análisis espacial
library(sf)       

#modelado
library(prophet)
library(plotly)
library(forecast)
library(lubridate)
library(tseries)
library(yardstick)

3. Carga y exploración inicial de datos

Cargamos el dataset y examinamos su estructura.

# Carga de datos - ajusta la ruta según sea necesario
SFC_data <- read_csv("BD SFC.csv", locale = locale(encoding = "latin1")) # O "UTF-8" si es diferente

# Vista preliminar de los datos
head(SFC_data)
## # A tibble: 6 × 11
##   TIPO_ENTIDAD NOMBRE_TIPO_ENTIDAD     CODIGO_ENTIDAD NOMBRE_ENTIDAD FECHA_CORTE
##          <dbl> <chr>                            <dbl> <chr>          <chr>      
## 1            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 31/07/2024 
## 2            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 30/06/2024 
## 3            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 31/05/2024 
## 4            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 30/04/2024 
## 5            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 31/03/2024 
## 6            1 ESTABLECIMIENTOS BANCA…              1 BANCO DE BOGO… 29/02/2024 
## # ℹ 6 more variables: CUENTA <dbl>, NOMBRE_CUENTA <chr>, MONEDA <dbl>,
## #   `NOMBRE MONEDA` <chr>, SIGNO_VALOR <chr>, VALOR <dbl>
# Estructura del conjunto de datos
glimpse(SFC_data)
## Rows: 16,286,348
## Columns: 11
## $ TIPO_ENTIDAD        <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
## $ NOMBRE_TIPO_ENTIDAD <chr> "ESTABLECIMIENTOS BANCARIOS", "ESTABLECIMIENTOS BA…
## $ CODIGO_ENTIDAD      <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
## $ NOMBRE_ENTIDAD      <chr> "BANCO DE BOGOTA S.A.", "BANCO DE BOGOTA S.A.", "B…
## $ FECHA_CORTE         <chr> "31/07/2024", "30/06/2024", "31/05/2024", "30/04/2…
## $ CUENTA              <dbl> 1e+05, 1e+05, 1e+05, 1e+05, 1e+05, 1e+05, 1e+05, 1…
## $ NOMBRE_CUENTA       <chr> "ACTIVO", "ACTIVO", "ACTIVO", "ACTIVO", "ACTIVO", …
## $ MONEDA              <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ `NOMBRE MONEDA`     <chr> "Total", "Total", "Total", "Total", "Total", "Tota…
## $ SIGNO_VALOR         <chr> "+", "+", "+", "+", "+", "+", "+", "+", "+", "+", …
## $ VALOR               <dbl> 1.248434e+14, 1.237484e+14, 1.211837e+14, 1.205890…
# Resumen estadístico básico
summary(SFC_data)
##   TIPO_ENTIDAD    NOMBRE_TIPO_ENTIDAD CODIGO_ENTIDAD   NOMBRE_ENTIDAD    
##  Min.   :  1.00   Length:16286348     Min.   :  1.00   Length:16286348   
##  1st Qu.:  1.00   Class :character    1st Qu.:  6.00   Class :character  
##  Median : 11.00   Mode  :character    Median : 20.00   Mode  :character  
##  Mean   : 40.92                       Mean   : 29.64                     
##  3rd Qu.: 22.00                       3rd Qu.: 46.00                     
##  Max.   :509.00                       Max.   :161.00                     
##  FECHA_CORTE            CUENTA       NOMBRE_CUENTA          MONEDA     
##  Length:16286348    Min.   :100000   Length:16286348    Min.   :0.000  
##  Class :character   1st Qu.:190000   Class :character   1st Qu.:0.000  
##  Mode  :character   Median :410238   Mode  :character   Median :1.000  
##                     Mean   :387658                      Mean   :0.637  
##                     3rd Qu.:515000                      3rd Qu.:1.000  
##                     Max.   :840500                      Max.   :2.000  
##  NOMBRE MONEDA      SIGNO_VALOR            VALOR           
##  Length:16286348    Length:16286348    Min.   :-7.485e+13  
##  Class :character   Class :character   1st Qu.: 2.072e+07  
##  Mode  :character   Mode  :character   Median : 5.023e+08  
##                                        Mean   : 1.247e+12  
##                                        3rd Qu.: 8.635e+09  
##                                        Max.   : 8.998e+15

4. Limpieza y transformación de datos

Antes de profundizar en el análisis, vamos a filtrar, limpiar y transformar los datos.

