Conociendo los Datos

Credit Card Approval Prediction.

Introducción.

El acceso a una tarjeta de crédito ha tenido un crecimiento fuerte a nivel global durante los últimos años; sin embargo, la entrega desmedida y sin analisis rigorosos de los requisitos que deben cumplir los solicitantes ha generado el incremento de la mora en los pagos, esto sumado a la crisis económica ocasionada por la pandemia han causado perdidas en el sector del crédito . Se ha evidenciado que los segmentos de mayor incumplimiento se dan en personas menores a 30 años, con un nivel de educación media e ingresos anuales menores o iguales a USD. 20.000 y una estabilidad laboral menor a 1 año.

Bajo lo expuesto, el presente análisis busca implementar una metodología robusta que permita a la institución financiera determinar a que solicitante se le otorga o no una tarjeta de crédito. La data con la que se trabaja corresponde a la levantada mediante registros administrativos por la institución y, una vez limpia se convierte en información estadística confiable, el algoritmo a utilizar es un modelo probit que, arrojará la pertinencia del otorgamiento del crédito, minimizando la posible mora.

Objetivos

Objetivo General.

Implementar una metodología que permita a la institución financiera determinar el otorgamiento o no de una tarjeta de crédito

Objetivo Específico.

Obtener una base de datos con información estadística confiable donde se puedan aplicar los métodos o herramientas que construirán al modelo deseado

Metodología.

Herramientas.

#Librerias
library(readr)
library(naniar)
library(ggplot2)
library(rsample)
library(dplyr)

Fases.

Análisis Preliminar y Preparación de lo Datos.

Se considerará una base de datos que posee 438557 observaciones correspondientes a 18 diferentes características interés de los solicitantes. A continuación, se presenta una breve descripción de los atributos presente en la base de datos.

Nombre	Descripción	Observaciones
ID	Cliente
CODE_GENDER	Genero
FLAG_OWN_CAR	Posee auto
FLAG_OWN_REALTY	Posee terreno
CNT_CHILDREN	Numero de hijos
AMT_INCOME_TOTAL	Ingresos Anuales
NAME_INCOME_TYPE	Categoria de Ingresos
NAME_EDUCATION_TYPE	Nivel de Educacion
NAME_FAMILY_STATUS	Estado Civil
NAME_HOUSING_TYPE	Tipo de Vivienda
DAYS_BIRTH	Edad	Cuenta hacia atras desde el dia actual (0), -1 significa ayer.
DAYS_EMPLOYED	Comenzo a Trabajas	Cuenta hacia atras desde el dia actual (0). Si es positivo, significa que la persona continua desempleada.
FLAG_MOBIL	Posee celular.
FLAG_WORK_PHONE	Posee telefono de trabajo
FLAG_PHONE	Posee telefono fijo
FLAG_EMAIL	Posee correo electronico
OCCUPATION_TYPE	Ocupacion
CNT_FAM_MEMBERS	Nucleo Familiar

Selección y limpieza de los datos.

Datos Incompletos.

data.frame(miss_var_summary(application_record))

La variable OCCUPATION_TYPE correspondiente a la ocupación del cliente, muestra una cantidad considerable de datos faltantes, se deberá estudiar si la misma fue de carácter obligatorio al momento de levantar la información con el objetivo de determinar si la cantidad de datos faltantes es debido a un error humano.

Transformación del tipo de Datos.

No siempre los datos se encuentran en la forma más adecuada para poder aplicar los métodos necesarios para la tarea que hay que llevar a cabo y conseguir el modelo que se requiere.

A continuación, se muestra los tipos originales de las variables.

ls.str(application_record)

