Cómo construir un modelo de propensión al pago para priorizar cartera

No todas las cuentas vencidas tienen la misma probabilidad de pago. Algunas se recuperarán con un simple recordatorio; otras requieren negociación intensiva; otras son prácticamente irrecuperables. La pregunta es: ¿cómo saber cuál es cuál antes de gastar recursos en gestionar toda la cartera por igual?

La respuesta es un modelo de propensión al pago: un algoritmo que asigna a cada cuenta deudora una probabilidad estimada de pagar si se la contacta de la manera correcta. Este modelo permite priorizar la gestión, concentrar los recursos en donde el ROI es mayor, y evitar el gasto en cuentas que no van a responder.

¿Qué es un modelo de propensión al pago?

Un modelo de propensión al pago es un modelo predictivo —generalmente de clasificación binaria— que estima la probabilidad de que un deudor realice un pago si recibe una gestión de cobranza. La variable objetivo suele ser "pagó dentro de los próximos 30 días" vs "no pagó".

El modelo se entrena con datos históricos de gestiones anteriores: qué características tenían los deudores que pagaron vs los que no pagaron. Una vez entrenado, se aplica a la cartera actual para obtener un score de propensión para cada cuenta.

Variables clave para el modelo

Las variables más predictivas suelen agruparse en cinco categorías:

• Historial de pago: Número de pagos puntuales en el pasado, días de mora máximos históricos, frecuencia de atrasos previos.

• Características de la deuda actual: Días de mora actual, monto adeudado, relación entre cuota y monto total.
• Comportamiento de contacto: Respuesta a contactos previos, canales de preferencia, horarios de respuesta.
• Datos sociodemográficos: Edad, nivel educativo, tipo de empleo, zona geográfica (con las limitaciones regulatorias aplicables).
• Señales externas: Información en burós de crédito, datos alternativos disponibles.

Proceso de construcción del modelo

Paso 1: Definir la variable objetivo

Definir con precisión qué se quiere predecir: ¿pago total? ¿pago parcial? ¿promesa de pago cumplida en 30 días? La claridad en la variable objetivo es fundamental para que el modelo sea útil en la práctica.

Paso 2: Preparar los datos históricos

Recopilar y limpiar los datos de gestiones pasadas: quién pagó, cuándo, qué características tenía en el momento de la gestión. Este dataset es la materia prima del modelo.

Paso 3: Seleccionar y entrenar el algoritmo

Para propensión al pago, los algoritmos más utilizados son regresión logística (simple e interpretable), árboles de decisión y Random Forest (buena performance, interpretables), y Gradient Boosting (máxima performance, menos interpretable). La elección depende del balance entre performance y necesidad de explicabilidad.

Paso 4: Validar y calibrar el modelo

Validar con datos que no se usaron en el entrenamiento. Las métricas clave son el AUC-ROC (discriminación), el KS (separación entre pagadores y no pagadores), y la calibración (que el 60% de los marcados como "60% de probabilidad" realmente paguen).

Paso 5: Implementar en producción y monitorear

El modelo debe actualizarse periódicamente (cada 3-6 meses) para capturar cambios en el comportamiento del portafolio. El deterioro gradual del performance es normal y esperado.

Cómo usar el modelo para priorizar la gestión

Una vez que cada cuenta tiene un score de propensión, la cartera puede segmentarse en bandas:

Banda de score | Estrategia | Canal | Intensidad

Alta propensión (70-100%) | Recordatorio simple | WhatsApp/SMS | Baja

Media-alta (50-70%) | Contacto activo + oferta | Voice agent | Media

Media-baja (30-50%) | Negociación personalizada | Agente humano | Alta

Baja propensión (menor a 30%) | Evaluar venta o castigo | Legal | Selectiva

El modelo de propensión en Kleva

Kleva incorpora modelos de propensión al pago como parte central de su motor de priorización de cartera. La plataforma analiza el historial de comportamiento de pago, los resultados de gestiones anteriores, y señales de comportamiento en tiempo real para calcular dinámicamente el score de cada cuenta.

Gracias a este modelo, Kleva puede organizar la cartera de forma inteligente: despliega los recursos donde la probabilidad de recuperación es mayor, reduce el gasto en cuentas de baja propensión, y escala automáticamente los casos críticos a gestores humanos. El resultado es un 73% de tasa de éxito con 15% menos de costo operativo.

Preguntas frecuentes

¿Se necesita un científico de datos para construir un modelo de propensión?

Para un modelo básico con regresión logística, un analista con conocimientos de Python o R y datos históricos suficientes puede construirlo. Para modelos más sofisticados o con datos más complejos, la experiencia de un data scientist es recomendable. Muchas plataformas de cobranza como Kleva incluyen el modelado como parte del servicio.

¿Cuántos datos históricos se necesitan?

Como regla general, se necesitan al menos 1,000-2,000 casos con resultado conocido (pagó/no pagó) para entrenar un modelo con capacidad predictiva razonable. Con menos datos, el modelo puede sobreajustarse. Con más de 10,000 casos, la mejora en performance es significativa.

Conclusión

Un modelo de propensión al pago transforma la gestión de cartera de una actividad reactiva a una disciplina predictiva. Al concentrar los recursos en las cuentas con mayor probabilidad de pago, se maximiza el retorno de cada peso invertido en cobranza y se reduce el desperdicio operativo.

Kleva incluye modelos de propensión listos para usar en su plataforma. Conocé cómo en kleva.co.