# Filtrar los datos para el microcrédito (cuentas 141200-141299) y moneda = 0
SFC_filtrada <- subset(SFC_data, CUENTA >= 141200 & CUENTA <= 141299 & MONEDA == 0)

# Eliminar columnas innecesarias
columnas_a_eliminar <- c("TIPO_ENTIDAD", "NOMBRE_TIPO_ENTIDAD", "CODIGO_ENTIDAD", "MONEDA", "NOMBRE.MONEDA", "SIGNO_VALOR")
SFC_filtrada <- SFC_filtrada[, !(names(SFC_filtrada) %in% columnas_a_eliminar)]

# Convertir 'FECHA_CORTE'  y establecer como índice (usando rownames)
SFC_filtrada$ID <- 1:nrow(SFC_filtrada)
rownames(SFC_filtrada) <- paste(SFC_filtrada$FECHA_CORTE, SFC_filtrada$ID, sep = "_")


# Asegurarse de que la columna 'VALOR' sea numérica
SFC_filtrada$VALOR <- as.numeric(as.character(SFC_filtrada$VALOR))
SFC_filtrada <- SFC_filtrada[!is.na(SFC_filtrada$VALOR), ]
# Asegurarse de que la columna 'FECHA_CORTE' sea de tipo Date
SFC_filtrada$FECHA_CORTE <- as.Date(SFC_filtrada$FECHA_CORTE, format = "%d/%m/%Y") # Ajusta el formato si es diferente

# Agrupar por fecha para obtener el total mensual de microcréditos
# Suponemos que 'VALOR' es el valor de microcréditos en un periodo específico.
data_series <- aggregate(VALOR ~ format(FECHA_CORTE, "%Y-%m"), SFC_filtrada, sum)

# Convertir la columna de fechas a Date y establecer como índice
data_series$FECHA_CORTE <- as.Date(paste0(data_series$`format(FECHA_CORTE, "%Y-%m")`, "-01"))
rownames(data_series) <- data_series$FECHA_CORTE

summary(SFC_filtrada)
##  NOMBRE_ENTIDAD      FECHA_CORTE             CUENTA       NOMBRE_CUENTA     
##  Length:13243       Min.   :2016-01-31   Min.   :141200   Length:13243      
##  Class :character   1st Qu.:2017-12-31   1st Qu.:141205   Class :character  
##  Mode  :character   Median :2020-01-31   Median :141210   Mode  :character  
##                     Mean   :2020-03-08   Mean   :141212                     
##                     3rd Qu.:2022-04-30   3rd Qu.:141220                     
##                     Max.   :2024-07-31   Max.   :141225                     
##  NOMBRE MONEDA          VALOR                 ID       
##  Length:13243       Min.   :0.000e+00   Min.   :    1  
##  Class :character   1st Qu.:6.073e+08   1st Qu.: 3312  
##  Mode  :character   Median :7.337e+09   Median : 6622  
##                     Mean   :2.166e+11   Mean   : 6622  
##                     3rd Qu.:5.066e+10   3rd Qu.: 9932  
##                     Max.   :9.888e+12   Max.   :13243
glimpse(SFC_filtrada)
## Rows: 13,243
## Columns: 7
## $ NOMBRE_ENTIDAD  <chr> "BANCO DE BOGOTA S.A.", "BANCO DE BOGOTA S.A.", "BANCO…
## $ FECHA_CORTE     <date> 2024-07-31, 2024-06-30, 2024-05-31, 2024-04-30, 2024-…
## $ CUENTA          <dbl> 141200, 141200, 141200, 141200, 141200, 141200, 141200…
## $ NOMBRE_CUENTA   <chr> "CARTERA Y LEASING DE MICROCREDITOS", "CARTERA Y LEASI…
## $ `NOMBRE MONEDA` <chr> "Total", "Total", "Total", "Total", "Total", "Total", …
## $ VALOR           <dbl> 268529045267, 266499058848, 264661426330, 261591646321…
## $ ID              <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,…