## AMT_INCOME_TOTAL :  num [1:438557] 427500 427500 112500 270000 270000 ...
## CNT_CHILDREN :  num [1:438557] 0 0 0 0 0 0 0 0 0 0 ...
## CNT_FAM_MEMBERS :  num [1:438557] 2 2 2 1 1 1 1 1 1 1 ...
## CODE_GENDER :  chr [1:438557] "M" "M" "M" "F" "F" "F" "F" "F" "F" "F" "M" "M" "M" "M" "M" ...
## DAYS_BIRTH :  num [1:438557] -12005 -12005 -21474 -19110 -19110 ...
## DAYS_EMPLOYED :  num [1:438557] -4542 -4542 -1134 -3051 -3051 ...
## FLAG_EMAIL :  num [1:438557] 0 0 0 1 1 1 1 0 0 0 ...
## FLAG_MOBIL :  num [1:438557] 1 1 1 1 1 1 1 1 1 1 ...
## FLAG_OWN_CAR :  chr [1:438557] "Y" "Y" "Y" "N" "N" "N" "N" "N" "N" "N" "Y" "Y" "Y" "Y" "Y" ...
## FLAG_OWN_REALTY :  chr [1:438557] "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" "Y" ...
## FLAG_PHONE :  num [1:438557] 0 0 0 1 1 1 1 0 0 0 ...
## FLAG_WORK_PHONE :  num [1:438557] 1 1 0 0 0 0 0 0 0 0 ...
## ID :  num [1:438557] 5008804 5008805 5008806 5008808 5008809 ...
## NAME_EDUCATION_TYPE :  chr [1:438557] "Higher education" "Higher education" ...
## NAME_FAMILY_STATUS :  chr [1:438557] "Civil marriage" "Civil marriage" "Married" ...
## NAME_HOUSING_TYPE :  chr [1:438557] "Rented apartment" "Rented apartment" "House / apartment" ...
## NAME_INCOME_TYPE :  chr [1:438557] "Working" "Working" "Working" "Commercial associate" ...
## OCCUPATION_TYPE :  chr [1:438557] NA NA "Security staff" "Sales staff" "Sales staff" ...

#Discretiacion de los datos.

Las variables categóricas en R se las trata como tipo factor.
Se aplicará una transformación a la variable DAYS_BIRTH con el objetivo de obtener la edad del cliente.
Se aplicará una transformación a la variable DAYS_EMPLOYED con el objetivo de obtener la información correspondiente a si un cliente está o no desempleado al momento del levantamiento de información.

application_record_d <- application_record %>% mutate(ID=ID,
                                                      CODE_GENDER=factor(CODE_GENDER),
                                                      FLAG_OWN_CAR=factor(FLAG_OWN_CAR),
                                                      FLAG_OWN_REALTY=factor(FLAG_OWN_REALTY),
                                                      CNT_CHILDREN=CNT_CHILDREN,
                                                      AMT_INCOME_TOTAL=AMT_INCOME_TOTAL,
                                                      NAME_INCOME_TYPE=factor(NAME_INCOME_TYPE),
                                                      NAME_EDUCATION_TYPE=factor(NAME_EDUCATION_TYPE),
                                                      NAME_FAMILY_STATUS=factor(NAME_FAMILY_STATUS),
                                                      NAME_HOUSING_TYPE=factor(NAME_HOUSING_TYPE),
                                                      DAYS_BIRTH = floor(abs(DAYS_BIRTH/360)),
                                                      DAYS_EMPLOYED= cut(DAYS_EMPLOYED,breaks = c(-Inf,0,Inf),labels = c('Empleado','Desempleado')),
                                                      FLAG_MOBIL = factor(FLAG_MOBIL),
                                                      FLAG_PHONE = factor(FLAG_PHONE),
                                                      FLAG_EMAIL = factor(FLAG_EMAIL),
                                                      CNT_FAM_MEMBERS = CNT_FAM_MEMBERS)

data.frame(head(application_record_d))

Análisis descriptivo de los datos.

summary(application_record_d)

##        ID          CODE_GENDER FLAG_OWN_CAR FLAG_OWN_REALTY  CNT_CHILDREN    
##  Min.   :5008804   F:294440    N:275459     N:134483        Min.   : 0.0000  
##  1st Qu.:5609375   M:144117    Y:163098     Y:304074        1st Qu.: 0.0000  
##  Median :6047745                                            Median : 0.0000  
##  Mean   :6022176                                            Mean   : 0.4274  
##  3rd Qu.:6456971                                            3rd Qu.: 1.0000  
##  Max.   :7999952                                            Max.   :19.0000  
##  AMT_INCOME_TOTAL              NAME_INCOME_TYPE 
##  Min.   :  26100   Commercial associate:100757  
##  1st Qu.: 121500   Pensioner           : 75493  
##  Median : 160780   State servant       : 36186  
##  Mean   : 187524   Student             :    17  
##  3rd Qu.: 225000   Working             :226104  
##  Max.   :6750000                                
##                     NAME_EDUCATION_TYPE            NAME_FAMILY_STATUS
##  Academic degree              :   312   Civil marriage      : 36532  
##  Higher education             :117522   Married             :299828  
##  Incomplete higher            : 14851   Separated           : 27251  
##  Lower secondary              :  4051   Single / not married: 55271  
##  Secondary / secondary special:301821   Widow               : 19675  
##                                                                      
##            NAME_HOUSING_TYPE    DAYS_BIRTH        DAYS_EMPLOYED    FLAG_MOBIL
##  Co-op apartment    :  1539   Min.   :20.00   Empleado   :363228   1:438557  
##  House / apartment  :393831   1st Qu.:34.00   Desempleado: 75329             
##  Municipal apartment: 14214   Median :43.00                                  
##  Office apartment   :  3922   Mean   :43.94                                  
##  Rented apartment   :  5974   3rd Qu.:54.00                                  
##  With parents       : 19077   Max.   :70.00                                  
##  FLAG_WORK_PHONE  FLAG_PHONE FLAG_EMAIL OCCUPATION_TYPE    CNT_FAM_MEMBERS 
##  Min.   :0.0000   0:312353   0:391102   Length:438557      Min.   : 1.000  
##  1st Qu.:0.0000   1:126204   1: 47455   Class :character   1st Qu.: 2.000  
##  Median :0.0000                         Mode  :character   Median : 2.000  
##  Mean   :0.2061                                            Mean   : 2.194  
##  3rd Qu.:0.0000                                            3rd Qu.: 3.000  
##  Max.   :1.0000                                            Max.   :20.000

