Qué es el scoring de comportamiento de pago y cómo aplicarlo en tu gestión de cartera

Qué es el scoring de comportamiento de pago

El scoring de comportamiento de pago es un modelo predictivo que asigna una puntuación a cada deudor en función de su historial de comportamiento financiero, sus patrones de interacción con la empresa y otras variables observables que permiten estimar la probabilidad de que ese deudor pague su deuda dentro de un período determinado.

A diferencia del scoring crediticio tradicional (como los bureaus de crédito que evalúan si alguien es buen sujeto de crédito en el momento de otorgar el préstamo), el scoring de comportamiento de pago se actualiza continuamente y se enfoca en el comportamiento después del otorgamiento, durante la vida del crédito. Es una herramienta de gestión de cobranza activa, no de originación pasiva.

Este tipo de scoring es uno de los pilares de la cobranza con IA moderna, y su correcta implementación puede transformar radicalmente la eficiencia de tu operación de recuperación de deuda.

¿En qué se diferencia del score crediticio tradicional?

Esta es una de las preguntas más frecuentes entre equipos de crédito y cobranza. La diferencia es fundamental:

• Score crediticio tradicional (bureau): evalúa el historial crediticio agregado del deudor en el sistema financiero. Se calcula en el momento del otorgamiento y refleja comportamiento pasado en múltiples entidades. Es estático hasta la próxima consulta.
• Score de comportamiento de pago: evalúa el comportamiento específico del deudor con tu empresa. Considera variables como: frecuencia de pagos, montos pagados vs. adeudados, respuesta a las gestiones, canales de comunicación preferidos, patrones de estacionalidad. Se actualiza dinámicamente con cada nueva interacción.

Un deudor puede tener un excelente score de bureau y aun así mostrar comportamiento de riesgo en tu cartera. Y viceversa: un deudor con bureau dañado puede tener un comportamiento de pago excelente con tu empresa específica. El scoring de comportamiento captura esta realidad que el bureau ignora.

Variables clave para construir un modelo de comportamiento de pago

El poder predictivo del scoring de comportamiento depende directamente de la calidad y diversidad de las variables que se incluyen en el modelo. Las más importantes son:

Variables de historial de pagos

• Frecuencia de pagos completos vs. parciales en los últimos 6, 12 y 24 meses.
• Días de atraso promedio por período.
• Máximo días de atraso histórico.
• Tendencia: ¿el atraso está aumentando o disminuyendo?
• Porcentaje de deuda pagada respecto al total originado.

Variables de interacción con la empresa

• Respuesta a llamadas: ¿atiende?, ¿en qué horarios?, ¿cuántos intentos se necesitan?
• Respuesta a mensajes de WhatsApp y SMS: tasa de apertura y respuesta.
• Número de veces que ha buscado contacto proactivo con la empresa.
• Uso de canales digitales (app, portal web, chatbot).

Variables contextuales

• Estacionalidad del pago: algunos deudores pagan mejor en ciertos meses del año (aguinaldo, bonificaciones).
• Correlación con variables macroeconómicas del mercado local.
• Cambios recientes en el monto de la deuda (renegociaciones, condonaciones).

Variables de segmento y perfil

• Segmento de producto (crédito personal, tarjeta, crédito comercial).
• Región geográfica y sus características económicas.
• Nivel de ingresos declarado o estimado.
• Antigüedad de la relación con la empresa.

Cómo aplicar el scoring de comportamiento en la gestión de cartera

Tener un score es valioso. Pero el valor real está en cómo se usa para tomar decisiones operativas concretas. Estas son las aplicaciones más importantes:

Priorización de gestión

No todas las cuentas en mora merecen el mismo esfuerzo. El scoring de comportamiento permite priorizar la gestión hacia los deudores con mayor probabilidad de pago: aquellos que el modelo indica como "recuperables en el corto plazo" deben recibir atención más intensa, con los mejores gestores o con los mejores horarios de contacto.

Los deudores con bajo score de recuperabilidad pueden gestionarse de manera más automatizada, con voice agents o mensajes digitales, reservando el esfuerzo humano para donde tiene mayor retorno.

Personalización de la oferta de pago

El scoring también informa qué tipo de oferta tiene más probabilidades de funcionar con cada deudor. Un deudor con score alto de liquidez pero score bajo de voluntad de pago necesita una estrategia diferente a uno con alta voluntad pero restricciones de flujo de caja. Los modelos más avanzados de ia para cobranza como los de Kleva personalizan automáticamente la oferta según este perfil.