5. Análisis exploratorio

5.1 Estadísticas descriptivas variable numérica

## Resumen estadístico de la variable VALOR
summary(SFC_filtrada$VALOR)
##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
## 0.000e+00 6.073e+08 7.337e+09 2.166e+11 5.066e+10 9.888e+12
# Histograma de VALOR
ggplot(SFC_filtrada, aes(x = VALOR)) +
  geom_histogram(fill = "lightblue", color = "black") +
  labs(title = "Histograma de VALOR", x = "Valor", y = "Frecuencia")

# Boxplot de VALOR
ggplot(SFC_filtrada, aes(y = VALOR)) +
  geom_boxplot(fill = "lightgreen", color = "black") +
  labs(title = "Boxplot de VALOR", y = "Valor") +
  theme_minimal()

# Gráfico de series de tiempo de VALOR agregado por mes
ggplot(data_series, aes(x = FECHA_CORTE, y = VALOR)) +
  geom_line(color = "red") +
  labs(title = "Valor total de microcréditos por mes", x = "Fecha", y = "Valor") +
  theme_minimal()

5.2 Estadísticas descriptivas variables catergóricas

# Tabla de frecuencia de CUENTA
cuenta_freq <- as.data.frame(table(SFC_filtrada$CUENTA))

# Calcular porcentajes
cuenta_freq$Porcentaje <- cuenta_freq$Freq / sum(cuenta_freq$Freq) * 100

# Gráfico de barras de frecuencia de CUENTA
ggplot(cuenta_freq, aes(x = Var1, y = Freq)) +
  geom_bar(stat = "identity", fill = "skyblue", color = "black") +
  labs(title = "Frecuencia de CUENTA", x = "CUENTA", y = "Frecuencia") +
  theme_minimal()

# Diagrama de sectores de CUENTA con porcentajes
if (nrow(cuenta_freq) <= 10) { # Solo si hay pocas categorías
  ggplot(cuenta_freq, aes(x = "", y = Freq, fill = Var1)) +
    geom_bar(stat = "identity", width = 1) +
    coord_polar("y", start = 0) +
    labs(title = "Diagrama de sectores de CUENTA", fill = "CUENTA") +
    geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), position = position_stack(vjust = 0.5)) +
    theme_void()
}

# Cantidad de registros por NOMBRE_ENTIDAD
registros_entidad <- SFC_filtrada %>%
  group_by(NOMBRE_ENTIDAD) %>%
  summarise(Cantidad = n())

# Cantidad de registros por NOMBRE_ENTIDAD
registros_entidad <- SFC_filtrada %>%
  group_by(NOMBRE_ENTIDAD) %>%
  summarise(Cantidad = n()) %>%
  arrange(desc(Cantidad)) %>% # Ordenar por cantidad descendente
  head(30) 

# Cantidad de registros por NOMBRE_ENTIDAD
registros_entidad <- SFC_filtrada %>%
  group_by(NOMBRE_ENTIDAD) %>%
  summarise(Cantidad = n()) %>%
  arrange(desc(Cantidad)) %>% # Ordenar por cantidad descendente
  head(30) 

# Gráfico de barras de cantidad de registros por NOMBRE_ENTIDAD (primeras 30)
ggplot(registros_entidad, aes(x = reorder(NOMBRE_ENTIDAD, Cantidad), y = Cantidad)) +
  geom_bar(stat = "identity", fill = "orange", color = "black") +
  labs(title = "Cantidad de registros por NOMBRE_ENTIDAD (primeras 30 entidades de Microcredito)", x = "NOMBRE_ENTIDAD", y = "Cantidad de registros") +
  theme_minimal() +
  geom_text(aes(label = Cantidad), hjust = 1.2) + # Agregar etiquetas de texto dentro de las barras
  coord_flip() # Para hacer el gráfico horizontal

