Machine Learning para Predecir la Mejor Hora de Contacto al Deudor

El problema del timing en cobranza: por qué la hora importa tanto como el mensaje

En la gestión de cobranza, uno de los factores más subestimados es el timing. Un mensaje excelente enviado en el momento equivocado puede tener una tasa de respuesta ínfima, mientras que un mensaje simple enviado en el momento correcto puede resultar en un pago inmediato. La diferencia no es trivial: optimizar el horario de contacto puede incrementar la tasa de contacto efectivo entre un 25% y un 45%.

Hasta hace pocos años, las operaciones de cobranza usaban reglas simples para determinar cuándo llamar: “llamar entre 10am y 6pm de lunes a viernes” o “no llamar los fines de semana”. Estas reglas son fáciles de implementar pero terriblemente ineficientes. No consideran las particularidades de cada deudor, su zona horaria, su ocupación, sus patrones de comportamiento o las variaciones del mercado local.

El machine learning aplicado a la cobranza con IA cambia completamente este paradigma.

Cómo funciona un modelo de ML para optimización de timing

Un modelo de machine learning para predecir el mejor momento de contacto analiza múltiples fuentes de datos para generar una predicción personalizada por deudor:

Variables internas (propias de la operación)

• Historial de intentos de contacto previos: ¿qué días y horas resultaron en respuesta efectiva?
• Tipo de deuda y segmento del deudor
• Canal utilizado en cada intento (voz, SMS, WhatsApp, email)
• Resultado de cada intento: no contesta, ocupado, responde, promete, paga
• Días desde el vencimiento y comportamiento histórico de pago

Variables externas (contexto del mercado)

• Zona geográfica del deudor y horario local
• Sector de actividad económica (empleados vs. independientes tienen patrones muy distintos)
• Día del mes en relación a fechas de cobro de salarios típicas
• Variables estacionales (quincena, fin de mes, períodos de vacaciones)
• Contexto macroeconómico del mercado local

Variables de comportamiento digital

• Si el deudor tiene historial de apertura de emails por horario
• Patrones de respuesta en WhatsApp o SMS anteriores
• Actividad en portales de autogestión (si existen)

El impacto del ML en las métricas de contacto

MétricaSin optimización MLCon optimización MLMejora promedio

Tasa de contacto efectivo30-40%55-70%+35-45%

Tasa de promesa de pago20-30%35-50%+40-60%

Intentos por cuenta resuelta6-103-5-40-50%

Costo por cuenta gestionada$25-50 USD$12-25 USD-40-50%

Tasa de abandono de llamada25-40%10-20%-40-50%

Estos números son promedios de operaciones reales que implementaron modelos de ML para optimización de timing. El impacto varía según el volumen de datos históricos disponibles: a mayor volumen de datos, mayor precisión del modelo.

Patrones de timing que el ML descubre y que son contraintuitivos

Uno de los valores más importantes del machine learning en cobranza inteligente es que descubre patrones que los humanos no anticiparían. Algunos ejemplos de hallazgos frecuentes en operaciones LATAM:

El fenómeno del miércoles a las 11am

En múltiples operaciones de cobranza en México y Colombia, los modelos identificaron que el miércoles entre las 10:30am y las 11:30am tiene tasas de contacto efectivo significativamente superiores al promedio. La hipótesis: es el momento de la semana donde la mayoría de las personas ya terminaron las reuniones matutinas y todavía no iniciaron las del mediodía.

Los pagos de quincena como ventana crítica

En mercados donde el pago salarial es quincenal (México, Colombia, Argentina), los modelos muestran picos de respuesta positiva 24-48 horas después de las fechas de pago típicas (1 y 15, o 15 y 30 de cada mes). Contactar en esa ventana aumenta la probabilidad de pago inmediato.

El efecto del canal en el timing

El machine learning también revela que el timing óptimo varía por canal. Los SMS tienen mayor respuesta a las 8-9am (la persona los ve al despertar). Los voice agents tienen mejor tasa de contacto efectivo entre las 5-7pm (vuelta del trabajo). El email funciona mejor al mediodía o temprano en la mañana.

Tipos de modelos ML utilizados en optimización de timing

Modelos de clasificación

Predicen si un intento de contacto en un determinado horario resultará en respuesta efectiva (clasificación binaria) o en categorías más granulares (no contesta / contesta sin resolución / promesa de pago / pago directo).

Modelos de optimización multi-armada (Multi-Armed Bandit)

Particularmente útiles cuando hay incertidumbre sobre cuál horario es mejor para un deudor nuevo. El modelo balancea exploración (probar nuevos horarios) con explotación (usar el horario que mejor ha funcionado hasta ahora).

