Análisis del Reporte Crediticio Consolidado (RCC)
Asociación de Bancos del Perú (ASBANC)
El presente análisis buscar determinar las características en el sistema financiero de las empresas seleccionadas por el Instituto Tecnológico de la Producción (ITP).
1. Librerías
A continuación se detallan las librerías a utilizar para el análisis.
#install.packages(readxl)
library(readxl)
#install.packages(tidyverse)
library(tidyverse)
#install.packages(knitr)
library(knitr)2. Empresas ITP
La siguiente base de datos de las empresas seleccionadas fue provista por el ITP para su análisis.
itp <- read_excel("5. Pedidos/ITP/Base de datos de Empresas SOSTENIBILIDAD.xlsx")
head(itp, n = 20L)## # A tibble: 20 x 3
## ID `RUC / DNI` NOMBRE
## <dbl> <chr> <chr>
## 1 100001 10024294906 MAMANI ZELA VIRGINIA
## 2 100002 10180674409 CALUA ARROYO JENNY MARITZA
## 3 100004 10198398603 LAZO DE DELZO MARIA TERESA
## 4 100005 10447740023 ARMAS ZAVALETA JOSE MANUEL
## 5 100007 10448339764 TITI BENAVENTE PEDRO ALONSO
## 6 100008 10453955961 AGUILAR MENDOZA GUIDO SEBASTIAN
## 7 100009 10458598971 CORTAVITARTE RODRIGUEZ JAIRO ALONSO
## 8 100011 10480814415 FLORES CIPRIANO JUAN
## 9 100012 10486529658 HUAMAN MENDOZA KENNEDY
## 10 100013 10713919140 AGUIRRE SANTIAGO BRAYAN DEIVIS
## 11 100014 10728776841 MEJIA PASCUAL NADYA IRAIDA
## 12 100015 10730542327 VILCHEZ MORENO BETSY ALEXANDRA
## 13 100016 10739772724 SALAZAR LEIVA VICTOR EDUARDO
## 14 100017 10762942378 TITO GUTIERREZ LAURA SALLY
## 15 100018 10773323360 BLAS GARCIA JALINEE ROSARIO
## 16 100019 20119488398 PRODUCTOS PESQUEROS DEL SUR S.A.
## 17 100020 20132712086 CORPORACION REFRIGERADOS INY S.A.C.
## 18 100023 20137921601 FONDO NACIONAL DE DESARROLLO PESQUERO
## 19 100024 20147897406 UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
## 20 100025 20154598244 UNIVERSIDAD NACIONAL DE UCAYALIA continuación observaremos las dimensiones de la base de datos.
dim(itp)## [1] 820 3- La base presentada por ITP cuenta con 820 filas y 3 columnas.
- Además, observamos que la columna
RUC / DNIcorresponde a documentos de identidad de personas naturales o personas jurídicas.
A continuación se revisará si la base tiene documentos RUC / DNI repetidos o mal tipeados.
# Se crea una columna con el número de veces que el RUC o DNI se repite
itp$ID = as.character(itp$ID)
revision <- itp %>%
group_by(`RUC / DNI`) %>%
tally()
colnames(revision)[2]<-"n_duplicados"
# Se añade una columna del número de caracteres que tiene el RUC o DNI
n_caracteres <- nchar(revision$`RUC / DNI`)
revision <- cbind(revision,n_caracteres)
head(revision, n = 20L)## RUC / DNI n_duplicados n_caracteres
## 1 10000944853 1 11
## 2 10024294906 1 11
## 3 10026452274 1 11
## 4 10027823942 1 11
## 5 10043209995 1 11
## 6 10043419850 1 11
## 7 10048235650 1 11
## 8 10052149865 1 11
## 9 10052165313 1 11
## 10 10052770853 1 11
## 11 10053945657 1 11
## 12 10057852912 1 11
## 13 10059129 1 8
## 14 10070377425 1 11
## 15 10072908053 1 11
## 16 10087947152 1 11
## 17 10093821535 1 11
## 18 10093837318 1 11
## 19 10094333330 1 11
## 20 10100570373 1 11Se procede con la revisión de la base de datos.
revision %>%
group_by(n_caracteres) %>%
count(n_caracteres, sort = TRUE)## # A tibble: 5 x 2
## # Groups: n_caracteres [5]
## n_caracteres n
## <int> <int>
## 1 11 738
## 2 8 25
## 3 12 2
## 4 7 1
## 5 10 1- Los RUC pueden tener 8 u 11 dígitos y el DNI 8 dígitos.
- Observamos que hay 4 documentos
RUC / DNIcon un número de dígitos disinto a lo usual. - Existe un 1 documento con 7 dígitos, 1 documento con 10 dígitos y 2 documentos con 12 dígitos.
revision %>%
group_by(n_duplicados) %>%
count(n_duplicados, sort = TRUE)## # A tibble: 3 x 2
## # Groups: n_duplicados [3]
## n_duplicados n
## <int> <int>
## 1 1 718
## 2 2 45
## 3 3 4- Observamos que hay 718 documentos únicos, 45 documentos que se repiten 2 veces y 4 documentos que se repiten 3 veces.
