Análisis de Cohortes de Deudores: Cómo Mejorar la Estrategia de Cobro por Cosecha

Por qué el análisis de cohortes transforma la estrategia de cobranza

La mayoría de los equipos de gestión de cobranza en Latinoamérica miran su cartera como un todo. Calculan la tasa de mora global, el monto vencido total, el porcentaje de casos en cada etapa. Pero esta vista agregada oculta patrones críticos que solo se revelan cuando se analiza la cartera por cohortes o cosechas.

El análisis de cohortes de deudores es una técnica estadística que agrupa a los deudores según su fecha de originación del crédito y hace seguimiento de su comportamiento a lo largo del tiempo. Permite responder preguntas como: ¿los créditos originados en el tercer trimestre tienen más mora que los del primero? ¿Las cosechas de ciertos meses específicos tienen mejor tasa de recuperación? ¿Qué criterios de originación se correlacionan con mejor comportamiento de pago?

En mercados tan dinámicos como los de LATAM, donde las condiciones económicas cambian rápidamente, el análisis de cohortes es una herramienta indispensable para cualquier equipo de recuperación de deuda LATAM que quiera anticiparse a los problemas en lugar de solo reaccionar ante ellos.

Conceptos clave: cosecha, cohorte y vintage

Antes de entrar en la metodología, es importante establecer la terminología:

Cosecha o vintage

En el contexto de crédito, una cosecha o vintage es el conjunto de créditos originados en un período específico, típicamente un mes o un trimestre. Los créditos de la cosecha de enero 2024 son todos los que se desembolsaron en ese mes, independientemente de su monto, producto o deudor.

Cohorte de deudores

Una cohorte es un grupo de deudores que comparten una característica en común en un momento específico. En cobranza, las cohortes más comunes se definen por:

• Fecha de originación del crédito (la definición más básica)
• Fecha de primer incumplimiento
• Etapa de mora al inicio del análisis
• Canal de originación o perfil de riesgo al momento del crédito

Curva de maduración (vintage curve)

La curva de maduración muestra cómo evoluciona la mora de una cosecha a medida que pasan los meses desde la originación. Es la representación gráfica más importante del análisis de cohortes y permite comparar el comportamiento de diferentes cosechas en el mismo eje temporal.

Cómo construir un análisis de cohortes de deudores paso a paso

Paso 1: Definir el universo y la granularidad

Decidir qué cartera analizar y con qué granularidad temporal (mensual, trimestral). Para carteras de consumo masivo, el análisis mensual es el más útil. Para carteras de crédito corporativo o educativo, el trimestral puede ser suficiente.

Paso 2: Construir la matriz de cohortes

La matriz de cohortes es una tabla donde las filas son las cosechas (meses de originación) y las columnas son los meses transcurridos desde la originación (Month on Book o MOB). Cada celda muestra la tasa de mora acumulada de esa cosecha en ese momento de su vida.

Por ejemplo, la celda para la cosecha de enero 2024 en el MOB 6 muestra qué porcentaje de los créditos originados en enero 2024 estaba en mora a los 6 meses de su originación.

Paso 3: Identificar anomalías y patrones

Con la matriz construida, se buscan:

• Cosechas problemáticas: filas que muestran tasas de mora consistentemente más altas que el promedio
• Aceleración de la mora: cosechas donde la tasa de mora crece más rápido de lo esperado en los primeros meses
• Estabilización tardía: cosechas donde la mora sigue creciendo después del MOB donde típicamente se estabiliza
• Efectos estacionales: patrones que se repiten en las mismas columnas (mismo MOB) para diferentes cosechas

Paso 4: Correlacionar con variables de originación

Una vez identificadas las cosechas problemáticas, el siguiente paso es entender por qué. Esto implica correlacionar el comportamiento de la cosecha con las variables del momento de su originación: condiciones macroeconómicas, criterios de aprobación vigentes, canal de originación, perfil demográfico de los deudores, etc.

Paso 5: Ajustar la estrategia de cobranza por cosecha

El resultado final del análisis son acciones concretas: qué cosechas necesitan intervención más intensa, en qué MOB se debe escalar, qué mensajes resuenan mejor con cada grupo. La estrategia de gestión de cobranza deja de ser uniforme y se convierte en algo dinámico y diferenciado.