Modelos de supervivencia

Predicen cuánto tiempo tardará un deudor en responder a un contacto, dado un determinado horario y canal. Útil para optimizar la cadencia entre intentos.

Redes neuronales recurrentes (RNN / LSTM)

Para deudores con historial extenso de interacciones, estas arquitecturas pueden identificar patrones temporales complejos en el comportamiento de respuesta.

Requisitos de datos para implementar ML en timing de cobranza

La calidad del modelo depende directamente de la calidad y volumen de los datos disponibles. Para implementar un modelo efectivo de optimización de timing, una operación necesita:

• Volumen mínimo recomendado: Al menos 50,000 intentos de contacto históricos con resultado documentado
• Datos necesarios por intento: Fecha, hora, canal, ID deudor, segmento, resultado
• Actualización del modelo: Los modelos deben reentrenarse periódicamente (mensual o trimestral) para incorporar nuevos patrones
• Validación de calidad: Los datos deben estar libres de sesgos de muestreo (por ejemplo, si históricamente solo se llamó en ciertos horarios, el modelo puede sobrestimar esos horarios)

Las plataformas de cobranza automatizada como Kleva acumulan estos datos automáticamente desde el primer día de operación, permitiendo que los modelos mejoren continuamente con cada interacción. Con más de 900,000 minutos mensuales gestionados, el volumen de datos para entrenar modelos precisos está garantizado.

Integración del ML en el flujo de trabajo de cobranza

La implementación práctica del machine learning para optimización de timing en una operación de cobranza sigue estos pasos:

• Auditoría de datos históricos: Evaluar qué datos están disponibles, su calidad y cobertura temporal.
• Entrenamiento del modelo base: Con los datos disponibles, entrenar un primer modelo de clasificación de timing.
• Integración con el sistema de marcación: Conectar el modelo con el dialer o la plataforma de cobranza con IA para que las predicciones se traduzcan en llamadas reales.
• Período de prueba A/B: Comparar resultados del grupo con ML vs. grupo de control con timing tradicional.
• Refinamiento continuo: Reentrenar el modelo con los nuevos datos generados en producción.

El rol del scoring en la optimización de timing

El timing óptimo de contacto no puede analizarse independientemente del scoring del deudor. Un deudor con alta probabilidad de pago merece un enfoque diferente al de uno con baja probabilidad:

• Score alto: Contactar en el horario estadísticamente óptimo para el perfil del deudor. Un solo intento bien ejecutado puede ser suficiente.
• Score medio: Usar ML para optimizar una secuencia de 4-6 intentos en ventanas horarias progresivamente diferentes.
• Score bajo: El timing es menos crítico porque la probabilidad de recuperación es baja de todas formas. Priorizar el costo-eficiencia.

La segmentación de deudores combinada con la optimización de timing es la combinación que produce los mejores resultados en términos de ROI para la operación de cobranza.

Preguntas frecuentes sobre ML en cobranza

¿Cuántos datos históricos necesito para que el modelo sea útil?

Con menos de 10,000 intentos históricos, los modelos generales suelen ser más útiles que los personalizados. Entre 10,000 y 50,000 intentos se puede implementar un modelo de segmentación de deudores con timing diferenciado por segmento. Con más de 50,000 intentos, los modelos individualizados por perfil de deudor empiezan a mostrar mejoras estadísticamente significativas.

¿El ML puede saber cuándo NO llamar a un deudor?

Sí. Los modelos pueden identificar ventanas de tiempo con alta probabilidad de rechazo o abandono, y evitarlas. Esto reduce el costo de intentos fallidos y también protege la experiencia del deudor, lo que a largo plazo mejora las tasas de acuerdo.

¿El ML es solo para llamadas o también para SMS y email?

La optimización de timing aplica a todos los canales de comunicación. Cada canal tiene sus propios patrones de apertura y respuesta, y el ML puede aprender los patrones específicos de cada uno. La omnicanalidad combinada con ML de timing produce los mejores resultados de la industria.

Conclusión: el timing es una ventaja competitiva en cobranza

En un mercado donde todas las operaciones de cobranza tienen acceso a los mismos deudores y básicamente los mismos canales, la diferenciación viene de la ejecución. El machine learning para optimización de timing es una de las palancas más claras para mejorar las métricas sin incrementar el presupuesto.

Las operaciones que implementan cobranza inteligente con ML reportan reducciones de costo de hasta el 40-50% en su costo por cuenta gestionada, con mejoras simultáneas en la tasa de recuperación. Plataformas como Kleva integran estos modelos en su stack de cobranza automatizada, haciendo que la optimización de timing sea accesible sin necesidad de un equipo interno de data science.