Modelos de Scoring de Recobro para Carteras Castigadas: Guía Técnica 2026

Cuando una cartera llega a estado de charge-off (castigada), la pregunta crítica para un CFO o gerente de cobranza ya no es "¿cobramos o no?", sino "¿en cuáles cuentas invertimos recursos?". Acá entran los modelos de scoring de recobro: algoritmos que predicen la probabilidad de recuperación de cada deuda castigada y estiman el monto recuperable, permitiendo priorizar las cuentas con mayor ROI potencial.

A diferencia de un collection score tradicional (que predice probabilidad de pago en mora temprana 1-90 días), un recovery score para cartera castigada opera sobre cuentas que ya pasaron los 180 días de mora (o fueron dadas de baja contablemente) y requiere modelos calibrados para severidad extrema y patrones de pago esporádicos.

¿Qué es un Modelo de Scoring de Recobro y por qué es distinto del Collection Score?

Un modelo de scoring de recobro es un algoritmo predictivo —típicamente de machine learning o estadístico— que asigna una probabilidad de recuperación y/o un monto esperado recuperable a cada cuenta en cartera castigada. Se construye analizando histórico de cuentas similares que fueron trabajadas (qué porcentaje pagó, cuánto pagaron, en cuánto tiempo).

Diferencias clave vs. Collection Score estándar:

AspectoCollection Score (mora 1-90 días)Recovery Score (cartera castigada >180 días)

ObjetivoPredecir si el deudor normalizará su pago en próximos 30-60 díasEstimar probabilidad de recuperar algún monto y cuánto (LGD inverso)

Variables claveComportamiento de pago reciente, contactabilidad, promesas cumplidasAntigüedad del castigo, historial de pagos parciales post-castigo, situación laboral/patrimonial, roll rates históricos

Horizonte temporal30-90 días6-24 meses (recuperaciones tardías son comunes en charge-off)

Técnica comúnRegresión logística binaria (paga / no paga)Regresión Cox (tiempo hasta pago), Beta regression (% recuperado), modelos de dos etapas (sí/no + cuánto)

Accuracy típicoAUC 0.75-0.850.65-0.78 (más ruidoso por severidad)

Caso real: Un modelo logit para cartera castigada en Colombia alcanzó 91.5% de accuracy segmentando cuentas por probabilidad de recuperación, permitiendo a un banco priorizar el 30% superior de cuentas que generaron el 68% de las recuperaciones totales.

Tipos de Modelos de Scoring de Recobro

1. Collection Score (probabilidad de contacto y pago)

Predice la probabilidad de que el deudor responda al contacto y realice un pago en los próximos 90 días. Usa variables como:

• Comportamiento de contacto: tasa de respuesta histórica, skip tracing exitoso, mejor horario de contacto
• Engagement previo: promesas de pago cumplidas, acuerdos renegociados
• Datos demográficos: edad, geografía (algunas regiones de LATAM tienen mayor tasa de auto-cura)

Técnica: Regresión logística con WOE (Weight of Evidence), random forest para interacciones no lineales.

2. Recovery Score (monto esperado recuperable)

Estima cuánto dinero se recuperará como % del saldo castigado. Esto es crítico para pricing de venta de cartera o decisión de litigio vs. negociación.

• Variables clave: saldo original, pagos parciales post-castigo, presencia de garantías/colateral, situación laboral actualizada (empleados formales pagan más que informales)
• Técnicas:

Técnicas:

• Beta regression (para % entre 0-100%)
• Inflated beta regression (maneja exceso de ceros — cuentas irrecuperables)
• Modelo de dos etapas: (1) clasificación binaria (recuperable/irrecuperable), (2) regresión del monto condicionada a recuperabilidad

Benchmark: Modelos beta bien calibrados logran MAE (error absoluto medio) <8% sobre el % recuperado real.

3. LGD (Loss Given Default) para Cartera Castigada

LGD mide la pérdida neta tras agotar esfuerzos de recuperación. Es el complemento del recovery score: LGD = 1 - (Monto Recuperado / EAD), donde EAD es el saldo al momento del default.