Métricas clave en el análisis de cohortes de deudores

MétricaDescripciónPara qué sirve

Vintage curveEvolución de mora por MOB para cada cosechaComparar comportamiento entre cosechas

Peak NPL por cosechaMáxima tasa de mora alcanzadaEvaluar calidad de la cosecha

Time to peakEn qué MOB se alcanza el pico de moraCalibrar cuándo intensificar gestión

Recovery rate por cosechaPorcentaje recuperado de la mora de cada cosechaEvaluar efectividad de cobranza por grupo

Roll rateVelocidad con que los casos migran entre etapasDetectar aceleración de deterioro

Cure ratePorcentaje de casos que salen de mora sin acuerdo formalIdentificar deudores autoresolutivos

Cómo la cobranza con IA potencia el análisis de cohortes

El análisis de cohortes requiere datos de calidad, procesamiento a escala y capacidad de actuar sobre los hallazgos rápidamente. Las plataformas de cobranza con IA tienen ventajas específicas en cada una de estas dimensiones:

Datos de calidad y en tiempo real

Los sistemas de IA registran cada interacción de forma estructurada, lo que genera una base de datos rica y consistente para el análisis. En lugar de depender de registros manuales fragmentados, el análisis de cohortes puede hacerse sobre datos completos y actualizados.

Detección automática de cosechas problemáticas

Los algoritmos de automatización de cobranza pueden monitorear continuamente el comportamiento de cada cosecha y generar alertas automáticas cuando una cosecha muestra señales de deterioro atípico, mucho antes de que el problema sea evidente en las métricas agregadas.

Estrategias diferenciadas automatizadas

Una vez que el análisis identifica que la cosecha de cierto período necesita un enfoque diferente, los sistemas de IA pueden aplicar esa estrategia diferenciada automáticamente a todos los casos de esa cosecha, sin necesidad de segmentación manual.

Kleva y el análisis de cohortes en la práctica

Kleva integra el análisis de cohortes como parte de su motor de inteligencia para la gestión de cobranza. La plataforma genera automáticamente las curvas de maduración por cosecha y ajusta las estrategias de contacto en función del comportamiento histórico de cada grupo.

Con más de 900,000 minutos de conversación mensuales y una tasa de éxito del 73%, Kleva ha demostrado que el análisis granular de la cartera genera resultados concretos: más de $5 millones de dólares recuperados en carteras donde el enfoque uniforme había fallado. La reducción de costos del 15% proviene en gran parte de no desperdiciar recursos en cosechas de baja probabilidad de recuperación y de concentrar los esfuerzos donde el impacto es mayor.

Cómo Kleva aplica los hallazgos de cohortes en tiempo real

Los voice agents de Kleva reciben instrucciones específicas por cosecha: el tono de la conversación, las opciones de acuerdo disponibles y el nivel de urgencia del mensaje pueden variar según el comportamiento histórico de cada grupo. Esta personalización a nivel de cosecha, aplicada a escala, es lo que genera el 94% de resolución en primera llamada de la plataforma.

Aplicaciones avanzadas del análisis de cohortes

Predicción de pérdidas futuras

Proyectando las curvas de maduración de las cosechas actuales sobre la base del comportamiento histórico de cosechas similares, es posible estimar las pérdidas futuras con razonable precisión. Esto es invaluable para la gestión de provisiones y el planeamiento financiero.

Evaluación del impacto de cambios en criterios de originación

Si se modificaron los criterios de aprobación en un período dado, el análisis de cohortes permite ver si esa cosecha tiene mejor o peor comportamiento que las anteriores. Es una forma de cerrar el loop entre la estrategia de originación y los resultados de cobranza.

Benchmarking temporal de la efectividad de cobranza

Comparando el recovery rate de cosechas similares gestionadas con diferentes estrategias, es posible cuantificar el impacto de cambios en el proceso de recuperación de deuda LATAM: nuevas herramientas, nuevos guiones, nuevos canales.

Preguntas frecuentes sobre análisis de cohortes en cobranza

¿Cuánta historia de datos se necesita para un análisis de cohortes confiable?

Idealmente, al menos 24 meses de historia para tener suficientes cosechas comparables y ver el ciclo completo de vida de los créditos. Con 12 meses ya se puede obtener información valiosa, especialmente para créditos de corto plazo.

¿El análisis de cohortes aplica solo a carteras grandes?

No. Incluso carteras de tamaño mediano (a partir de 5,000 créditos) pueden beneficiarse del análisis de cohortes. La clave es tener datos históricos suficientemente granulares por fecha de originación.

¿Con qué frecuencia debe actualizarse el análisis de cohortes?

Lo ideal es actualizar mensualmente para detectar cambios en el comportamiento de las cosechas en curso. En momentos de volatilidad económica, puede ser necesario un seguimiento semanal de las cosechas más recientes.

Conclusión: del análisis a la acción en la gestión de cobro

El análisis de cohortes de deudores transforma la gestión de cobranza de reactiva a predictiva. Las instituciones que lo dominan pueden anticipar problemas, optimizar recursos y diseñar estrategias diferenciadas que maximizan la recuperación en cada segmento de su cartera.

La automatización de cobranza con IA, especialmente plataformas como Kleva, permite no solo hacer el análisis sino también actuar sobre sus conclusiones a escala, en tiempo real y con consistencia. Es la combinación que define el futuro de la recuperación de deuda LATAM para las instituciones más competitivas de la región.