Machine Learning para Segmentación de Cartera Vencida por Comportamiento

La segmentación tradicional de cartera vencida se basa en variables simples: tramo de mora, monto, tipo de producto. Esta segmentación tiene utilidad básica, pero tiene una limitación estructural: trata igual a dos deudores con 30 días de mora aunque uno tenga alta probabilidad de pagar mañana y el otro haya desaparecido activamente. El machine learning supera esa limitación con una segmentación multidimensional basada en el comportamiento real de cada deudor.

Esta guía explica cómo funciona la segmentación comportamental con ML y qué impacto tiene en la eficiencia de la operación de cobranza.

Por qué la segmentación tradicional ya no es suficiente

En una cartera vencida de 10,000 cuentas, la segmentación por tramo de mora te dice cuántas están en cada etapa. No te dice cuáles vale la pena gestionar hoy, con qué canal, con qué propuesta y en qué orden. Esa información de más alto valor es exactamente lo que la segmentación comportamental con machine learning te da.

La diferencia práctica:

• Segmentación tradicional : "Estas 2,000 cuentas tienen entre 30 y 60 días de mora."
• Segmentación ML : "De estas 2,000 cuentas, 800 tienen alta propensión al pago si reciben un voice agent hoy. 600 están evadiendo activamente y requieren multicontacto. 400 tienen dificultad financiera real y necesitan una oferta de reestructuración. 200 tienen datos desactualizados y necesitan enriquecimiento antes de cualquier intento de contacto."

Los modelos de machine learning más usados en segmentación de cartera

Modelos de propensión al pago

Predicen la probabilidad de que una cuenta específica pague en los próximos X días si recibe gestión activa. Las variables que más predicen la propensión al pago incluyen:

• Historial de pagos previos: ¿es la primera mora o tiene mora recurrente?
• Respuesta a contactos anteriores: ¿respondió a mensajes en ciclos anteriores?
• Comportamiento en la app de la institución: ¿inicia sesión, ve el saldo, hace consultas?
• Datos del bureau: score crediticio actual vs. score al momento de originación.
• Señales macroeconómicas: sector de actividad del deudor, región, ciclo económico.

Modelos de detección de evasión

Identifican deudores que están activamente evitando el contacto. Señales: número de teléfono cambiado sin aviso, cero apertura de ninguna comunicación digital, bloqueo de llamadas de números conocidos, historial de promesas incumplidas. Estos deudores requieren estrategias de contacto alternativas y posiblemente verificación de datos.

Modelos de segmentación por capacidad de pago

Estiman la capacidad real de pago del deudor en el momento actual. Un deudor con alta capacidad de pago pero baja propensión está evadiendo. Un deudor con baja capacidad pero alta propensión está en dificultad genuina y necesita reestructuración. La combinación de ambas dimensiones define la estrategia óptima.

Modelos de recomendación de canal y horario

Predicen qué canal y horario tiene mayor probabilidad de generar un contacto exitoso para cada deudor específico. Basados en el historial de respuesta del deudor (días y horas en que respondió en el pasado, canales donde abrió mensajes), recomiendan el momento y canal óptimo para el próximo intento.

Cómo implementar segmentación ML en tu operación

Paso 1: Consolidar el historial de datos

Los modelos ML necesitan datos históricos de calidad. Mínimo requerido:

• Historial de pagos de los últimos 24 meses por deudor.
• Log de todos los intentos de contacto con resultado (respondió, no respondió, prometió, cumplió, no cumplió).
• Variables demográficas y socioeconómicas disponibles.
• Datos de bureau crediticio.

Paso 2: Entrenar los modelos con datos propios

Los modelos genéricos tienen utilidad limitada. Los modelos entrenados con los datos específicos de tu cartera —tu mix de productos, tus mercados, tu perfil de deudores— son significativamente más precisos. Las plataformas avanzadas como Kleva entrenan modelos específicos para cada cartera que gestionan, lo que resulta en una tasa de éxito del 73% y 94% de resolución en primera llamada .

Paso 3: Integrar el scoring en el CRM

El score de cada cuenta debe estar disponible en el CRM en tiempo real, actualizable diariamente (o en tiempo real para operaciones de alto volumen). Esto permite que las reglas de asignación y priorización del CRM usen el score para decidir automáticamente qué cuentas gestionar hoy, con qué canal y en qué orden.

Paso 4: Medir y retroalimentar

El modelo mejora con el tiempo solo si recibe retroalimentación de los resultados reales. Cada promesa de pago cumplida o incumplida, cada contacto exitoso o fallido, alimenta el modelo y mejora su precisión para predicciones futuras.

El impacto medible de la segmentación ML

• Reducción del costo por cuenta gestionada: al concentrar el esfuerzo en las cuentas con mayor probabilidad de recuperación, el costo por peso recuperado cae.
• Mejora en la tasa de contactabilidad: llamar en el canal y horario correcto puede aumentar la tasa de contacto efectivo un 20-30%.
• Mejora en la tasa de promesas: proponer la oferta correcta al deudor correcto en el momento correcto puede aumentar la tasa de acuerdos un 25-40%.
• Reducción de contactos innecesarios: evitar gestionar cuentas con baja propensión reduce costos y evita el desgaste de deudores que podrían pagar solos.

Segmentación ML en voice agents: la combinación más poderosa

Cuando la segmentación ML se combina con voice agents de IA, el resultado es una operación de cobranza que se adapta en tiempo real a cada deudor: el score determina si la cuenta recibe un voice agent o un gestor humano, qué flujo conversacional usa el agente, qué propuesta de pago ofrece y cuándo hace el seguimiento si no hay respuesta.

Esta combinación de segmentación inteligente + conversación automatizada es la que explica los resultados que reporta Kleva: más de 900,000 minutos mensuales de gestión optimizada con $5M+ recuperados y una reducción del 15% en costos operativos .