5.3 Valores Atipicos

# Identificar valores atípicos
outliers <- boxplot.stats(SFC_filtrada$VALOR)$out

# Contar el número de valores atípicos
num_outliers <- length(outliers)
print(num_outliers)
## [1] 2206

6. Analisis de la serie temporal completa

6.1 Visualización de la serie temporal completa

# Gráfico de la serie temporal completa
p <- ggplot(data_series, aes(x = FECHA_CORTE, y = VALOR)) +
  geom_line(color = "blue") +
  #  *** Adapt these 'subset' calls to your actual data!  ***
  #  Example:  If you have a column 'EVENT_TYPE' with values "Promotion" and "Holiday"
  #  geom_point(data = subset(SFC_filtrada, EVENT_TYPE == "Promotion"), 
  #             aes(color = "Promoción"), size = 2) +
  #  geom_point(data = subset(SFC_filtrada, EVENT_TYPE == "Holiday"),
  #             aes(color = "Día Festivo"), size = 2) +
  #  *** End of adaptation  ***
  labs(title = "Serie Temporal de VALOR TOTAL MICROCREDITOS",
       subtitle = "Con indicación de eventos (adaptar)", #  Modify subtitle
       x = "FECHA_CORTE",
       y = "VALOR",
       color = "Eventos") + theme_minimal() +
  theme(legend.position = "bottom")
ggplotly(p)

6.2 Analisis de patrones estacionales

SFC_filtrada$Month <- month(SFC_filtrada$FECHA_CORTE, label = TRUE, abbr = FALSE)
SFC_filtrada$Year <- year(SFC_filtrada$FECHA_CORTE)


patron_mensual <- SFC_filtrada %>%
  group_by(Month, Year) %>%
  summarize(ValorMensual = sum(VALOR), .groups = "drop")

ggplot(patron_mensual, aes(x = Month, y = ValorMensual, group = Year, color = as.factor(Year))) +
  geom_line() +
  geom_point(size = 2) +
  labs(title = "Patrón Mensual de VALOR TOTAL MICROCREDITOS",
       x = "Mes",
       y = "Valor Mensual",
       color = "Año") +
  theme_minimal() +
  theme(legend.position = "bottom") -> seasonal_plot
print(seasonal_plot)

6.3 Descomposición de la serie temporales

# Convertir a objeto ts para descomposiciC3n
ts_valor <- ts(SFC_filtrada$VALOR, frequency = 365)

# Attempt STL decomposition, fallback to decompose if it fails
descomposicion <-stl(ts_valor, s.window = "periodic")

# Visualizar la descomposiciC3n
  autoplot(descomposicion) +
    labs(title = "Descomposición STL de VALOR") +
    theme_minimal()

###6.4 Pruebas de estacionariedad

##Antes de modelar, verificamos si nuestra serie temporal es estacionaria.
# Test de Dickey-Fuller Aumentado
adf_test <- adf.test(ts_valor)
print("ADF Test:")
## [1] "ADF Test:"
print(adf_test)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  ts_valor
## Dickey-Fuller = -6.7883, Lag order = 23, p-value = 0.01
## alternative hypothesis: stationary
# Test KPSS
kpss_test <- kpss.test(ts_valor)
print("KPSS Test:")
## [1] "KPSS Test:"
print(kpss_test)
## 
##  KPSS Test for Level Stationarity
## 
## data:  ts_valor
## KPSS Level = 2.9527, Truncation lag parameter = 13, p-value = 0.01
# 4. If Not Stationary, Difference
#   -  We difference the *time series object*, not the original column
if (adf_test$p.value > 0.05 || kpss_test$p.value < 0.05) {
  ts_valor_diff <- diff(ts_valor)

