Qué es el Scoring de Recuperabilidad y Cómo Usarlo para Priorizar la Gestión de Cobro

Imaginate que tenés 5,000 cuentas vencidas y un equipo de 20 agentes de cobranza. ¿A cuál llamás primero? La respuesta intuitiva suele ser las más antiguas o las de mayor monto, pero la respuesta correcta depende de un análisis más sofisticado: el scoring de recuperabilidad. Este modelo predictivo puede ser la diferencia entre una operación de cobranza eficiente y una que desperdicia recursos en cuentas irrecuperables mientras deja ir a los clientes que sí iban a pagar.

¿Qué es el scoring de recuperabilidad?

El scoring de recuperabilidad (también llamado scoring de cobranza o collection scoring) es un modelo estadístico o de machine learning que asigna a cada cuenta en mora una puntuación que refleja la probabilidad de que esa deuda sea recuperada. A mayor puntaje, mayor probabilidad de recuperación.

A diferencia del scoring de crédito (que predice si alguien va a incumplir), el scoring de recuperabilidad trabaja con deudas que ya están en mora y evalúa qué tan probable es que se recuperen con gestión activa.

El Buró de Crédito de México, por ejemplo, ofrece un score de cobranza que va de 0 a 1,000: a mayor puntaje, mayor la probabilidad de que el deudor se ponga al corriente. Este tipo de herramienta permite a las empresas segmentar su cartera y tomar decisiones basadas en datos, no en intuición.

¿Qué variables alimentan el modelo?

Los modelos de scoring de recuperabilidad utilizan diferentes fuentes de datos para construir la predicción:

Datos propios (internos)

• Historial de pagos del cliente con la empresa
• Antigüedad de la deuda actual
• Monto de la deuda relativo al crédito original
• Comportamiento ante contactos previos (¿atendió? ¿prometió pagar?)
• Historial de promesas de pago cumplidas vs. incumplidas
• Frecuencia de pagos tardíos previos

Datos externos (bureaus y otras fuentes)

• Score de crédito actual en bureau
• Nivel de endeudamiento total del deudor
• Cambios recientes en su situación crediticia
• Datos socioeconómicos y geográficos
• Información de empleador o sector económico

Variables contextuales

• Tipo de producto o crédito (hipotecario, consumo, tarjeta, B2B)
• Canal de originación del crédito
• Estacionalidad (hay momentos del año con mayor propensión al pago)

Cómo se construye un modelo de scoring de recuperabilidad

Para las empresas que quieren construir su propio modelo, el proceso sigue estos pasos:

• Recopilación de datos históricos: Necesitás al menos 12-24 meses de data de cuentas en mora con su resultado final (recuperadas, castigadas, en gestión).
• Definición de la variable objetivo: ¿Qué significa recuperar? ¿Pago total? ¿Acuerdo de pago cumplido? ¿Primer cuota? Esta definición es crítica.
• Ingeniería de variables: Transformar los datos en variables predictivas (ratios, tendencias, indicadores).
• Entrenamiento del modelo: Regresión logística, árboles de decisión, random forests o redes neuronales. El nivel de complejidad depende del volumen de datos y la sofisticación del equipo.
• Validación: Medir el poder predictivo del modelo con datos fuera de muestra (Gini, KS, AUC).
• Implementación y monitoreo: Integrar el score al sistema de gestión de cobranza y revisar periódicamente su vigencia.

Cómo usar el scoring para priorizar la gestión

Una vez que tenés el scoring implementado, la aplicación práctica es relativamente directa:

Segmentación por bandas de score

Dividís la cartera en grupos según el puntaje. Por ejemplo:

• Alta recuperabilidad (800-1000): Gestión temprana y automatizada. Una llamada de recordatorio o un mensaje de WhatsApp puede ser suficiente. Alto volumen, bajo costo.
• Recuperabilidad media (500-799): Gestión humana con soporte de scripts personalizados. Negociación de acuerdos de pago.
• Baja recuperabilidad (200-499): Estrategias más intensivas. Escalamiento a equipos especializados, gestión de campo, propuestas de reestructura.
• Muy baja recuperabilidad (0-199): Evaluar costo-beneficio de gestión activa vs. castigo. Considerar venta de cartera o proceso legal.

Asignación diferencial de recursos

El scoring permite que los agentes más experimentados (y más costosos) trabajen las cuentas donde su habilidad marca la diferencia, mientras los procesos automatizados manejan el volumen de cuentas con alta o muy baja recuperabilidad.

Plataformas como Kleva integran este tipo de lógica de priorización con agentes de IA que gestionan las cuentas de alto volumen y alta recuperabilidad con una tasa de éxito del 73%, 900,000+ minutos mensuales de gestión y resolución del 94% en la primera llamada.

Beneficios medibles del scoring de recuperabilidad

• Mayor tasa de recuperación: Al enfocar recursos en cuentas con mayor probabilidad de pago, la tasa global mejora.
• Menor costo por cuenta recuperada: Se evita gastar recursos en cuentas irrecuperables.
• Mejor experiencia del cliente: Los clientes con alta intención de pago reciben un trato más ágil y menos invasivo.
• Decisiones de castigo más informadas: Las cuentas con scoring muy bajo son candidatas naturales al castigo, con mejor documentación para el proceso.
• Planificación más precisa: El scoring permite proyectar cuánto de la cartera actual se va a recuperar en los próximos 30-90 días.

¿Qué pasa si no tengo recursos para construir un modelo propio?

No todas las empresas tienen un equipo de ciencia de datos disponible. Las alternativas son:

• Adquirir scores de recuperabilidad de bureaus de crédito especializados
• Usar reglas de negocio simples basadas en aging + historial de contacto (una versión simplificada del scoring)
• Implementar plataformas como Kleva que incluyen lógica de priorización inteligente y han recuperado más de $5M en cartera usando modelos propios de gestión optimizada

Conclusión: priorizar con datos es multiplicar el impacto de tu operación

El scoring de recuperabilidad no es una herramienta reservada para grandes bancos o empresas con departamentos de analytics. Es un enfoque que cualquier operación de cobranza puede adoptar, en distintos niveles de sofisticación, para dejar de gestionar por intuición y empezar a decidir con datos.

Si querés saber cómo implementar priorización inteligente en tu operación de cobranza, Kleva puede acompañarte con tecnología de IA que hace el trabajo pesado por vos.