En cartera castigada, el Downturn LGD (LGD en recesión) es crucial: durante crisis económicas (ej. COVID-19 en 2020, crisis cambiaria argentina 2023), los recovery rates caen 15-25 pp vs. períodos normales. Modelos robustos incorporan variables macroeconómicas como:

• Tasa de desempleo
• Crecimiento del PIB
• Índice de confianza del consumidor
• Tipo de cambio (para deuda en USD en países con dolarización parcial como Perú, Uruguay)

4. Best Time to Call Score (optimización táctica)

Complementa el recovery score: una vez identificada una cuenta prioritaria, ¿cuándo y por qué canal contactarla? Modelos multinomiales predicen:

• Horario óptimo (mañana/tarde/noche por zona horaria)
• Canal (llamada, WhatsApp, SMS, email)
• Estrategia de mensaje (empático vs. firme, descuento vs. plan de pago)

Impacto: Estudios muestran que contactar en el horario óptimo aumenta la tasa de contacto efectivo en 22-35% vs. horarios aleatorios.

Variables Predictivas Clave en Modelos de Recobro

La Information Value (IV) mide el poder predictivo de cada variable. Variables con IV > 0.30 son altamente predictivas. En cartera castigada, estas suelen ser las top 10:

1. Antigüedad del castigo (vintage): cuentas de 6-12 meses post-castigo tienen mayor tasa de recuperación que >24 meses (fenómeno de "auto-cura tardía" en algunos segmentos)
2. Pagos parciales post-castigo (flag binario + monto): si el deudor pagó algo después del castigo, probabilidad de recuperación aumenta 3-5x
3. Roll rate desde mora 90+ a castigo: deudores que llegaron rápido a 180+ días (vs. los que estuvieron oscilando en mora 60-120) tienen perfiles distintos
4. Producto original: tarjetas de crédito tienen recovery rates más bajos (12-18%) que préstamos personales con garantía (25-35%)
5. Monto del saldo castigado (relación no lineal: saldos muy bajos $5k pueden tener mejor tasa por presión legal)
6. Situación laboral actualizada (si disponible vía bureau o skip tracing): empleo formal 3x más probabilidad de pago que informal
7. Presencia en bureau negativo: estar reportado en DataCrédito/Buró/Equifax disuade nuevos créditos, incentivando limpieza del historial
8. Geolocalización: algunas provincias/estados tienen tasas de recuperación 10-15 pp superiores (ej. en México: CDMX y Monterrey vs. estados del sur)
9. Número de intentos de contacto previos sin éxito: >15 intentos fallidos correlaciona con irrecuperabilidad
10. Indicadores macro al momento del castigo: cuentas castigadas durante recesión tienen LGD +12 pp vs. cuentas castigadas en expansión

Técnicas de Modelado: Logística, Cox, Beta Regression y Machine Learning

Regresión Logística con WOE (Weight of Evidence)

Es el baseline en scoring de recobro por su interpretabilidad (auditoría regulatoria) y estabilidad. Pasos:

1. Binning de variables continuas (ej. saldo en 5 buckets: <$500, $500-$1k, $1k-$3k, $3k-$5k, >$5k)
2. Cálculo de WOE por bucket: WOE = ln(% buenos / % malos)
3. Regresión logística sobre WOE transformados → coeficientes estables y monotónicos
4. Validación: KS (Kolmogorov-Smirnov) >35, Gini >40 son aceptables en cartera castigada

Pro: Explicable a reguladores, auditores internos. Contra: Asume linealidad en logit space, pierde interacciones complejas.

Regresión de Cox (Survival Analysis)

Modela tiempo hasta el evento (primer pago post-castigo). Útil cuando querés estimar cuándo recuperarás, no solo si recuperarás.

• Hazard ratio: un HR=1.8 en "pagos parciales previos" significa que esa cuenta tiene 80% más probabilidad de pagar en cualquier mes dado vs. una sin pagos parciales
• Aplicación: Planificación de flujo de caja (forecast de recuperaciones trimestrales)

Beta Regression (para % recuperado)

Modela directamente el porcentaje del saldo recuperado (variable continua entre 0-1). La distribución beta es flexible y maneja bien el sesgo hacia recuperaciones bajas (mayoría de cuentas recupera 0-20%).

Caso de uso: Pricing de venta de cartera. Si tu modelo predice recovery rate=18% para un pool de $10M en saldo castigado, podés ofertar compra a un tercero por ~$1.5M (15% del saldo, descuento por riesgo).

