Cómo Priorizar la Gestión de Cartera Vencida Sin Sesgo Algorítmico

En cualquier operación de cobranza, el tiempo y los recursos son limitados. No es posible contactar a todos los deudores con la misma intensidad al mismo tiempo. Por eso, la priorización de la cartera vencida es una de las decisiones más críticas que toma un equipo de cobranza. La pregunta es: ¿cómo decidir a quién llamar primero? Si la respuesta es «al que debe más» o «al que lleva más tiempo sin pagar», se está dejando dinero sobre la mesa. Los sistemas modernos de scoring predictivo permiten priorizar según probabilidad de pago, no solo según antigüedad o monto. Pero hay un problema creciente: los algoritmos pueden perpetuar sesgos que dañan a ciertos grupos de deudores y generan riesgos regulatorios para la empresa. Este artículo explica cómo construir una estrategia de priorización efectiva y éticamente responsable.

Por qué la priorización importa más de lo que parece

Un equipo de cobranza que prioriza mal puede gastar el 80% de su energía en el 20% de la cartera menos recuperable. La segmentación inteligente de cartera permite concentrar los esfuerzos donde el impacto real es mayor. Estudios del sector muestran que las empresas que implementan priorización basada en datos reportan aumentos del 25-30% en su tasa de recuperación sin incrementar el costo operativo.

Los criterios tradicionales de priorización —antigüedad de la deuda y monto— son insuficientes porque ignoran la variable más importante: la probabilidad de pago. Un deudor con deuda de 90 días pero alta intención de pago puede ser más valioso que uno de 30 días sin intención de pagar.

Las variables clave para un scoring de priorización efectivo

Un buen modelo de scoring de deudores combina múltiples variables para predecir la probabilidad de recuperación:

• Historial de pagos: ¿El cliente pagó tarde antes pero siempre pagó? ¿Tiene antecedentes de incumplimiento total?
• Comportamiento reciente: ¿Abrió los últimos emails? ¿Respondió al último WhatsApp? ¿Prometió pago y no lo cumplió?
• Antigüedad de la relación: los clientes de larga data tienen mayor probabilidad de resolver sus deudas para preservar la relación comercial.
• Monto de la deuda: los montos más altos justifican mayor inversión de recursos, pero no garantizan mayor probabilidad de cobro.
• Segmento y tamaño del cliente: una empresa grande con problemas temporales de liquidez tiene un perfil diferente a una PyME sin flujo de caja.
• Canal de preferencia histórico: ¿Responde mejor a llamadas o a mensajes? ¿En qué horario?
• Señales externas: cambios societarios, noticias del sector, variaciones macroeconómicas que afecten al deudor.

Qué es el sesgo algorítmico en cobranza y por qué es un problema

El sesgo algorítmico ocurre cuando un modelo de scoring discrimina sistemáticamente a ciertos grupos de deudores basándose en características irrelevantes o injustas, como la ubicación geográfica, el sector económico, el tamaño de la empresa, o incluso el nombre del deudor. Este sesgo puede surgir de dos formas:

• Sesgo en los datos históricos: si los datos de entrenamiento del modelo reflejan prácticas de cobranza históricamente sesgadas, el algoritmo las perpetúa. Por ejemplo, si en el pasado se gestionaban menos las deudas de ciertos sectores, el modelo puede clasificarlos incorrectamente como de bajo potencial de recuperación.
• Variables proxy: una variable aparentemente neutra (como el código postal) puede actuar como proxy de características protegidas (como el nivel socioeconómico), introduciendo discriminación indirecta.

Los riesgos son dobles: se pierde efectividad (se subevalúan deudores recuperables) y se generan riesgos regulatorios y reputacionales, especialmente en países con leyes de protección de datos y prácticas de cobranza ética.

Cómo construir un modelo de priorización sin sesgo

Eliminar el sesgo algorítmico no significa no usar IA: significa usarla con responsabilidad. Las mejores prácticas incluyen:

1. Auditar los datos de entrenamiento

Antes de construir el modelo, analizar si los datos históricos reflejan prácticas discriminatorias. Si ciertos segmentos fueron sistemáticamente menos contactados en el pasado, los datos de pago de esos segmentos están sesgados hacia abajo.

2. Excluir variables proxy de características protegidas

Variables como código postal, nombre del propietario, o sector en algunos contextos pueden actuar como proxies. El equipo de datos debe analizar la correlación entre variables y las características protegidas.

3. Validar el modelo con pruebas de fairness

Las métricas de equidad algorítmica (demographic parity, equalized odds) permiten verificar que el modelo no penaliza sistemáticamente a ningún grupo. Esta validación debe ser continua, no solo en el momento del lanzamiento.

4. Implementar revisión humana en casos límite

Los casos en los que el score cae en una zona gris (probabilidad de pago media) deben ser revisados por un analista, no solo ejecutados automáticamente.

5. Monitorear el rendimiento del modelo por segmento

Si la tasa de recuperación varía drásticamente entre segmentos con scores similares, es una señal de sesgo. El modelo debe reentrenarse con esos hallazgos.

Estrategias de priorización por tramo de antigüedad

Un framework práctico combina el scoring con la antigüedad de la deuda:

Tramo de moraEstrategia de priorizaciónCanal recomendadoIntensidad

1-30 díasAlta probabilidad de pago con recordatorio; priorizar por montoWhatsApp / EmailBaja (preventivo)

31-60 díasScoring predictivo: priorizar los de score altoVoice agent + WhatsAppMedia

61-90 díasGestión intensiva: todos los casos score alto, negociación activaLlamada + voice agentAlta

+90 díasSolo casos con evidencia de capacidad de pago o cambio de situaciónLlamada humana especializadaSelectiva

El rol de la IA en la priorización responsable

Las plataformas modernas de cobranza como Kleva aplican machine learning para construir scores de priorización que se actualizan en tiempo real según el comportamiento del deudor. Esto permite no solo priorizar a los deudores con mayor probabilidad de pago, sino también ajustar el canal, el horario y el tono del contacto de forma dinámica. Con más de $5M USD recuperados y 900,000+ minutos mensuales de cobranza gestionada, Kleva ha perfeccionado los modelos de priorización para maximizar la recuperación sin discriminar ni dañar la relación con el cliente.

Variables que NO deberían usarse en el scoring de priorización

• Género del responsable de pagos.
• Origen étnico o nacional.
• Ubicación geográfica como proxy de nivel socioeconómico (excepto como contexto de mercado).
• Datos obtenidos sin consentimiento explícito.
• Variables no causales que solo correlacionan históricamente.

Conclusión: priorizar bien es cobrar más y ser más justo

Una estrategia de priorización de cartera vencida bien diseñada no solo mejora la recuperación: también protege a la empresa de riesgos regulatorios y reputacionales, y trata a los deudores con la equidad que merecen. La clave está en combinar scoring predictivo con auditorías de equidad, revisión humana y plataformas tecnológicas que permitan ajustar los modelos en tiempo real. Si querés implementar un sistema de priorización inteligente y responsable en tu operación de cobranza, conocé Kleva.