Análisis exploratorio¶
El análisis exploratorio describe la cartera antes de modelarla: cuánto incumplimiento hay, cómo se mueve en el tiempo, qué muestra cada variable frente al incumplimiento y qué marcas de calidad levanta el archivo. Corre segundo en el pipeline —justo después de preparar los datos— y no transforma nada: describe, no decide. El binning, la selección y el modelo trabajan sobre los datos originales, no sobre lo que esta sección calcula.
Los números de esta guía
Salen de una corrida real del trabajo «Scorecard de comportamiento (PD)» sobre el dataset sintético de consumo (6.000 operaciones, partición por cohorte), con la sección en sus valores de fábrica. No son benchmarks: ilustran la forma y las magnitudes que produce el pipeline.
1. Sobre qué población se describe¶
La descripción se calcula sobre una muestra, y de fábrica es la de desarrollo, que es donde se ajusta el modelo: conocer esa población antes de modelar es lo que da sentido a la sección. Puedes pedir la de validación, la fuera de tiempo o el archivo entero. Las operaciones fuera del modelo se cuentan, pero no entran en la tasa de incumplimiento.
2. La tasa de incumplimiento en el tiempo¶
La tasa se agrupa de dos maneras, y eliges cuál:
| Eje | Qué hace | Qué necesita |
|---|---|---|
| Por la fecha de observación | Agrupa por mes, trimestre o año y evalúa si la tasa se deteriora en el tiempo | Una columna de fecha en tu archivo |
| Por cohorte o añada | Agrupa por la cohorte de cada operación: la vista por camada | La columna de cohorte, que suele ser la misma con la que particionas. Una cohorte tiene pocos valores —camadas, trimestres, campañas—; un identificador no es una cohorte: el motor calcularía una tasa por operación |
Viene de fábrica por la fecha de observación, y no hace falta indicar cuál: si tu archivo trae una sola columna de fecha, el motor la usa. Y si no trae ninguna pero particionas por cohorte, el motor toma esa cohorte como eje y lo deja registrado en el trail de la corrida —no inventa un eje: usa el que ya declaraste para particionar—. Sin fecha y sin cohorte, la corrida se detiene en ese campo antes de calcular nada.
Es lo que ocurre en la corrida de esta guía: el archivo no tiene fecha y se particiona por la
columna cohorte, así que la tasa sale por cohorte, y Resultados lo dice con todas sus letras
(«Eje tomado de la partición por cohorte»).
| Cohorte | Operaciones elegibles | Incumplidas | Tasa |
|---|---|---|---|
| 2023Q1 | 815 | 187 | 22,94 % |
| 2023Q2 | 822 | 181 | 22,02 % |
| 2023Q3 | 819 | 180 | 21,98 % |
| 2023Q4 | 801 | 188 | 23,47 % |
| 2024Q1 | 762 | 184 | 24,15 % |
La cohorte 2024Q2 no aparece: es la reservada como fuera de tiempo, y la descripción es sobre desarrollo. La tasa global de esa población es 22,89 %. Un período con menos operaciones elegibles que el mínimo configurado —50 de fábrica— no se elimina: se marca como poco fiable y se ve, marcado, en la tabla y en el gráfico.
La señal de estabilidad temporal¶
Sobre un eje con orden cronológico, la sección mide cuánto se mueve la tasa de un período a otro con uno de tres indicadores —la variación relativa, el peor desvío respecto de la media o la tendencia— y lo compara con un umbral. Por encima del umbral registra un aviso de posible redesarrollo. Es un umbral de exploración, no una regla: la corrida sigue igual.
Hay tres situaciones en las que la señal no se evalúa, y las tres se declaran con su causa en vez de callarse o de fallar:
| Causa | Cuándo |
|---|---|
| Eje de cohorte, sin orden cronológico | La tasa se agrupó por cohorte —elegida o tomada de la partición—: las cohortes no tienen un orden que el motor pueda inferir |
| Menos de dos períodos con observaciones suficientes | Un solo período, o varios de los que menos de dos superan el mínimo |
| Sin incumplimientos en los períodos evaluables | La tasa media es cero y el indicador es relativo (variación relativa o peor desvío); con la tendencia sí se evalúa, y vale cero |
En la corrida de esta guía la causa es la primera: la tasa por cohorte se ve y se lee, pero no hay serie temporal que evaluar.
3. Perfiles por variable¶
Cada variable se describe frente al incumplimiento: las numéricas en tramos por cuantiles —diez de fábrica— y las categóricas por valor, con los valores raros agrupados bajo «otros». Es sólo para describir; no es el binning que entra al modelo, ni el IV que decide qué variable queda.
Con «Todas las columnas» marcado se describen todas las de tu archivo salvo las estructurales —el target, el estado, la partición, la fecha y la cohorte— y las que definen el incumplimiento: describir la columna con la que se construyó el target daría una tasa de 0 % o 100 % por tramo que no dice nada. Si eliges columnas, se describen sólo ésas; y una selección vacía no describe ninguna.