Dado los problemas encontrados, se procede limpieza de la base de datos. Primero se procede con la eliminación de los documentos repetidos.
n_duplicados <- itp %>%
group_by(`RUC / DNI`) %>%
tally()
colnames(n_duplicados)[2]<-"n_duplicados"
n_caracteres <- nchar(itp$`RUC / DNI`)
itp <- cbind(itp,n_caracteres)
empresas <- merge(x = itp, y = n_duplicados, by = c("RUC / DNI"))
empresas <- empresas[c("ID","RUC / DNI","NOMBRE","n_caracteres","n_duplicados")]
empresas <- empresas %>%
group_by(`RUC / DNI`) %>%
slice(1)
length(empresas$`RUC / DNI`)## [1] 767- Obtenemos una base de datos con 767 documentos únicos.
Luego, se procede a identificar los documentos mal tipeados.
empresas %>%
filter(n_caracteres == 7 | n_caracteres == 10 | n_caracteres == 12)## # A tibble: 4 x 5
## # Groups: RUC / DNI [4]
## ID `RUC / DNI` NOMBRE n_caracteres n_duplicados
## <chr> <chr> <chr> <int> <int>
## 1 100578 1074909693 Ulléíchyu 10 1
## 2 100536 206000544440 Puriy del Peru SAC 12 1
## 3 100572 2060041 TINGO EXOTIC 7 1
## 4 100515 206043891891 Nubes 12 1Finalmente, se procede a corregir los documentos mal tipeados.
empresas$`RUC / DNI`[empresas$`RUC / DNI` == "206000544440"] <- "20600054440" # Puriy del Peru SAC
empresas$`RUC / DNI`[empresas$`RUC / DNI` == "2060041"] <- "20600419367" # TINGO EXOTIC
empresas$`RUC / DNI`[empresas$`RUC / DNI` == "206043891891"] <- "20604391891" # Nubes
empresas <- empresas %>%
filter(n_caracteres != 10) # Ulléíchyu
empresas$n_caracteres <- nchar(empresas$`RUC / DNI`)
empresas %>%
group_by(n_caracteres) %>%
count(n_caracteres, sort = TRUE)## # A tibble: 2 x 2
## # Groups: n_caracteres [2]
## n_caracteres n
## <int> <int>
## 1 11 741
## 2 8 25- Se corregieron los RUC de 3 empresas: Puriy del Peru SAC, TINGO EXOTIC y Nubes.
- Se eliminó la empresa Ulléíchyu porque no se encontró el RUC correcto.
length(empresas$`RUC / DNI`)## [1] 766- Se obtiene una base de datos con 766 documentos únicos para el análisis.
3. Reporte Crediticio Consolidado (RCC)
Se extrajo la información de las 766 empresas seleccionadas para el periodo del segundo trimestre (abril, mayo y junio).
rcc202106 <- read_excel("4. Resultados/202106/rcc.xlsx")
rcc202105 <- read_excel("4. Resultados/202105/rcc.xlsx")
rcc202104 <- read_excel("4. Resultados/202104/rcc.xlsx")
rcc <- rbind(rcc202104, rcc202105, rcc202106)
head(rcc, n = 20L)## # A tibble: 20 x 37
## registro1 cod_cliente fecha año mes tipo_ruc ruc tipo_documento
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 0000105422 20210430 2021 04 RUC 11 dígitos 20146824499 <NA>
## 2 1 0000105422 20210430 2021 04 RUC 11 dígitos 20146824499 <NA>
## 3 1 0000105422 20210430 2021 04 RUC 11 dígitos 20146824499 <NA>
## 4 1 0000105422 20210430 2021 04 RUC 11 dígitos 20146824499 <NA>
## 5 1 0000105422 20210430 2021 04 RUC 11 dígitos 20146824499 <NA>
## 6 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 7 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 8 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 9 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 10 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 11 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 12 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 13 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 14 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 15 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 16 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 17 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 18 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 19 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## 20 1 0000161403 20210430 2021 04 RUC 11 dígitos 20100199743 <NA>
## # ... with 29 more variables: nro_documento <chr>, tipo_persona <chr>,
## # tipo_empresa <chr>, cantidad_empresas <dbl>, deuda_normal <dbl>,
## # deuda_cpp <dbl>, deuda_deficiente <dbl>, deuda_dudoso <dbl>,
## # deuda_perdida <dbl>, apellido_razonsoc <chr>, apellido_materno <chr>,
## # apellido_casada <lgl>, nombre1 <chr>, nombre2 <chr>, registro2 <chr>,
## # cod_empresa <chr>, empresa <chr>, tipo_credito <chr>, condicion <dbl>,
## # saldo <dbl>, moneda <chr>, clasificacion <chr>, cod_cuenta <chr>, ...Las variables que podemos encontrar en el RCC son las siguientes.
