Scoring predictivo para priorizar cartera vencida en fintechs

En una fintech con miles de créditos activos, no todas las cuentas vencidas son iguales. Algunas se recuperarán con un simple recordatorio; otras requerirán negociación intensiva; y algunas ya no son recuperables. La pregunta crítica es: ¿cómo sabe tu equipo de cobranza a cuál llamar primero? La respuesta es el scoring predictivo: un modelo de machine learning que analiza el comportamiento de pago histórico y asigna a cada cuenta una probabilidad de recuperación. En Kleva integramos scoring predictivo con voice agents que han recuperado más de $5M en cartera vencida con una tasa de éxito del 73%.

¿Qué es el scoring predictivo en cobranza?

El scoring predictivo de cobranza es un modelo estadístico o de machine learning que asigna una puntuación numérica a cada cuenta según su probabilidad de pago. Esta puntuación permite ordenar la cartera vencida de mayor a menor recuperabilidad, para que los esfuerzos de cobranza se concentren donde generan más impacto.

A diferencia del scoring crediticio tradicional (que evalúa si alguien es apto para recibir un crédito), el scoring de cobranza responde a una pregunta diferente: dado que este cliente ya debe dinero, ¿cuál es la probabilidad de que pague si lo contactamos hoy?

Para responder esto, el modelo analiza variables como:

• Historial de pagos previos y patrones de atraso.

Historial de pagos previos y patrones de atraso.

• Antigüedad de la deuda y días de mora actuales.

Antigüedad de la deuda y días de mora actuales.

• Comportamiento crediticio en otras instituciones.

Comportamiento crediticio en otras instituciones.

• Nivel de interacción con canales de comunicación.

Nivel de interacción con canales de comunicación.

• Tipo de producto financiero y monto adeudado.

Tipo de producto financiero y monto adeudado.

• Variables socioeconómicas y contextuales del cliente.

Variables socioeconómicas y contextuales del cliente.

Cobranza tradicional vs. cobranza predictiva: una comparación honesta

La cobranza tradicional opera bajo un modelo reactivo: el equipo actúa cuando la deuda ya está vencida, aplica campañas masivas sin segmentación avanzada y prioriza cuentas de forma manual o por reglas fijas (primero los montos más altos, primero los más antiguos).

Este enfoque tiene problemas estructurales:

• Desperdicias esfuerzo en cuentas irrecuperables.

Desperdicias esfuerzo en cuentas irrecuperables.

• Dejas sin gestionar cuentas fácilmente recuperables que se deterioran por inacción.

Dejas sin gestionar cuentas fácilmente recuperables que se deterioran por inacción.

• No distingues entre clientes que van a pagar solos y clientes que necesitan un impulso.

No distingues entre clientes que van a pagar solos y clientes que necesitan un impulso.

• Tus costos por cobro son elevados porque cada cuenta consume tiempo independientemente de su potencial.

Tus costos por cobro son elevados porque cada cuenta consume tiempo independientemente de su potencial.

La cobranza predictiva invierte esta lógica. En lugar de tratar a todos igual, segmenta y prioriza según datos reales:

• Clientes con alta probabilidad de pago: gestionar primero, con contacto rápido y simple.

Clientes con alta probabilidad de pago: gestionar primero, con contacto rápido y simple.

• Clientes con probabilidad media: estrategia personalizada, ofertas de refinanciamiento.

Clientes con probabilidad media: estrategia personalizada, ofertas de refinanciamiento.

• Clientes con baja probabilidad de pago: evaluar si vale la inversión de gestión.

Clientes con baja probabilidad de pago: evaluar si vale la inversión de gestión.

• Clientes que pagarán solos: no gestionar, ahorrar el costo innecesario.

Clientes que pagarán solos: no gestionar, ahorrar el costo innecesario.

Cómo funcionan los modelos de scoring predictivo en fintechs

Fuentes de datos que alimentan el modelo

Un modelo de scoring efectivo requiere datos históricos ricos. Las fintechs tienen una ventaja aquí: por operar digitalmente, acumulan datos de comportamiento que las instituciones tradicionales no tienen.

• Datos transaccionales: historial completo de pagos, fechas, montos, canales usados.

Datos transaccionales: historial completo de pagos, fechas, montos, canales usados.

• Datos de comportamiento digital: apertura de notificaciones, login en la app, visitas a la sección de pagos.