En la corrida de esta guía se describen seis variables. Dos de sus perfiles, resumidos:
ingreso_mensual (tramo) |
Operaciones | Tasa |
|---|---|---|
| hasta 286.536 | 402 | 37,56 % |
| 286.536 – 353.899 | 402 | 36,57 % |
| … | … | … |
| 814.788 – 1.017.596 | 402 | 13,18 % |
| más de 1.017.596 | 402 | 10,95 % |
mora_max_12m (tramo) |
Operaciones | Tasa |
|---|---|---|
| 0 – 3 | 619 | 19,06 % |
| 3 – 4 | 541 | 21,07 % |
| … | … | … |
| 8 – 9 | 288 | 24,65 % |
| 9 – 17 | 345 | 26,38 % |
La tasa cae con el ingreso y sube con la mora máxima: es la forma que un analista espera antes de binificar, y verla aquí evita sorpresas después. Si activas el poder predictivo orientativo, cada perfil trae además un IV descriptivo sobre estos tramos —orientativo: el que decide es el del binning—.
4. Calidad de datos¶
Una fila por columna de tu archivo —las que produce el motor al preparar los datos (el target derivado, el estado de la etiqueta, la partición y el rol TTD) no se diagnostican— con su tipo, la proporción de faltantes, cuántos valores distintos tiene y hasta tres marcas:
| Marca | Qué significa |
|---|---|
| casi constante | Un solo valor concentra al menos la proporción configurada de las filas con dato (99 % de fábrica) |
| casi única | Tiene casi tantos valores distintos como filas: suele ser un identificador |
| alta cardinalidad | Una categórica con más valores distintos que el umbral (50 de fábrica) |
Sólo se reportan: ninguna marca elimina una columna ni cambia el modelo. En la corrida de esta
guía, ingreso_mensual sale casi única —4.019 valores distintos en 4.019 operaciones— y no es
un identificador sino un monto con decimales; la marca invita a mirar, no sentencia.
5. En Resultados y en el informe¶
En Resultados, el panel Análisis exploratorio va primero entre los analíticos: es la población sobre la que todo lo demás se lee. Muestra la tasa global, la tasa en el tiempo —una línea si se agrupó por fecha, barras si por cohorte, y ninguna figura cuando hay un solo período—, la señal de estabilidad o su causa, la tabla de calidad con sus marcas y un desplegable por variable descrita.
En el informe, la subsección Población y calidad de datos del capítulo de contexto reproduce la tasa por período o cohorte —graficada con el mismo criterio que la pantalla, y en su tabla— y la calidad por columna, más una figura con la tasa por tramo de cada variable descrita (hasta doce paneles; si hay más variables, el título dice cuántas quedaron fuera). Una cohorte, un período o un tramo sin casos elegibles no tiene tasa y no se dibuja como un 0 %: la figura lo marca con una cruz y lo dice en la leyenda; sobre cohortes se grafican como máximo sesenta, en el orden del motor, y la tabla trae todas. La prosa dice el eje efectivo, si el motor lo tomó de la partición y por qué la señal temporal no se evaluó cuando no se evaluó. Los perfiles por variable van al anexo de tablas, uno por columna descrita.
Cuando el eje tiene demasiados valores. Un identificador no es una cohorte, pero el eje lo
acepta, y entonces el motor calcula una tasa por operación —la tabla tiene tantas filas como el
archivo—. El motor no rechaza ese eje ni pierde nada: calcula la tabla entera y la conserva como
artefacto de la corrida. Lo que se acota es lo que se muestra: la respuesta de la interfaz
publica como máximo las primeras 1.000 filas, en el orden del motor, y Resultados dice «se
muestran las primeras 1.000 de N» y ofrece la tabla completa como descarga (un CSV que queda junto
a los resultados de la corrida, en su directorio de trabajo); el gráfico sigue dibujando sesenta.
En el informe la tabla se recorta al máximo de filas por tabla configurado en la sección «Informe»
(200 de fábrica) —y nunca por encima de 1.000, aunque ese máximo se configure más alto— y lo dice
al pie —«mostrando N de M filas»—, como cualquier otra tabla larga. Por código,
DefaultRateResult.by_period trae siempre todas las filas.
6. Por código¶
La sección se configura igual desde YAML o desde Python; la interfaz es un editor del mismo config. Los analizadores también se usan sueltos, sobre cualquier tabla con un target binario:
import pandas as pd
from nikodym.eda import DefaultRateAnalyzer, DefaultRateConfig, TemporalStabilityAnalyzer
from nikodym.eda import TemporalStabilityConfig
cartera = pd.DataFrame(
{
"cohorte": ["2024Q1", "2024Q1", "2024Q2", "2024Q2", "2024Q3", "2024Q3"],
"incumplio": [1, 0, 0, 0, 1, 1],
},
index=pd.Index([f"op-{i}" for i in range(6)], name="id"),
)
tasa = DefaultRateAnalyzer(
DefaultRateConfig(axis="cohort", cohort_col="cohorte", min_obs_per_period=1)
).compute(cartera, target_col="incumplio")
print(tasa.by_period[["period", "n_eligible", "n_bad", "default_rate"]])
estabilidad = TemporalStabilityAnalyzer(TemporalStabilityConfig()).assess(tasa)
print(estabilidad.not_evaluable_reason) # 'eje_cohorte': sobre cohortes la señal no se evalúa
Las palabras con que la pantalla y el informe nombran el eje, el indicador, las causas y las marcas —y sus identificadores en el JSON— están en la referencia de la API.