diccionario <- read_excel("5. Pedidos/ITP/Diccionario.xlsx")
knitr::kable(diccionario, caption = "Diccionario de datos del RCC")| posición | columna | descripción |
|---|---|---|
| 1 | registro1 | Tipo de registro (1 = Datos del cliente) |
| 2 | cod_cliente | Código SBS del cliente |
| 3 | fecha | Fecha del reporte |
| 4 | año | Año |
| 5 | mes | Mes |
| 6 | tipo_ruc | Tipo de RUC |
| 7 | ruc | RUC |
| 8 | tipo_documento | Tipo de documento de identidad |
| 9 | nro_documento | Código de documento de identidad |
| 10 | tipo_persona | Tipo de persona |
| 11 | tipo_empresa | Tipo de empresa |
| 12 | cantidad_empresas | Número de empresas en que ha sido reportado el cliente |
| 13 | deuda_normal | Saldo de deuda en calificación Normal |
| 14 | deuda_cpp | Saldo de deuda en calificación CPP |
| 15 | deuda_deficiente | Saldo de deuda en calificación Deficiente |
| 16 | deuda_dudoso | Saldo de deuda en calificación Dudoso |
| 17 | deuda_perdida | Saldo de deuda en calificación Pérdida |
| 18 | apellido_razonsoc | Razón social o apellido paterno o nombre de mancómuno |
| 19 | apellido_materno | Apellido materno |
| 20 | apellido_casada | Apellido de casada |
| 21 | nombre1 | Primer nombre |
| 22 | nombre2 | Segundo nombre |
| 23 | registro2 | Tipo de registro (2 = Saldos) |
| 24 | cod_empresa | Código de la empresa en la que registra deuda |
| 25 | empresa | Nombre de la empresa en la que se registra deuda |
| 26 | tipo_credito | Tipo de crédito |
| 27 | condicion | Condición en días |
| 28 | saldo | Saldo |
| 29 | moneda | Operaciones por moneda |
| 30 | clasificacion | Clasificación del cliente en la empresa |
| 31 | cod_cuenta | Código de la cuenta contable del RCC |
| 32 | cod_cuenta_contable | Código de la cuenta contable del manual |
| 33 | cod_cuenta_1d | Cuenta: Clase |
| 34 | cod_cuenta_2d | Cuenta: Rubro |
| 35 | cod_cuenta_4d | Cuenta: Cuenta |
| 36 | cod_cuenta_6d | Cuenta: Subcuenta |
| 37 | cod_cuenta_8d | Cuenta: Cuenta analitica |
Además, no se encuentra información para las 766 empresas. Como máximo hay información para 388 empresas para todo el periodo del segundo trimestre.
#length(unique(rcc202104$cod_cliente))
#length(unique(rcc202105$cod_cliente))
#length(unique(rcc202106$cod_cliente))
length(unique(rcc$cod_cliente))## [1] 388Empezamos analizando el periodo de junio de 2021.