Datos de comportamiento digital: apertura de notificaciones, login en la app, visitas a la sección de pagos.

• Datos de contacto: respuestas a mensajes, llamadas atendidas, horarios preferidos.

Datos de contacto: respuestas a mensajes, llamadas atendidas, horarios preferidos.

• Datos externos: buró de crédito, información socioeconómica, indicadores macroeconómicos.

Datos externos: buró de crédito, información socioeconómica, indicadores macroeconómicos.

Algoritmos más usados en scoring de cobranza

Los modelos de machine learning más efectivos para scoring de cobranza incluyen:

• Gradient Boosting (XGBoost, LightGBM): excelente balance entre precisión y velocidad de entrenamiento, muy usado en fintechs.

Gradient Boosting (XGBoost, LightGBM): excelente balance entre precisión y velocidad de entrenamiento, muy usado en fintechs.

• Regresión logística: más simple pero altamente interpretable, útil cuando la regulación requiere explicar las decisiones.

Regresión logística: más simple pero altamente interpretable, útil cuando la regulación requiere explicar las decisiones.

• Redes neuronales: mayor capacidad predictiva con grandes volúmenes de datos, útil para fintechs con millones de registros.

Redes neuronales: mayor capacidad predictiva con grandes volúmenes de datos, útil para fintechs con millones de registros.

• Random Forest: robusto ante valores atípicos, buena performance con datos heterogéneos.

Random Forest: robusto ante valores atípicos, buena performance con datos heterogéneos.

Del score a la acción: priorización operativa

El modelo asigna un score de 0 a 100 (o 0 a 1000) a cada cuenta. Este score se traduce en una segmentación operativa:

• Segmento A (score 80-100): alta probabilidad de pago. Acción: recordatorio automático simple por WhatsApp o voice agent.

Segmento A (score 80-100): alta probabilidad de pago. Acción: recordatorio automático simple por WhatsApp o voice agent.

• Segmento B (score 50-79): probabilidad media. Acción: voice agent con opción de negociación, oferta de plan de pagos.

Segmento B (score 50-79): probabilidad media. Acción: voice agent con opción de negociación, oferta de plan de pagos.

• Segmento C (score 20-49): probabilidad baja. Acción: gestor humano especializado, opciones de reestructura.

Segmento C (score 20-49): probabilidad baja. Acción: gestor humano especializado, opciones de reestructura.

• Segmento D (score 0-19): muy baja recuperabilidad. Acción: evaluar costo-beneficio antes de gestionar, considerar venta de cartera.

Segmento D (score 0-19): muy baja recuperabilidad. Acción: evaluar costo-beneficio antes de gestionar, considerar venta de cartera.

Implementando scoring predictivo en tu fintech: pasos prácticos

Paso 1: Auditar la calidad de los datos

El modelo es tan bueno como los datos que lo alimentan. Evalúa la completitud, precisión y antigüedad de tu historial de pagos. Identifica variables disponibles y su calidad. Un modelo entrenado con datos limpios supera ampliamente a uno con datos inconsistentes.

Paso 2: Definir la variable objetivo

¿Qué quieres predecir exactamente? ¿Probabilidad de pago en los próximos 7 días? ¿En 30 días? ¿Probabilidad de default total? La definición precisa de la variable objetivo determina el enfoque del modelo y su utilidad operativa.

Paso 3: Ingeniería de variables (feature engineering)

Transforma los datos raw en variables predictivas: días desde el último pago, ratio monto adeudado/ingreso declarado, tendencia de pagos en los últimos 3 meses, frecuencia de respuesta a contactos anteriores. Esta etapa requiere conocimiento del negocio y es crucial para la calidad del modelo.

Paso 4: Entrenamiento y validación del modelo

Entrena el modelo con datos históricos y valídalo con un conjunto de datos reservado (hold-out set). Métricas clave de evaluación: AUC-ROC, precision-recall curve, KS statistic. Compara con un modelo baseline (reglas simples) para cuantificar la mejora real.

Paso 5: Integración operativa

El score debe llegar en tiempo real o near-real-time al sistema de gestión de cobranza. Integra el modelo con tu plataforma de cobranza para que los gestores (y los voice agents) reciban la priorización automáticamente al inicio de cada turno.

Paso 6: Monitoreo y reentrenamiento

Los modelos se degradan con el tiempo (model drift). Establece un proceso de monitoreo mensual de la performance predictiva y reentrenamiento trimestral o semestral con datos actualizados.

