Modelos de Propensión de Pago: Cómo Priorizar tus Gestores Humanos con IA

¿Qué es un Modelo de Propensión de Pago y Por Qué lo Necesitás?

Cuando una cartera de cobranza tiene miles o decenas de miles de cuentas activas, la pregunta más importante no es qué hacer, sino dónde empezar. Los gestores humanos son el recurso más valioso y más costoso de cualquier operación de cobranza. Asignarlos a las cuentas equivocadas no solo reduce la tasa de recuperación: también agota al equipo y eleva el costo operativo sin justificación.

Un modelo de propensión de pago es una herramienta de inteligencia artificial que analiza múltiples variables sobre cada deudor para estimar la probabilidad de que pague en los próximos días. Esta probabilidad —expresada como un score o puntaje— permite ordenar la cartera de mayor a menor potencial de recuperación y asignar los recursos de gestión de manera estratégica.

En términos simples: el modelo le dice a tu equipo de cobranza con quién vale la pena hablar hoy, y con quién esperar o usar canales automatizados. Este concepto, bien implementado, puede transformar completamente la efectividad de un departamento de cobranza sin agregar un solo gestor al equipo.

Variables que Alimentan un Modelo de Propensión de Pago

La calidad de un modelo de propensión depende directamente de la calidad y variedad de los datos que lo alimentan. Los modelos más básicos usan solo datos internos del producto crediticio. Los más avanzados integran múltiples fuentes para construir un perfil completo del deudor.

Entre las variables más predictivas se encuentran las relacionadas con el comportamiento histórico: ¿el deudor ha tenido mora antes? ¿Cómo resolvió esas situaciones anteriores? ¿Hubo algún patrón de pago parcial? Este historial interno tiene un poder predictivo altísimo porque muestra la actitud real del deudor hacia sus obligaciones financieras.

• Historial de pagos interno: cantidad de moras anteriores, tiempos de resolución, cumplimiento de acuerdos previos
• Antigüedad de la deuda actual: los deudores en mora temprana tienen propensión mucho mayor que los de mora avanzada
• Monto adeudado: existe una relación no lineal entre monto y propensión; montos medianos suelen tener mejor propensión que montos extremos
• Tipo de producto: la propensión varía significativamente entre tarjeta de crédito, crédito de consumo y microcrédito
• Variables socioeconómicas: zona geográfica, nivel de ingresos estimado, actividad económica
• Comportamiento en contactos previos: ¿atendió la llamada? ¿Respondió el WhatsApp? ¿Visitó el portal de pagos?
• Señales de datos alternativos: actividad en redes sociales, comportamiento transaccional en billeteras móviles, frecuencia de uso de servicios financieros

Cómo Funciona el Scoring de Deudores en la Práctica

El resultado de un modelo de propensión de pago es un score que puede expresarse en diferentes formatos: una probabilidad de 0 a 1, un puntaje de 0 a 1000, o una clasificación en bandas (alta, media, baja propensión). Lo importante no es el formato sino lo que se hace con ese score.

La aplicación más directa es la priorización de la gestión diaria. Si el modelo identifica que 500 cuentas tienen alta propensión de pago en las próximas 48 horas, esas 500 cuentas deben ser la primera llamada del día. No las cuentas con mayor deuda, ni las más antiguas, sino las que tienen mayor probabilidad de convertirse en pagos hoy.

Un error frecuente es usar el score solo para decidir a quién llamar, ignorando su impacto en el canal de contacto. Un deudor con alta propensión y comportamiento digital activo puede ser gestionado perfectamente por WhatsApp automatizado sin necesidad de un gestor humano. En cambio, un deudor con alta propensión pero baja respuesta a canales digitales puede requerir una llamada personal para materializar el pago. El modelo debe informar no solo el quién sino el cómo.

Segmentación de la Cartera Según Propensión: La Matriz Operativa

Una vez que el modelo genera los scores, el siguiente paso es diseñar la estrategia de gestión para cada segmento. La segmentación más útil divide la cartera en cuatro cuadrantes según propensión al pago y tamaño de la deuda.

SegmentoPropensiónMonto deudaEstrategia recomendada

DiamanteAltaAltoGestor humano senior, oferta de acuerdo personalizado

OroAltaBajo-medioVoice agent + opción de pago inmediata

PlataMediaAltoGestor humano + plan de refinanciamiento

BronceMediaBajo-medioSMS/WhatsApp automatizado, escalada si no responde

EsperaBajaCualquieraPausa activa, reactivación en 15-30 días

Esta matriz permite que un gerente de cobranza tome decisiones operativas claras cada mañana: los gestores humanos senior trabajan los segmentos Diamante y Plata, los voice agents y canales automatizados cubren Oro y Bronce, y el segmento de baja propensión no consume recursos hasta que el modelo actualice su scoring.

¿Cuándo Debe Intervenir un Gestor Humano vs. un Voice Agent?