Machine Learning (Gradient Boosting, Random Forest)

Modelos como CatBoost, XGBoost, LightGBM capturan interacciones no lineales (ej. "saldo alto + desempleo alto + región sur = irrecuperable", pero "saldo alto + empleo formal + CDMX = recuperable").

• Ventaja: Accuracy 3-7 pp superior a logística en datasets grandes (>50k cuentas)
• Desventaja: Caja negra → dificulta cumplimiento regulatorio (algunos bancos requieren modelos interpretables por normativa BCBS 239)
• Solución: SHAP values para explicabilidad post-hoc: "esta cuenta tiene recovery score bajo porque antigüedad=36 meses (impacto -12 pp) y 0 pagos parciales (impacto -18 pp)"

Benchmark de accuracy: Gradient boosting en cartera castigada típicamente logra AUC 0.72-0.78 (vs. 0.68-0.72 con logística).

Cómo Implementar un Modelo de Scoring de Recobro: Workflow End-to-End

Paso 1: Extracción de datos históricos

• Población objetivo: Todas las cuentas castigadas en últimos 24-36 meses
• Variables necesarias:

Variables necesarias:

• At default: saldo, producto, antigüedad de mora, roll rate, última promesa de pago
• Post-castigo: pagos parciales (fechas y montos), intentos de contacto, canal usado, resultado (contacto efectivo / promesa / pago)
• Externas: bureau de crédito (score, morosidad cruzada), datos macro (desempleo, PIB)
• Target: Flag binario (recuperó algo = 1, $0 = 0) y/o % recuperado = (Suma de pagos post-castigo / Saldo castigado)

Paso 2: Ingeniería de variables (feature engineering)

• Binning: Discretizar saldo, antigüedad, intentos de contacto en buckets óptimos (maximizar IV)
• WOE/IV: Calcular Weight of Evidence para cada bucket
• Interacciones: Crear flags como "alto_saldo_AND_empleo_formal", "region_sur_AND_producto_TC"
• Variables de tiempo: Dummies de estacionalidad (mes del castigo — dic/ene tienen peor recovery por gastos navideños)

Paso 3: Entrenamiento y validación

• Split temporal: Train en cuentas castigadas 2022-2023, test en 2024-2025 (evita data leakage)
• Validación cruzada: 5-fold CV estratificado por vintage
• Métricas:

Métricas:

• AUC (Area Under Curve): Mide discriminación general. Target: >0.70
• KS (Kolmogorov-Smirnov): Máxima separación entre distribución de buenos y malos. Target: >35
• Gini: 2*AUC - 1. Target: >0.40
• Lift en decil 1: ¿Cuántas veces más recuperaciones hay en el top 10% vs. promedio? Target: 3-5x

Paso 4: Calibración y pricing

Un modelo puede tener buen AUC pero estar mal calibrado (predice 30% de probabilidad cuando la real es 18%). Calibración via:

• Isotonic regression o Platt scaling post-entrenamiento
• Validación empírica: Comparar recovery rate predicho vs. observado por decil de score

Paso 5: Integración operativa

• Scoring batch: Re-scorear cartera castigada cada mes (situaciones cambian: un deudor puede conseguir empleo, otro entrar en concurso de acreedores)
• Asignación dinámica: Cuentas con recovery score >0.4 → asignar a voice agents de Kleva (automatización de alto volumen); cuentas 0.15-0.4 → equipo humano junior;

Asignación dinámica: Cuentas con recovery score >0.4 → asignar a voice agents de Kleva (automatización de alto volumen); cuentas 0.15-0.4 → equipo humano junior;

• A/B testing: Testear estrategias de contacto (ej. descuento 30% upfront vs. plan 6 cuotas) en grupos de score similar, medir lift

ROI de Implementar un Modelo de Scoring de Recobro

Un estudio de Kaplan Group (2025) en instituciones financieras LATAM encontró que modelos predictive scoring aumentaron recovery rates en promedio 25% vs. estrategias no segmentadas. Desglose de beneficios:

Sin Scoring (estrategia uniforme)Con Recovery ScoreLift

Recovery rate: 14.2% del saldo castigadoRecovery rate: 18.7%+4.5 pp (+32% relativo)

Costo operativo por cuenta trabajada: $48 USD$38 USD (menor desperdicio en cuentas irrecuperables)-21% costo

Tiempo promedio de recuperación: 11.3 meses8.7 meses (priorización acelera cierre)-23% tiempo