Beneficios cuantificables del scoring predictivo para fintechs

• Mayor tasa de recuperación: al concentrar esfuerzos donde el potencial es real, las tasas de recuperación aumentan 20-35%.

Mayor tasa de recuperación: al concentrar esfuerzos donde el potencial es real, las tasas de recuperación aumentan 20-35%.

• Reducción de costos operativos: eliminas gestiones inútiles en cuentas irrecuperables. Esto se traduce en 15-25% menos costo por cobro.

Reducción de costos operativos: eliminas gestiones inútiles en cuentas irrecuperables. Esto se traduce en 15-25% menos costo por cobro.

• Mejor experiencia del cliente: los clientes que iban a pagar solos no reciben contactos innecesarios.

Mejor experiencia del cliente: los clientes que iban a pagar solos no reciben contactos innecesarios.

• Decisiones basadas en datos: el equipo de riesgo puede ajustar políticas de crédito basándose en los patrones identificados por el modelo.

Decisiones basadas en datos: el equipo de riesgo puede ajustar políticas de crédito basándose en los patrones identificados por el modelo.

• Escalabilidad: el scoring funciona igual con 1,000 cuentas que con 100,000.

Escalabilidad: el scoring funciona igual con 1,000 cuentas que con 100,000.

En Kleva, la combinación de scoring predictivo con voice agents inteligentes permite gestionar carteras masivas con 900,000+ minutos mensuales de contacto automatizado, priorizando siempre según la probabilidad real de recuperación.

Casos de uso específicos en fintechs

Créditos de consumo digital

Para fintechs de crédito personal digital, el scoring predictivo es especialmente valioso: el ciclo de mora es rápido (días, no meses) y el volumen de cuentas es alto. Un modelo que detecta señales de impago 5-7 días antes del vencimiento permite actuar preventivamente y evitar que la cuenta entre en mora.

Microcréditos y BNPL

En modelos de microcrédito o Buy Now Pay Later, los montos individuales son bajos pero el volumen es masivo. La única forma de hacerlo rentable es con gestión completamente automatizada y priorización inteligente. El scoring predictivo es el motor de esa priorización.

Crédito B2B para fintechs empresariales

En crédito empresarial, las variables son diferentes (facturación, cash flow, sector) pero el principio es el mismo: priorizar las cuentas según su probabilidad de pago para asignar el tiempo del gestor especializado donde más impacto genera.

Preguntas frecuentes sobre scoring predictivo en fintechs

¿Cuántos datos históricos necesito para entrenar un modelo?

Como mínimo, 12-18 meses de datos de pagos con suficiente variabilidad (tanto cuentas que pagaron como cuentas que no). Con menos de 1,000 casos de entrenamiento, los resultados pueden ser poco confiables. Las fintechs con más de 6 meses de operación suelen tener suficiente data.

¿Es necesario un equipo de data science propio?

No necesariamente. Existen plataformas que incluyen scoring predictivo preentrenado y personalizable, como Kleva, que integra los modelos directamente en el flujo de cobranza sin requerir que la fintech desarrolle sus propios algoritmos.

¿Cómo se actualiza el modelo cuando cambia el comportamiento del mercado?

Los modelos deben monitorearse continuamente. Métricas como el PSI (Population Stability Index) y la evolución del KS statistic alertan cuando el modelo pierde precision. El reentrenamiento periódico con datos recientes mantiene la vigencia predictiva.

¿El scoring predictivo reemplaza al juicio del gestor de cobranza?

Complementa, no reemplaza. El modelo prioriza y sugiere; el gestor decide en casos complejos. La combinación de ambos supera consistentemente a cualquiera de los dos por separado.

¿Qué pasa si el modelo discrimina injustamente a ciertos grupos?

El riesgo de bias algorítmico es real y debe gestionarse. Las fintechs bien gestionadas aplican auditorías de equidad al modelo y excluyen variables prohibidas (género, etnia, religión). La regulación en México y LATAM está avanzando hacia mayor transparencia en el uso de modelos de scoring.

El scoring predictivo es la base de una estrategia de cobranza moderna en fintechs: permite hacer más con menos, proteger la experiencia del cliente y maximizar la recuperación de cartera vencida. Kleva integra esta inteligencia en cada contacto automatizado, para que tu fintech cobre más con menos esfuerzo operativo.