Definición de estrategias de contacto

El score de comportamiento puede combinar múltiples dimensiones: contactabilidad (probabilidad de que atienda), propensión al pago (probabilidad de que pague si habla), y riesgo de escalación (probabilidad de que genere una queja o un problema legal). Cada combinación define una estrategia de contacto diferente.

Gestión del timing de acciones legales

En carteras de mora avanzada, el scoring ayuda a decidir cuándo es el momento adecuado para iniciar acciones legales o extrajudiciales. Un deudor con score en declive sostenido y sin respuesta a gestiones puede ser candidato a acción legal más temprano que uno con score que muestra señales de recuperación.

¿Qué tan preciso puede ser un modelo de scoring de comportamiento?

La precisión del modelo depende del tamaño y calidad del dataset histórico. Con carteras de al menos 5,000 deudores y 12 meses de historial de comportamiento, es posible construir modelos con una precisión predictiva superior al 75% (AUC-ROC). Con carteras más grandes y mayor diversidad de variables, los modelos más avanzados alcanzan precisiones superiores al 85%.

En Kleva, los modelos de scoring de comportamiento se actualizan diariamente con las interacciones de más de 900,000 minutos mensuales de gestión, lo que permite una calibración continua que mejora la precisión con el tiempo. Esta mejora compuesta es una de las ventajas más importantes de la plataforma de cobranza basada en IA.

Cómo implementar scoring de comportamiento de pago en tu empresa

Si estás considerando implementar este tipo de modelo, te recomendamos este proceso:

Fase 1: Auditoría de datos disponibles

Antes de construir cualquier modelo, auditá qué datos tenés disponibles y en qué calidad. Las preguntas clave: ¿Tenés historial de pagos por deudor a nivel de transacción? ¿Están registrados todos los intentos de contacto y sus resultados? ¿Tenés datos de comportamiento en canales digitales? La calidad del dato es el techo de la calidad del modelo.

Fase 2: Definición de la variable objetivo

El modelo necesita predecir algo concreto. Define claramente qué querés predecir: ¿probabilidad de pago en 30 días? ¿probabilidad de cumplir una promesa de pago? ¿riesgo de mora grave en los próximos 90 días? La variable objetivo define la utilidad operativa del modelo.

Fase 3: Construcción y validación del modelo

Con los datos y la variable objetivo definidos, el equipo de data science puede construir el modelo. Es crítico validarlo con datos que el modelo no vio durante el entrenamiento (holdout set) para asegurarse de que generalice bien a nueva cartera.

Fase 4: Integración en el flujo operativo

Un modelo que no está integrado en las herramientas que usa el equipo de cobranza no genera valor. El score debe estar disponible en el CRM de cobranza, en la asignación automática de cartera y en las reglas de priorización del software de cobranza. Esta integración es donde muchos proyectos de scoring fracasan: se construye un modelo excelente que nadie usa.

Fase 5: Monitoreo y recalibración

Los modelos se degradan con el tiempo. Las condiciones de mercado cambian, el perfil de los deudores evoluciona, las políticas de cobranza se modifican. Un buen modelo de scoring necesita monitoreo continuo de sus métricas de precisión y recalibración periódica (mínimo cada 6 meses).

El scoring de comportamiento como base de la estrategia de cobranza inteligente

El scoring de comportamiento de pago no es un proyecto de tecnología; es un cambio de paradigma en cómo se gestionan las carteras. Pasar de una gestión uniforme ("todos los deudores de 30 días recibirán X gestiones") a una gestión diferenciada basada en datos ("este deudor tiene 80% de probabilidad de pagar si lo contactamos el martes a las 10 hs con una oferta de quita de intereses") es una transformación profunda.

Las empresas que ya operan con este nivel de granularidad en LATAM reportan mejoras significativas: reducción de costos del 15% por optimización del esfuerzo de gestión, tasas de recuperación superiores al promedio del mercado y mejor experiencia para los deudores que reciben propuestas más ajustadas a su realidad.

Si querés explorar cómo implementar scoring de comportamiento de pago en tu operación, Kleva ofrece modelos preentrenados con datos de la región que podés adaptar a tu cartera específica, con resultados visibles en semanas, no en meses.