Cómo Priorizar Cartera Vencida sin Machine Learning ni Científicos de Datos

El mito del científico de datos en cobranza

Existe un relato frecuente en conferencias de tecnología financiera: la única forma de priorizar inteligentemente una cartera vencida es con modelos de machine learning, científicos de datos con doctorado y plataformas de big data. Todo lo demás es amateur.

Este relato tiene un efecto paralizante en muchos equipos de cobranza: como no tienen ese equipo de ciencia de datos ni ese presupuesto, concluyen que la priorización inteligente no es para ellos y siguen trabajando con criterios básicos (mayor deuda primero, o simplemente por orden de entrada).

La realidad es más matizada. Existen frameworks de priorización basados en lógica de negocio y variables observables que cualquier equipo de cobranza puede implementar con herramientas básicas como Excel o un CRM, y que generan mejoras significativas en la efectividad de recuperación sin necesitar un solo algoritmo de machine learning.

Este artículo explica esos frameworks.

Por qué la priorización importa más de lo que se cree

La priorización de cartera vencida no es un problema de eficiencia operativa menor. Es uno de los factores más importantes en la rentabilidad de una operación de cobranza. Considere este escenario:

Un equipo de 10 agentes puede gestionar 500 cuentas por día. Si su cartera vencida tiene 3,000 cuentas, eso significa que cada día quedan 2,500 cuentas sin gestionar. La pregunta crítica no es cómo gestionar más cuentas (eso es un problema de capacidad), sino cuáles 500 cuentas tienen la mayor probabilidad de recuperación si se les gestiona hoy.

La diferencia entre gestionar las cuentas correctas versus las incorrectas puede ser de millones de pesos en recuperación adicional con exactamente el mismo equipo y el mismo esfuerzo.

Las cuatro variables de priorización que no necesitan machine learning

Variable 1: Tiempo de mora

La probabilidad de recuperación disminuye con el tiempo de mora: una cuenta de 15 días tiene una probabilidad de recuperación mucho mayor que una de 150 días, todo lo demás igual. Esta variable es la más básica y debe ser el primer criterio de segmentación.

Sin embargo, usarla como el único criterio (gestionar primero las cuentas más antiguas porque son "las más urgentes") es un error común: frecuentemente las cuentas más antiguas son también las de menor probabilidad de recuperación, y gestionar primero las más recientes optimiza mejor el valor recuperado.

Variable 2: Monto de la deuda

El impacto financiero de recuperar una deuda de $500,000 es 100 veces mayor que recuperar una de $5,000. La priorización debe reflejar esta diferencia: las cuentas de mayor monto merecen mayor atención (más intentos de contacto, agentes más experimentados, más tiempo de negociación).

La combinación de tiempo de mora y monto genera una primera matriz de priorización útil: cuentas de alto monto y mora temprana son la prioridad máxima.

Variable 3: Comportamiento histórico de pago

El mejor predictor de comportamiento futuro es el comportamiento pasado. Un cliente que pagó puntualmente por dos años y tiene su primera falta de pago tiene un perfil completamente diferente al que ha tenido tres o cuatro episodios de mora en los últimos 18 meses.

Esta variable se puede operacionalizar con datos que ya están en el sistema: número de pagos puntuales históricos, número de veces en mora en los últimos 12-24 meses, promedio de días de retraso cuando ha pagado tarde. No se necesita ningún modelo estadístico para calcular estos valores.

Variable 4: Señales de actividad reciente

Un deudor que usó su tarjeta de crédito ayer, que tiene movimientos en sus cuentas bancarias y que atendió el teléfono la semana pasada es más probable que pueda pagar que uno que no ha tenido ninguna actividad detectada en semanas. Las señales de actividad reciente son un proxy útil de la capacidad y disposición de pago.

Estas señales pueden incluir: uso reciente de otros productos financieros con la misma entidad, respuesta a comunicaciones previas (aunque no haya prometido pagar), actividad en la cuenta (en caso de tener acceso a esa información) y datos de contexto externo disponibles (como reportes de centrales de riesgo).

El framework de priorización en cuatro pasos

Paso 1: Segmentación inicial por tiempo de mora y monto

Dividir la cartera en cuatro cuadrantes:

• Prioridad 1 (gestión inmediata): mora temprana (0-30 días) + monto alto
• Prioridad 2 (gestión activa): mora media (31-90 días) + monto alto, o mora temprana + monto medio
• Prioridad 3 (gestión automatizada): mora temprana + monto bajo
• Prioridad 4 (evaluación de conveniencia): mora avanzada (+90 días) + monto bajo

Paso 2: Refinamiento por comportamiento histórico

Dentro de cada cuadrante, ordenar por el número de episodios de mora previos (menor número de episodios = mayor probabilidad de pago = mayor prioridad) y por el porcentaje de promesas de pago cumplidas históricamente.