ROI de recursos de cobranza: 2.1x3.4x+62% ROI

Caso Kleva: Un cliente (fintech de préstamos personales en México con $18M en cartera castigada) implementó scoring de recobro integrado con voice agents de IA de Kleva:

• Segmentó cartera en 5 deciles por recovery score
• Deciles 1-2 (top 40%) → voice agents 24/7 con scripts dinámicos de negociación
• Decil 3-4 (40-80%) → mezcla de agentes humanos + seguimiento automatizado vía WhatsApp
• Decil 5 (bottom 20%) → venta de cartera a terceros (pricing basado en recovery score promedio del decil)
• Resultado en 9 meses: Recovery rate aumentó de 11.8% a 17.2% (+46% relativo), ahorraron $340k USD en costos operativos (70% menos agentes humanos en deciles altos por automatización), y vendieron el decil 5 recuperando 8 centavos por dólar vs. write-off total

Outsourcing vs. In-House: Cuándo Construir tu Propio Modelo

Construí tu propio modelo si:

• Tenés >10,000 cuentas castigadas históricas con datos completos (población mínima para entrenar modelo robusto)
• Equipo interno de analytics/data science (2-3 personas con experiencia en credit risk modeling)
• Infraestructura de datos (DWH con histórico de pagos post-castigo, integración con CRM de cobranza)
• Necesitás customización por segmento (ej. modelo distinto para tarjetas de crédito vs. préstamos hipotecarios vs. microcréditos)

Costo estimado: $80k-$150k USD (desarrollo inicial + 6 meses de ajuste), luego $30k-$50k anuales de mantenimiento/re-entrenamiento.

Optá por scoring as a service de vendor si:

• Cartera castigada

Cartera castigada

• Falta de expertise interno en modelado estadístico
• Necesitás implementar rápido (3-6 meses vs. 12-18 meses in-house)

Vendors como Experian (Delphi Recobros), Equifax (Severity Score), FICO, SAS ofrecen modelos pre-entrenados en industria + customización ligera por país/segmento. Costo típico: $1.50-$3.00 USD por cuenta scoreada/mes.

Integración con Voice Agents y Automatización de Cobranza

El recovery score es el input para orquestar la estrategia omnicanal. En Kleva, esto funciona así:

1. Scoring automático: Cada cuenta castigada recibe un recovery score (modelo interno del cliente o Kleva Co-Pilot que ajusta score genérico con datos de comportamiento real)
2. Asignación dinámica por canal:

Asignación dinámica por canal:

1. Score >0.50: Voice agent de Kleva (llamada automatizada, conversación natural en 45 dialectos LATAM, negociación de plan de pago con descuento hasta 40% aprobado vía reglas de negocio)
2. Score 0.25-0.50: WhatsApp automatizado + SMS con link de pago (bajo costo, tasa de conversión 8-12%)
3. Score Email recordatorio genérico, sin asignación de agente humano (cost-prohibitive)

• Re-scoring dinámico: Si un deudor en decil bajo responde a un SMS y entra al portal de pago, su score sube automáticamente → escala a voice agent para cierre
• A/B testing continuo: Kleva testea variaciones de script ("enfoque empático" vs. "recordatorio de consecuencias legales") por decil de score, optimiza tasa de compromiso de pago

Resultado típico: Clientes de Kleva con recovery scoring integrado logran 73% de tasa de contacto efectivo (vs. 38-45% industry average sin scoring) y 94% de resolución en primera llamada en cuentas con score >0.60.

Cumplimiento Regulatorio y Ética en Scoring de Recobro

Modelos de scoring deben cumplir normativas locales de protección al consumidor:

• México (CONDUSEF): Prohibido desconocer capacidad de pago actualizada; modelos deben permitir re-evaluación si el deudor presenta prueba de ingreso reducido
• Colombia (Ley 1266 Habeas Data): Scoring no puede usar variables discriminatorias (raza, religión, afiliación política); auditorías regulares de sesgo en variables proxy
• Argentina (BCRA): Modelos de LGD para cartera castigada deben usar escenarios de estrés (downturn LGD +20% vs. normal) en cálculo de capital regulatorio
• Perú (SBS): Scoring para cobranza automatizada (voice agents) requiere disclosure al deudor: "esta llamada es automatizada, puede solicitar contacto humano oprimiendo 0"

Ética: Evitar "scorear para maximizar presión" — un modelo puede predecir que amenazas legales aumentan tasa de pago en 12%, pero violan buenas prácticas (puede devenir en violaciones regulatorias en México). Kleva sigue un approach de cobranza empática: los voice agents ofrecen soluciones (descuentos, planes flexibles) en vez de presión coercitiva, resultando en menor churn post-recuperación y 0 quejas regulatorias en 900,000+ minutos mensuales de llamadas.