Esta es una de las preguntas más frecuentes en la implementación de modelos de propensión de pago. La respuesta depende de tres variables: la complejidad de la negociación requerida, el valor en riesgo y la respuesta del deudor a los canales automatizados.

Un voice agent de inteligencia artificial puede resolver de forma autónoma las gestiones que implican: informar el monto adeudado, ofrecer opciones de pago predefinidas (pago total, pago parcial, cuotas), registrar un compromiso de pago y enviar un link de pago por WhatsApp. Estas acciones cubren la mayoría de los casos de mora temprana con alta propensión.

El gestor humano debe intervenir cuando: el deudor necesita una negociación fuera de los parámetros predefinidos (por ejemplo, una quita o un refinanciamiento a largo plazo), cuando el deudor expresa una situación personal que requiere empatía específica, o cuando el monto en juego justifica el costo de la intervención humana. Plataformas como Kleva permiten configurar exactamente estos umbrales de escalada, garantizando que el voice agent sepa cuándo derivar a un humano y lo haga de forma natural en la misma llamada.

Implementación Práctica: Pasos para Activar un Modelo de Propensión

La implementación de un modelo de propensión de pago no requiere un equipo de data science propio. Las plataformas de cobranza con inteligencia artificial más avanzadas del mercado ya traen estos modelos incorporados, entrenados con datos de miles de carteras en LATAM.

El proceso de implementación típico sigue estos pasos:

• Paso 1 – Auditoría de datos: identificar qué variables históricas tiene disponibles la organización y en qué formato. Cuantas más variables, mejor el modelo.
• Paso 2 – Integración: conectar el sistema de gestión de cartera con la plataforma de cobranza inteligente para que los datos fluyan de forma automática.
• Paso 3 – Configuración del modelo: ajustar los parámetros del scoring según las características específicas de la cartera (tipo de producto, mercado, perfil de deudores).
• Paso 4 – Diseño de flujos: definir qué acción toma el sistema para cada segmento de score (llamada automática, SMS, asignación a gestor humano, pausa).
• Paso 5 – Monitoreo y ajuste: el modelo mejora con el tiempo a medida que incorpora nuevos datos de resultado. Es importante revisar la calibración mensualmente.

Con Kleva, este proceso está estandarizado y puede completarse en semanas, no meses. La plataforma gestiona más de 900,000 minutos de conversación mensuales y tiene modelos de scoring calibrados para los principales mercados de LATAM, lo que significa que las predicciones son precisas desde el primer día.

ROI de los Modelos de Propensión: ¿Cuánto Mejora la Recuperación?

La adopción de modelos de propensión de pago genera mejoras medibles en múltiples dimensiones. La más visible es la tasa de recuperación por gestor: al concentrar el esfuerzo humano en las cuentas con mayor potencial, cada gestor cierra más acuerdos por día. Esto no requiere más horas de trabajo, sino mejores decisiones sobre cómo invertir ese tiempo.

Una operación de cobranza que pasa de una asignación aleatoria (o por antigüedad de mora) a una asignación basada en scoring puede ver mejoras de entre el 20% y el 40% en la tasa de recuperación temprana. Esto se traduce directamente en más dinero recuperado con el mismo equipo, es decir, un ROI positivo desde los primeros meses de implementación.

La reducción de costos también es significativa. Al automatizar la gestión de los segmentos de alta propensión y bajo monto (que no requieren gestor humano), la cantidad de llamadas manuales necesarias se reduce drásticamente. Los clientes de Kleva reportan una reducción del 15% en costos operativos de cobranza, lo que en carteras de gran volumen representa ahorros de cientos de miles de dólares anuales.

Preguntas Frecuentes sobre Modelos de Propensión de Pago

¿Los modelos de propensión funcionan con carteras pequeñas?

Sí, aunque la precisión mejora con el volumen de datos. Carteras de más de 1,000 cuentas activas ya permiten construir modelos útiles. Para carteras más pequeñas, las plataformas como Kleva aplican modelos pre-entrenados con datos de industria que sirven como base hasta que se acumula suficiente histórico propio.

¿Con qué frecuencia se debe actualizar el scoring?

Idealmente, el scoring se actualiza diariamente. Los comportamientos de los deudores cambian rápidamente (un pago parcial, una promesa incumplida, una nueva consulta de saldo) y el modelo debe reflejar estos cambios para mantenerse relevante.

¿Qué pasa con los deudores de baja propensión? ¿Se abandonan?

No. Los deudores de baja propensión entran en un ciclo de menor intensidad de contacto, con reactivaciones periódicas. La clave es no gastar recursos escasos en cuentas que estadísticamente no van a pagar esta semana, pero manteniendo una presencia mínima para que no olviden la deuda.

¿Cómo se combina el modelo de propensión con la estrategia legal?

El scoring de propensión puede incluir un umbral de escala legal: cuentas con baja propensión, alta antigüedad y monto relevante que superan cierto puntaje de riesgo son derivadas automáticamente al área legal o a una agencia especializada. Esto evita que la cartera prejudicial crezca de forma descontrolada.