Paso 3: Ajuste por señales de actividad reciente

Elevar en la lista las cuentas que muestran señales de actividad reciente (contacto previo exitoso en la gestión actual, uso de otros productos financieros, visitas al portal de pagos) y bajar las cuentas que han estado completamente inactivas por períodos prolongados.

Paso 4: Asignación diferenciada de recursos

No solo importa qué cuentas gestionar, sino con qué recursos. Las cuentas de Prioridad 1 deben asignarse a los agentes más experimentados con tiempo de gestión amplio. Las cuentas de Prioridad 3 son candidatas ideales para automatización con voice agent.

Herramientas prácticas para implementar este framework

Para operaciones pequeñas a medianas (hasta 5,000 cuentas activas), este framework puede implementarse con:

• Excel o Google Sheets: con las variables descritas, una tabla dinámica puede generar la lista priorizada en minutos
• SQL básico: si los datos están en una base de datos, una consulta con ORDER BY sobre los criterios de priorización genera la lista automáticamente
• CRM de cobranza: la mayoría de los CRM especializados en cobranza permiten crear vistas y filtros que implementan este tipo de priorización sin programación

Para carteras más grandes, plataformas especializadas como Kleva integran estos criterios de priorización de forma nativa, con la ventaja adicional de que la IA mejora los pesos de cada variable con el tiempo basándose en los resultados reales de la operación.

Cómo Kleva potencia la priorización de cartera

Kleva incorpora un motor de priorización que va más allá del framework manual descrito en este artículo: usa los datos reales de la operación para aprender cuáles combinaciones de variables predicen mejor la recuperación en su cartera específica. Sin necesidad de científicos de datos internos, Kleva entrega una lista priorizada lista para operar.

Con 73% de tasa de éxito y $5M+ recuperados, la plataforma ha demostrado que la priorización inteligente combinada con gestión automatizada entrega resultados superiores al modelo tradicional. La reducción del 15% en costos operativos que reportan sus clientes es parcialmente atribuible a que los recursos de cobranza se concentran donde tienen mayor impacto.

Para operaciones que ya tienen un equipo técnico básico, Kleva ofrece también APIs y herramientas de integración que permiten incorporar el motor de priorización a los flujos de trabajo existentes sin reemplazar la infraestructura completa.

Preguntas frecuentes sobre priorización de cartera vencida

¿Vale la pena gestionar cuentas de mora mayor a 180 días?

Depende del monto y del perfil del deudor. Para cuentas de alto monto con historial de cooperación parcial, la gestión sigue siendo valiosa aunque la tasa de recuperación sea baja. Para cuentas de monto bajo con mora muy avanzada y sin señales de actividad, el costo de gestión puede superar el beneficio esperado.

¿Cómo se maneja la priorización cuando la cartera crece rápidamente?

La escala es precisamente el caso de uso más importante para la automatización. Cuando la cartera supera la capacidad de gestión manual, la solución no es contratar más agentes: es automatizar las prioridades de gestión media y baja con voice agents para liberar al equipo humano para las prioridades altas.

¿Cada cuánto tiempo se debe recalcular la priorización?

Idealmente, la priorización se recalcula diariamente, ya que el comportamiento del deudor y las condiciones de la cuenta cambian constantemente. En operaciones sin automatización, una recalculación semanal es razonable.

¿La priorización por monto no discrimina injustamente a deudores de menor ingreso?

La priorización por monto es una decisión operativa del acreedor para maximizar la eficiencia de su equipo, no una evaluación moral del deudor. Todos los deudores reciben gestión; la priorización determina la intensidad de la gestión, no si se les gestiona o no.

¿Qué pasa con cuentas que tienen garantías (prendas, hipotecas)?

Las cuentas con garantías tienen un perfil de priorización diferente: la garantía reduce el riesgo de pérdida total y puede justificar un enfoque de gestión más paciente. Sin embargo, para activos que se deprecian rápidamente, la urgencia puede ser mayor que para cuentas sin garantía.

Conclusión: la priorización inteligente es accesible para todos

No necesita un equipo de data science para priorizar inteligentemente su cartera vencida. Los frameworks de priorización basados en tiempo de mora, monto, historial de comportamiento y señales de actividad reciente son prácticos, implementables con herramientas básicas y generan mejoras medibles en la recuperación.

El siguiente nivel —la optimización continua basada en datos reales de la operación— es precisamente lo que ofrecen plataformas como Kleva, sin requerir inversión en infraestructura de datos propia ni contratación de perfiles técnicos especializados.

Empiece con el framework manual, mida los resultados, y cuando la escala lo justifique, dé el salto a la automatización inteligente.