  # Check if differencing produced a valid time series
  if(length(ts_valor_diff) > 0){

    # Visualizar la serie diferenciada
    ggplot(data.frame(x = 1:length(ts_valor_diff), y = ts_valor_diff), aes(x = x, y = y)) +
      geom_line(color = "#0072B2") +
      labs(title = "Serie Temporal de VALOR Diferenciada",
           x = "Index",  #  Use "Index" since it's the difference order
           y = "Diferencia en VALOR") +
      theme_minimal() -> diff_plot
    print(diff_plot)

    # Test ADF en la serie diferenciada
    adf_test_diff <- adf.test(ts_valor_diff)
    print("ADF Test on Differenced Series:")
    print(adf_test_diff)
  } else {
    print("Differencing resulted in an empty time series.")
  }
} else {
  print("Series is stationary.")
}

## [1] "ADF Test on Differenced Series:"
## 
##  Augmented Dickey-Fuller Test
## 
## data:  ts_valor_diff
## Dickey-Fuller = -25.534, Lag order = 23, p-value = 0.01
## alternative hypothesis: stationary

7. Modelado de Series Temporales

7.1 División de datos en entrenamiento y prueba

# Primero, asegúrate de que tus datos estén ordenados por fecha
SFC_filtrada_monthly <- SFC_filtrada %>%
  group_by(FECHA_CORTE = floor_date(FECHA_CORTE, "day")) %>% # Agrupa por día (puedes cambiar a "month" si lo prefieres)
  summarise(VALOR = sum(VALOR, na.rm = TRUE)) %>%
  ungroup() %>%
  arrange(FECHA_CORTE) # Asegúrate de que esté ordenado por fecha después de la agrupación

# Ahora, utiliza SFC_filtrada_monthly para el resto del análisis

# Dividir los datos en entrenamiento y prueba
punto_corte <- floor(0.8 * nrow(SFC_filtrada_monthly))
SFC_filtrada_train <- SFC_filtrada_monthly[1:punto_corte, ]
SFC_filtrada_test  <- SFC_filtrada_monthly[(punto_corte + 1):nrow(SFC_filtrada_monthly), ]
ggplot() +
  geom_line(data = SFC_filtrada_train, aes(x = FECHA_CORTE, y = VALOR, color = "Entrenamiento"), size = 1) +
  geom_line(data = SFC_filtrada_test, aes(x = FECHA_CORTE, y = VALOR, color = "Prueba"), size = 1) +
  scale_x_date(labels = date_format("%Y-%m"),
               date_breaks = "1 year") +
  scale_color_manual(values = c("Entrenamiento" = "blue", "Prueba" = "red")) +
  labs(title = "División de Datos: Entrenamiento y Prueba",
       x = "Fecha de Corte",
       y = "Valor",
       color = "Conjunto") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

7.2 Modelo Prophet

# Preparar los datos para Prophet
datos_prophet_train <- data.frame(
  ds = SFC_filtrada_train$FECHA_CORTE,
  y = SFC_filtrada_train$VALOR
)

# Ajustar modelo Prophet
modelo_prophet <- prophet()
modelo_prophet <- fit.prophet(modelo_prophet, datos_prophet_train)

# Preparar datos para predicción
datos_prophet_test <- data.frame(
  ds = SFC_filtrada_test$FECHA_CORTE
)

# Generar predicciones
predicciones_prophet <- predict(modelo_prophet, datos_prophet_test)

# Visualizar predicciones
datos_pred <- bind_rows(
  datos_prophet_train %>% select(ds, y) %>% mutate(tipo = "Datos históricos"),
  data.frame(ds = datos_prophet_test$ds, y = SFC_filtrada_test$VALOR, tipo = "Datos reales"),
  data.frame(ds = predicciones_prophet$ds, y = predicciones_prophet$yhat, tipo = "Predicción")
)

ggplot(datos_pred, aes(x = ds, y = y, color = tipo)) +
  geom_line() +
  scale_color_manual(values = c("Datos históricos" = "#0072B2",
                               "Datos reales" = "#009E73",
                               "Predicción" = "#D55E00")) +
  labs(title = "Pronóstico con Prophet",
       x = "Fecha",
       y = "Valor",
       color = "") +
  theme_minimal() +
  theme(legend.position = "bottom")