FAQ: Preguntas Frecuentes sobre Modelos de Scoring de Recobro

1. ¿Qué es un modelo de scoring de recobro y cómo funciona?

Un modelo de scoring de recobro es un algoritmo que predice la probabilidad de recuperar dinero de una cuenta en cartera castigada y/o estima el monto recuperable. Funciona analizando patrones históricos: toma cuentas pasadas que fueron trabajadas, identifica cuáles pagaron (y cuánto), extrae las características comunes de las que pagaron (ej. pagos parciales previos, empleo formal, menor antigüedad del castigo), y asigna un score a cuentas nuevas basándose en similitud con esos patrones. Técnicas comunes incluyen regresión logística, survival analysis (Cox), beta regression y machine learning (gradient boosting).

2. ¿Cuál es la diferencia entre Collection Score y Recovery Score?

Collection Score predice probabilidad de pago en mora temprana (1-90 días); Recovery Score opera sobre cartera castigada (>180 días). El Collection Score se enfoca en normalización rápida — ¿pagará este mes? — y usa variables de comportamiento reciente (promesas cumplidas, contactabilidad). El Recovery Score modela recuperación parcial a largo plazo (6-24 meses), incorporando variables de severidad (antigüedad del castigo, situación patrimonial, indicadores macro) y estima tanto probabilidad como monto recuperable. Los modelos también difieren: Collection usa regresión logística binaria; Recovery usa técnicas como beta regression (para % recuperado) o modelos de dos etapas (clasificación + regresión del monto).

3. ¿Qué variables son más predictivas en modelos de recobro para cartera castigada?

Las 5 variables con mayor Information Value (IV) típicamente son: (1) pagos parciales post-castigo (flag + monto), (2) antigüedad del castigo (vintage), (3) producto original (TC vs. préstamo personal con garantía), (4) situación laboral actualizada (empleo formal vs. informal), y (5) roll rate desde mora 90+ a castigo. Otras relevantes: monto del saldo castigado (relación no lineal), presencia en bureau negativo, geolocalización, número de intentos de contacto fallidos, e indicadores macroeconómicos al momento del castigo. Variables con IV >0.30 se consideran altamente predictivas; en cartera castigada, pagos parciales post-castigo suelen tener IV de 0.45-0.60 (la más fuerte).

4. ¿Cómo se mide la precisión de un modelo de scoring de recobro?

Las métricas estándar son: (1) AUC (Area Under ROC Curve) — mide discriminación general, target >0.70 en cartera castigada; (2) KS (Kolmogorov-Smirnov) — máxima separación entre distribución de buenos y malos, target >35; (3) Gini — equivalente a 2*AUC - 1, target >0.40; y (4) Lift en decil 1 — cuántas veces más recuperaciones hay en el top 10% vs. promedio, target 3-5x. Para modelos que predicen monto (Recovery Score), se usa MAE (Mean Absolute Error) sobre el % recuperado — modelos beta bien calibrados logran MAE

5. ¿Cuándo usar regresión logística vs. machine learning en scoring de recobro?

Usá regresión logística (con WOE) si necesitás interpretabilidad para auditoría regulatoria, tenés 50k cuentas, necesitás capturar interacciones no lineales complejas (ej. "saldo alto + desempleo = irrecuperable, pero saldo alto + empleo formal = recuperable"), y podés explicar predicciones con SHAP values. En la práctica, muchas instituciones entrenan ambos y comparan: si gradient boosting mejora AUC en 5 pp, machine learning justifica la complejidad adicional. Un approach híbrido es logística para producción + ML para benchmarking trimestral.

6. ¿Qué es LGD (Loss Given Default) y cómo se relaciona con scoring de recobro?

