IA para elegir el mejor horario de contacto con deudores

El momento del contacto importa más de lo que parece

Una de las variables más subestimadas en la cobranza es cuándo se intenta contactar al deudor. La misma persona con la misma deuda puede responder de forma completamente diferente a las 9 de la mañana de un lunes que a las 6 de la tarde de un jueves. Y dentro de una cartera de 50,000 deudores, esas diferencias se traducen en puntos porcentuales de recuperación que representan millones de dólares.

Durante mucho tiempo, la respuesta a este problema fue empírica y uniforme: llamar en determinados horarios porque «la experiencia indica que funcionan». El problema es que esa experiencia es promedio y la realidad de cada deudor es individual.

La inteligencia artificial cambia el paradigma: en lugar de aplicar un horario promedio a toda la cartera, permite predecir el momento óptimo de contacto para cada perfil con base en datos reales de comportamiento.

Cómo funciona la optimización de horarios con IA

Datos de entrada: qué aprende el modelo

Un modelo de IA para optimización de horarios se alimenta de múltiples fuentes de datos:

• Historial de contactabilidad: en qué horarios el deudor respondió en el pasado, en qué momentos no atendió o rechazó la llamada
• Datos demográficos y laborales: tipo de empleo declarado (empleado formal, informal, independiente), zona geográfica, edad
• Comportamiento digital: si el sistema tiene acceso a datos de uso de app o portal, en qué momentos el deudor está activo
• Historial del segmento: patrones de contactabilidad del cluster al que pertenece el deudor según su perfil
• Variables contextuales: día de la semana, quincena o semana de pago en la región, feriados

Con estos datos, el modelo genera para cada deudor una probabilidad de contacto efectivo por franja horaria, y el sistema programa el intento en el momento de mayor probabilidad.

Segmentación previa: la base del modelo

La optimización individual funciona mejor cuando se combina con una segmentación inteligente de la cartera. Los segmentos típicos que tienen patrones de horario diferenciados incluyen:

• Trabajadores formales: mayor contactabilidad en horario de almuerzo (12-14h) y después del trabajo (18-20h)
• Trabajadores informales / comerciantes: patrones más variables, pero generalmente mejor respuesta en la tarde temprana
• Amas de casa: mañana media (10-12h) suele ser el momento de mayor disponibilidad
• Profesionales independientes: altamente variable, el modelo individual tiene más valor que el segmento
• Adultos mayores: mañana temprana (8-10h) con mejor respuesta en muchos mercados

Resultados concretos de la optimización de horarios

La diferencia entre contactar en el horario correcto y en uno arbitrario es significativa. Los datos de operaciones de cobranza que implementaron optimización de horarios basada en IA muestran mejoras consistentes:

• Aumento de la tasa de contacto efectivo del 15-25% comparado con horarios fijos
• Reducción del número de intentos necesarios para alcanzar al deudor, lo que baja el costo por contacto
• Mejora en la disposición a negociar del deudor, porque es contactado en un momento en que está disponible y no interrumpido

Plataformas como Kleva incorporan estos modelos de optimización como parte de su motor de IA, procesando más de 900,000 minutos mensuales de interacciones y ajustando continuamente los patrones de contacto para maximizar la efectividad de cada campaña de cobranza.

Restricciones regulatorias y ventanas de optimización

La optimización de horarios debe operar siempre dentro del marco regulatorio. En Latinoamérica, la mayoría de los países permiten contactos entre las 8:00 y las 20:00 horas en días hábiles. Esto significa que la ventana de optimización tiene entre 8 y 12 horas disponibles por día.

Dentro de esa ventana, el modelo puede identificar los sub-horarios de mayor efectividad. Por ejemplo, en una cartera típica de empleados formales en mercados urbanos latinoamericanos, los horarios de mayor contactabilidad suelen ser:

• 8:00-9:00: antes de entrar al trabajo
• 12:30-13:30: horario de almuerzo
• 18:30-20:00: después de la jornada laboral

El modelo va refinando estas ventanas con cada interacción, aprendiendo si el patrón del deudor individual confirma o difiere del patrón del segmento.

Implementación práctica: cómo empezar

Fase 1: recolección de datos base

Si todavía no tienen datos suficientes para entrenar un modelo individual, empiecen por registrar sistemáticamente el resultado de cada intento de contacto con horario y canal. Con tres meses de datos, ya tienen suficiente para identificar patrones por segmento.

Fase 2: optimización por segmento

Antes de la personalización individual, apliquen los patrones de horario por segmento. Esto solo requiere tener bien definidos los clusters de la cartera y los horarios promedio de mayor efectividad para cada uno. Es una mejora significativa sobre el horario uniforme con muy poco esfuerzo de implementación.

Fase 3: optimización individual con IA

Una vez que tienen datos históricos por deudor (mínimo 3-5 intentos de contacto por persona), el modelo puede empezar a personalizar. La mayoría de las plataformas de cobranza con IA incluyen esta funcionalidad, pero requieren un período de entrenamiento inicial antes de que el modelo sea efectivo.

Fase 4: ciclo continuo de mejora

El modelo debe actualizarse continuamente. Los comportamientos de contactabilidad cambian: un deudor que cambia de trabajo modifica sus patrones, las estaciones del año afectan ciertos segmentos, los eventos macroeconómicos cambian la disposición general. Un sistema que no se actualiza pierde efectividad con el tiempo.

Combinando horario óptimo con canal óptimo

La optimización de horarios es más poderosa cuando se combina con la optimización de canal. No solo importa cuándo contactar: también importa si hacerlo por voz, WhatsApp, SMS o email.

La combinación horario + canal genera matrices de efectividad por segmento que permiten personalizar completamente la estrategia de contacto. Por ejemplo, para un deudor con perfil de trabajador formal urbano: WhatsApp a las 13:00, y si no responde en 24 horas, llamada a las 19:00. Esta secuencia tiene una probabilidad de contacto significativamente mayor que cualquier combinación arbitraria.

Kleva implementa esta lógica de optimización combinada como parte de su motor de decisión, lo que contribuye a la tasa de éxito del 73% y la resolución en primera llamada del 94% que reporta la plataforma en sus operaciones activas.

Preguntas frecuentes sobre optimización de horarios con IA

¿Cuántos datos se necesitan para que el modelo sea efectivo?

A nivel de segmento, con 30 días de datos ya se pueden identificar patrones útiles. A nivel individual, se recomienda un mínimo de 5-10 intentos de contacto previos por deudor para que la predicción individual sea confiable.

¿Qué pasa con deudores nuevos sin historial?

Los deudores sin historial propio se gestionan con el patrón promedio de su segmento hasta que acumulan suficientes datos para personalización individual. Esto ya es una mejora respecto al horario uniforme.

¿El modelo se puede aplicar a todos los canales?

Sí. Los modelos de optimización de horarios funcionan para voz, WhatsApp, SMS y email, aunque los patrones óptimos pueden diferir entre canales para el mismo deudor.

Conclusión: el tiempo correcto multiplica el resultado

Contactar al deudor correcto en el momento correcto con el mensaje correcto es el ideal de la cobranza inteligente. La IA hace que ese ideal sea alcanzable a escala. La optimización de horarios no es un lujo tecnológico: es una palanca de productividad concreta que aumenta la tasa de contacto, reduce el costo por intento y mejora la experiencia del proceso de cobranza para el deudor.

Las operaciones que implementan esta optimización no solo recuperan más: recuperan más eficientemente, con menos intentos y a menor costo por dólar recuperado.