empresas <- empresas[c(1:3)]
datos_cliente <- rcc202106[c(2:22)]
datos_cliente$tipo_ruc[is.na(datos_cliente$tipo_ruc)] <- ""
datos_cliente$ruc[is.na(datos_cliente$ruc)] <- ""
n = dim(datos_cliente)[1]
for(i in 1:n){
if(i>0){
if(datos_cliente$tipo_ruc[i]==""){
datos_cliente$tipo_ruc[i]=datos_cliente$tipo_documento[i]
}
}
}
for(i in 1:n){
if(i>0){
if(datos_cliente$ruc[i]==""){
datos_cliente$ruc[i]=datos_cliente$nro_documento[i]
}
}
}
datos_cliente <- datos_cliente %>%
rename(tipo_doc = tipo_ruc,
nro_doc = ruc)
datos_cliente <- datos_cliente[c(1,3:6,9:21)]
datos_cliente <- datos_cliente %>%
distinct()
# ONELIFE PERU S.A.C tiene el mismo RUC que PLAZA QUERO SAC
datos_cliente <- datos_cliente %>%
filter(apellido_razonsoc != "ONELIFE PERU S.A.C")
empresas_202106 <- merge(x = empresas, y = datos_cliente, by.x = "RUC / DNI", by.y = "nro_doc", all = TRUE)
colnames(empresas_202106)[1]<-"nro_doc"
colnames(empresas_202106)[2]<-"id"
colnames(empresas_202106)[3]<-"nombre"
empresas_202106 <- empresas_202106[, c(2,3,7,1,4,5,6,8,9,10,17,18,19,20,11,12,13,14,15)]
empresas_202106 <-empresas_202106 %>%
drop_na(tipo_doc)
empresas_202106 <- empresas_202106[,c(1:4,15:19)]
knitr::kable(empresas_202106[1:5,], caption = "Empresas con información del RCC")| id | nombre | tipo_doc | nro_doc | deuda_normal | deuda_cpp | deuda_deficiente | deuda_dudoso | deuda_perdida |
|---|---|---|---|---|---|---|---|---|
| 100499 | Majnu | RUC 11 dígitos | 10053945657 | 100 | 0 | 0 | 0 | 0 |
| 100677 | CALLE MADRID ALFREDO RAUL | DNI | 10059129 | 100 | 0 | 0 | 0 | 0 |
| 100408 | Capullo de Alelí Hecho a Mano | RUC 11 dígitos | 10402520715 | 100 | 0 | 0 | 0 | 0 |
| 100699 | AGUILAR QUIROZ CROSWEL EDUARDO | DNI | 18188218 | 0 | 0 | 0 | 0 | 0 |
| 100694 | FILTROS LYS S.A. | RUC 11 dígitos | 20100121043 | 0 | 0 | 0 | 0 | 100 |
Se procede con el análisis de la clasificación de deuda de las empresas
n = dim(empresas_202106)[1]
for(i in 1:n){
if(i>0){
if(empresas_202106$deuda_normal[i]>=60){
empresas_202106$clasificacion[i]="Empresa con buen historial"
}else if(empresas_202106$deuda_normal[i]<60 & (empresas_202106$deuda_cpp[i]!=0 | empresas_202106$deuda_deficiente[i]!=0 | empresas_202106$deuda_dudoso[i]!=0 | empresas_202106$deuda_perdida[i]!=0)){
empresas_202106$clasificacion[i]="Empresa con mal historial"
}else if(empresas_202106$deuda_normal[i]==0 & empresas_202106$deuda_cpp[i]==0 & empresas_202106$deuda_deficiente[i]==0 & empresas_202106$deuda_dudoso[i]==0 & empresas_202106$deuda_perdida[i]==0){
empresas_202106$clasificacion[i]="Empresa sin clasificación"
}
}
}
knitr::kable(empresas_202106[1:5,], caption = "Clasificación de empresas")| id | nombre | tipo_doc | nro_doc | deuda_normal | deuda_cpp | deuda_deficiente | deuda_dudoso | deuda_perdida | clasificacion |
|---|---|---|---|---|---|---|---|---|---|
| 100499 | Majnu | RUC 11 dígitos | 10053945657 | 100 | 0 | 0 | 0 | 0 | Empresa con buen historial |
| 100677 | CALLE MADRID ALFREDO RAUL | DNI | 10059129 | 100 | 0 | 0 | 0 | 0 | Empresa con buen historial |
| 100408 | Capullo de Alelí Hecho a Mano | RUC 11 dígitos | 10402520715 | 100 | 0 | 0 | 0 | 0 | Empresa con buen historial |
| 100699 | AGUILAR QUIROZ CROSWEL EDUARDO | DNI | 18188218 | 0 | 0 | 0 | 0 | 0 | Empresa sin clasificación |
| 100694 | FILTROS LYS S.A. | RUC 11 dígitos | 20100121043 | 0 | 0 | 0 | 0 | 100 | Empresa con mal historial |
- Se ha tomado como criterio que aquellas empresas con un 60% o más de deuda en estado normal se clasifiquen como “Empresas con buen historial”.
- Para aquellas empresas con un porcentaje de deuda menor al 60% en cualquiera de los estados de CPP, dudoso, deficiente o pérdida se clasifican como “Empresas con mal historial”.
- Finalmente, existen empresas que no tiene deuda por lo que se clasifican como “Empresas sin clasificación”.
x = table(empresas_202106$clasificacion)
pie(x, labels = x, main = "Clasificación de empresas \n n = 366", col = heat.colors(length(x)))
legend("topright", c("Empresas con buen historial","Empresa con mal historial","Empresa sin clasificación"), cex = 0.8, fill = heat.colors(length(x)))