LGD es la pérdida neta como % del saldo al momento del default, calculada como: LGD = 1 - (Monto Recuperado / EAD). Un Recovery Score predice el componente "Monto Recuperado", por lo tanto es el inverso de LGD. En cartera castigada, el LGD es crucial para: (1) pricing de venta de cartera (si LGD estimado es 82%, podés ofertar compra a ~15-18% del saldo), (2) provisiones contables (IFRS 9 requiere estimar LGD para cartera Stage 3), y (3) capital regulatorio (Basilea II/III usa LGD en cálculo de capital por riesgo de crédito). El Downturn LGD (LGD en recesión) es especialmente relevante: modelos robustos incorporan variables macro (desempleo, PIB) porque durante crisis, recovery rates caen 15-25 pp vs. períodos normales, lo que significa LGD aumenta en esa magnitud.

7. ¿Cómo integrar un modelo de scoring con un CRM de cobranza o voice agents?

La integración típica tiene 3 capas: (1) Scoring batch — el modelo re-scorea cartera castigada mensualmente y escribe scores a una tabla en el DWH o CRM; (2) Orquestación — el CRM toma el score y aplica reglas de asignación (ej. score >0.50 → voice agent IA, 0.25-0.50 → WhatsApp, En plataformas como Kleva, el recovery score alimenta el motor de estrategia de negociación del voice agent: cuentas con score >0.60 reciben ofertas de descuento más agresivas (hasta 40%) porque el modelo predice alta probabilidad de cierre, mientras cuentas con score 0.30-0.50 reciben plan de cuotas estándar sin descuento upfront. La clave es exponer el score vía API REST para que el CRM/dialer lo consuma en tiempo real.

8. ¿Qué accuracy es aceptable en un modelo de recobro? ¿Cuál es el benchmark?

En cartera castigada, un AUC de 0.70-0.78 es considerado bueno (vs. >0.80 deseable en collection score de mora temprana). La cartera castigada es inherentemente más ruidosa: muchos deudores sin capacidad de pago, eventos externos impredecibles (despido, enfermedad), y recuperaciones tardías esporádicas. Benchmarks por técnica: (1) Regresión logística con WOE: AUC 0.68-0.72, KS 32-38; (2) Gradient boosting (CatBoost, XGBoost): AUC 0.72-0.78, KS 38-45; (3) Beta regression para % recuperado: MAE (error absoluto medio) Lift en decil 1 (top 10% de cuentas) debe ser al menos 3x el recovery rate promedio — si el recovery rate general es 15%, el decil 1 debe recuperar ≥45%. Un modelo real en Colombia alcanzó 91.5% de accuracy en clasificación binaria (recuperó algo / $0), pero esto es excepcional y probablemente con población muy limpia; en producción con datos sucios, apuntá a 75-80% accuracy binaria + AUC >0.72.

Próximos Pasos: Implementá Scoring de Recobro con IA

Si gestionás una cartera castigada >$2M USD y querés optimizar recuperación con modelos predictivos + automatización, considerá:

1. Auditoría de datos: ¿Tenés histórico completo de pagos post-castigo en los últimos 24-36 meses? Si no, empezá a capturar esos datos hoy (serán tu training set en 12 meses)
2. Baseline sin modelo: Medí recovery rate actual, costo por cuenta trabajada, tiempo promedio de recuperación → KPIs pre-scoring para medir lift post-implementación
3. Piloto con top decil: No necesitás scorear toda la cartera de golpe. Modelo simple (logística con 5-7 variables) sobre top 20% de cuentas, asignadas a voice agents automatizados de Kleva, testear 3 meses
4. Iteración y escalamiento: Si el piloto aumenta recovery rate >15% relativo, expandí a más deciles y refiná modelo (agregar variables, probar gradient boosting)

El scoring de recobro no es un proyecto de 6 meses que terminás y olvidás — es un activo vivo que requiere re-entrenamiento trimestral (patrones de pago cambian con ciclos económicos), validación continua (PSI - Population Stability Index para detectar data drift), y A/B testing de estrategias por decil. Pero el ROI es concreto: instituciones que lo implementan bien ven +20-35% en recovery rate, -25-40% en costos operativos, y 50-80% menos tiempo para cerrar cuentas.

Con voice agents de IA de Kleva integrados al scoring, esas mejoras se aceleran: automatización 24/7 en 45 dialectos LATAM, negociación dinámica con reglas de descuento basadas en score, y 73% de tasa de contacto efectivo (vs. 38-45% industry average). ¿Listo para transformar tu estrategia de recobro de cartera castigada? Hablemos.