Se observa que la mayoria de solicitantes son mujeres. Se plantea la existencia de una muestra sesgada.
La edad promedio del solicitante es 43 años
El 17% de los solicitantes se encuentra desempleado.
Se observa que la mayoria de los solicitantes tienen un nivel de educación medio.

Visualización de los datos

A continuación, se mostrarán algunas representaciones graficas de ciertas características de los clientes, y algunas interacciones entre ellas.

Género

plot(application_record_d$CODE_GENDER, main='Genero')

Se observa que la mayoria de solicitantes son mujeres.

Nivel de Educación

ggplot(application_record_d, aes(x = NAME_EDUCATION_TYPE)) +
  geom_bar(width = 0.25) +
  scale_x_discrete("Nivel de Educacion") +    
  scale_y_continuous("Frecuencia") +
  labs(title = "Nivel de educacion")

La mayoría de los solicitantes poseen un nivel de educación secundario.

hist(log(application_record$AMT_INCOME_TOTAL), freq = FALSE, main ="INGRESOS ANUALES", xlab = "Ingresos Anuales", ylab = "Porcentaje", border = "black", col="gray", lwd=2)

Los ingresos anuales presentan una tendencia acampanada.

Gráfico de tablas de contingencia.

Resulta de interés estudiar el comportamiento entre dos variables de tipo categórico.

barplot(prop.table(table(application_record_d$CODE_GENDER,application_record_d$DAYS_EMPLOYED)),col = c('black','gray'), beside = TRUE, main = 'Genero - Situacion Laboral', xlab = 'Situacion Laboral')
legend("topright", legend = c("Femenino", "Masculino"), fill = c('black','gray'))

Se observa que existe una mayor cantidad de solicitantes de género femenino que cuentan con empleo.

barplot(prop.table(table(application_record_d$CODE_GENDER,application_record_d$FLAG_OWN_CAR)),col = c('black','gray'), beside = TRUE, main = 'Genero - Auto propio',xlab = 'Auto propio')
legend("topright", legend = c("Femenino", "Masculino"), fill = c('black','gray'))

Se observa que hay más solicitantes masculinos que cuentan con auto propio.

barplot(prop.table(table(application_record_d$CODE_GENDER,application_record_d$FLAG_OWN_REALTY)),col = c('black','gray'), beside = TRUE, main = 'Genero - Patrimonio',xlab = 'Patrimonio')
legend("topright", legend = c("Femenino", "Masculino"), fill = c('black','gray'))

Se observa que la mayoría de los solicitantes son mujeres que cuentan con algún patrimonio.

Resultados

Se ha puesto en marcha un proceso de investigación para determinar el origen de los datos faltantes en la variable ocupación, con lo cual se decidirá el actuar a futuro, correspondiente a eliminar los datos faltantes o usar técnicas de imputación para ‘completarlos’.
A priori se ha evidenciado que el tipo más común de solicitante corresponde a: Mujer casada con alrededor de 40 años, no cuenta con auto propio, pero posee patrimonio.
Se ha evidenciado la necesidad de crear una variable objetivo.
Se ha puesto a consideración la eliminación de la variable FLAG_MOBIL correspondiente a si el solicitante posee un teléfono celular, pues se evidencia que la totalidad de solicitantes posee uno.
Se ha puesto a consideración la eliminación de la variable CNT_CHILDRENS correspondiente al número de hijos, pues se encuentra enmarcada en la variable CNT_FAM_MEMBERS correspondiente al número de integrantes en el núcleo familiar.

Bibliografía

Ramon Sangüesa i Solé (s.a), El proceso de descubrimiento de conocimiento a partir de datos. Objetivos, fases y problemática, Universitat Oberta de Catalunya, España.