Cómo Segmentar Deudores por Propensión de Pago con Machine Learning

No todos los deudores en mora son iguales. Algunos pagarán en cuanto reciban el primer recordatorio; otros necesitarán varias gestiones y un plan de pago flexible; y algunos requieren una conversación humana empática para entender su situación. La segmentación por propensión de pago usando machine learning permite identificar cuál es cuál, antes de gastar tiempo y recursos de manera indiscriminada.

En este artículo te explicamos cómo funcionan los modelos de propensión de pago, qué variables utilizan, cómo interpretarlos y cómo integrarlos en tu estrategia de cobranza para priorizar el canal, el momento y el mensaje correcto para cada deudor.

¿Qué es la propensión de pago y por qué es clave en cobranza?

La propensión de pago es la probabilidad de que un deudor específico pague su deuda dentro de un período determinado, dado un conjunto de características conocidas. No es una predicción binaria (paga o no paga), sino una probabilidad continua que permite ordenar la cartera de mayor a menor disposición de pago.

Con este ordenamiento, podés hacer cosas que antes eran imposibles con métodos manuales:

• Priorizar los deudores con mayor propensión para los primeros contactos del día, maximizando la recuperación temprana
• Asignar canales de menor costo (SMS, WhatsApp) a deudores de alta propensión que no necesitan mucho estímulo
• Reservar los recursos más costosos (llamadas humanas) para deudores con propensión media que responden a conversaciones personalizadas
• Identificar tempranamente los deudores de baja propensión para iniciar procedimientos alternativos antes de que la mora sea irrecuperable

Variables que alimentan un modelo de propensión de pago

Los modelos de machine learning para propensión de pago aprenden de las siguientes variables:

Comportamiento de pago histórico

• Número de veces que el cliente pagó tarde en el pasado
• Monto promedio de los pagos atrasados
• Tiempo promedio que tardó en pagar una vez en mora
• Patrón estacional (¿paga mejor a inicio o fin de mes?)
• Respuesta a gestiones de cobranza previas (¿respondió en la primera llamada?)

Características de la deuda actual

• Monto de la deuda (más alto = menor propensión estadística)
• Días en mora (a mayor mora, menor propensión)
• Tipo de producto financiero (crédito de nómina, hipotecario, consumo)
• Número de productos activos con la misma institución

Variables sociodemográficas y contextuales

• Edad del cliente
• Zona geográfica
• Canal de adquisición del crédito
• Indicadores macroeconómicos locales (desempleo regional, inflación)

Algoritmos más usados para scoring de propensión de pago

Los algoritmos de machine learning más utilizados en modelos de propensión de pago para cobranza son:

Gradient Boosting (XGBoost, LightGBM)

Los modelos de gradient boosting son los más populares en el contexto de cobranza por su alta precisión y capacidad para manejar variables mixtas (numéricas y categóricas). Son relativamente interpretables y se actualizan eficientemente con nuevos datos.

Regresión Logística con regularización

La regresión logística sigue siendo muy usada por su simplicidad, interpretabilidad y velocidad de actualización. Produce probabilidades directamente calibradas y es fácil de auditar para reguladores.

Random Forest

Los random forests son robustos ante outliers y variables no informativas, lo que los hace útiles cuando la calidad de datos no es perfecta (un escenario común en LATAM).

Redes neuronales (para carteras muy grandes)

Para carteras de más de 100,000 deudores activos, las redes neuronales pueden capturar patrones no lineales complejos que superan a los métodos tradicionales. Requieren más datos y potencia de cómputo, pero el resultado puede ser significativamente superior.

Cómo integrar el scoring en la estrategia de cobranza

El scoring de propensión de pago solo tiene valor si se integra en el proceso de cobranza operativo. La forma más efectiva es:

• Segmentar la cartera en 3-5 grupos por score: muy alta propensión (80%+), alta (60-80%), media (40-60%), baja (20-40%) y muy baja (<20%).
• Asignar el canal y la cadencia de contacto según el segmento: canales digitales de bajo costo para alta propensión, voz automatizada para propensión media, equipo humano para propensión media-baja, y proceso alternativo para baja propensión.
• Personalizar el mensaje según el segmento: el deudor de alta propensión necesita facilidad (link de pago directo); el de propensión media necesita opciones (pago parcial, prórroga); el de baja propensión puede necesitar comprensión de su situación y un plan estructurado.
• Actualizar el score diariamente con los resultados de las gestiones del día anterior.

Cuánto mejora la recuperación con segmentación por propensión

La implementación de modelos de propensión de pago en operaciones de cobranza en LATAM muestra mejoras consistentes:

• Aumento del 15-25% en la tasa de recuperación en los primeros 30 días, al priorizar los deudores más dispuestos a pagar
• Reducción del 20-30% en el costo por recuperación, al asignar canales de bajo costo a los casos de alta propensión
• Mejora del 10-20% en la tasa de contacto efectivo, al contactar en el momento y canal correcto
• Identificación temprana (5-7 días antes) de casos que van a requerir intervención humana

Kleva: propensión de pago integrada en la plataforma de cobranza

Kleva integra modelos de scoring de propensión de pago directamente en su plataforma de cobranza automatizada. Cada deudor recibe un score actualizado diariamente que determina qué canal, qué momento y qué mensaje usar. Este enfoque es parte de lo que permite a Kleva lograr una tasa de éxito del 73% en gestiones automatizadas, recuperando más de $5M USD en cartera vencida en LATAM.

Si querés implementar segmentación por propensión de pago en tu operación, sin necesidad de construir el modelo desde cero, Kleva puede ser tu punto de partida.