# Evaluar rendimiento
if (nrow(SFC_filtrada_test) > 0) {
  cat("Tipo de FECHA_CORTE en SFC_filtrada_test:", class(SFC_filtrada_test$FECHA_CORTE), "\n")
  cat("Tipo de ds en predicciones_prophet:", class(predicciones_prophet$ds), "\n")

  # Fusionar los valores reales del conjunto de prueba con las predicciones
  predicciones_eval <- merge(SFC_filtrada_test %>% select(FECHA_CORTE, VALOR),
                             predicciones_prophet %>% select(ds, yhat),
                             by.x = "FECHA_CORTE",
                             by.y = "ds")

  cat("Número de filas en predicciones_eval después de la fusión:", nrow(predicciones_eval), "\n")

  # Verificar si hay datos coincidentes para evaluar
  if (nrow(predicciones_eval) > 0) {
    # Calcular MAPE (Error Porcentual Absoluto Medio)
    mape_prophet <- mean(abs((predicciones_eval$VALOR - predicciones_eval$yhat) / predicciones_eval$VALOR), na.rm = TRUE) * 100
    rmse_prophet <- sqrt(mean((predicciones_eval$VALOR - predicciones_eval$yhat)^2, na.rm = TRUE))

    print(paste("Prophet MAPE:", round(mape_prophet, 2), "%"))
    print(paste("Prophet RMSE:", round(rmse_prophet, 2)))
  } else {
    print("No hay datos coincidentes para evaluar el rendimiento.")
  }
} else {
  print("No hay datos en el conjunto de prueba para evaluar el rendimiento.")
}
## Tipo de FECHA_CORTE en SFC_filtrada_test: Date 
## Tipo de ds en predicciones_prophet: POSIXct POSIXt 
## Número de filas en predicciones_eval después de la fusión: 0 
## [1] "No hay datos coincidentes para evaluar el rendimiento."

8. Resultados

Tendencia Histórica (Datos históricos - Línea azul): El gráfico muestra una tendencia general al alza en el valor de los microcréditos en Colombia desde aproximadamente 2016 hasta mediados de 2023. Se observan fluctuaciones y cierta volatilidad, pero la dirección predominante es de crecimiento. Se aprecian patrones estacionales o cíclicos, aunque no son tan pronunciados como la tendencia general.

Datos Reales (Datos reales - Línea verde): Esta línea representa los valores reales observados durante el período de prueba (posterior al conjunto de entrenamiento). Se superpone con la tendencia histórica y la predicción, permitiendo evaluar visualmente qué tan bien el modelo se ajusta a los datos no vistos.

Predicción (Predicción - Línea naranja): La línea naranja muestra la proyección del modelo Prophet para el futuro (más allá del último dato real conocido). La predicción parece continuar la tendencia alcista observada en los datos históricos recientes y en los datos reales del período de prueba.

9. Conclusiones y hallazgos

Fuerte Tendencia de Crecimiento: Tanto los datos históricos como la predicción sugieren una tendencia continua de crecimiento en el valor total de los microcréditos en Colombia. Esto podría reflejar una mayor inclusión financiera, un aumento en la demanda de capital para pequeñas empresas y emprendimientos, o políticas gubernamentales que fomentan el acceso al crédito.

A pesar de que hay datos coincidentes entre los datos reales y la predicción no es posible medir el rendimiento del modelo, es probable que toque evaluar más a fondo un posible error en el codigo, en el manejo de los datos, el rango escogido, entre otros.

Pronóstico de Crecimiento Continuo: Basándonos en la predicción del modelo, se podría esperar que el valor total de los microcréditos en Colombia continúe aumentando en los próximos años (más allá de 2024 mostrado en el gráfico). La pendiente de la predicción parece similar a la tendencia observada en los últimos años.