Vintage Analysis en Cobranza: Qué Es y Cómo Usarlo para Mejorar tu Política Crediticia

¿Qué es el vintage analysis y por qué importa en cobranza?

El vintage analysis (o análisis de cosecha) es una metodología que agrupa los créditos por su fecha de originación — la "cosecha" — y luego analiza cómo evoluciona su comportamiento a lo largo del tiempo, especialmente en términos de mora y recuperación. Es, en esencia, una forma de entender si los créditos que otorgaste en un período determinado se comportan mejor o peor que los de períodos anteriores.

En el contexto de la gestión de cobranza, el vintage analysis responde preguntas críticas: ¿Los créditos otorgados durante la pandemia tuvieron mayor morosidad que los anteriores? ¿El cambio en la política de originación del Q3 del año pasado mejoró la calidad de la cartera? ¿Qué cosechas están siendo más difíciles de recuperar y por qué?

Sin esta herramienta, las áreas de riesgo y cobranza trabajan mirando el promedio de toda la cartera, lo que puede ocultar tendencias importantes que solo se hacen visibles cuando separás los créditos por generación.

Cómo construir una curva de vintage

Paso 1: Definir la unidad de análisis

El vintage puede construirse a nivel de crédito individual, de cliente o de producto. Lo más común es analizarlo por cohorte mensual de originación: todos los créditos desembolsados en enero forman una cosecha, los de febrero otra, y así sucesivamente.

Paso 2: Establecer la métrica de comportamiento

Las métricas más usadas en vintage analysis para cobranza son:

• Tasa de mora acumulada: qué porcentaje del saldo originado en esa cosecha entró en mora en los primeros N meses.
• Tasa de pérdida acumulada: qué porcentaje del saldo se dio de baja (castigo) en los primeros N meses.
• Tasa de recuperación por cosecha: de lo que entró en mora en esa cosecha, cuánto se recuperó efectivamente.

Paso 3: Construir la tabla de maduración

La tabla de maduración es el corazón del vintage analysis. Cada fila es una cosecha (mes de originación), y cada columna representa la edad del crédito (meses desde la originación). El valor en cada celda es la métrica acumulada en ese punto de maduración.

Por ejemplo: la cosecha de enero puede mostrar que al mes 3 tenía 2.1% de mora acumulada, al mes 6 tenía 4.8%, al mes 12 tenía 8.3%. Si la cosecha de febrero al mes 3 ya muestra 3.5%, hay una señal de alerta clara.

Paso 4: Visualizar las curvas

La representación gráfica es fundamental. Cuando trazás las curvas de cada cosecha en el mismo gráfico, podés identificar visualmente:

• Si las cosechas recientes están por encima de las anteriores (deterioro de la calidad crediticia).
• Si hay una cosecha específica que se desvía del patrón (evento puntual que la afectó).
• En qué momento de la vida del crédito la mora se estabiliza (punto de maduración).
• Si los cambios en la política de originación están produciendo resultados visibles.

Cómo interpretar los resultados del vintage analysis

Cosechas divergentes: la señal más importante

Cuando una cosecha muestra una curva de mora significativamente distinta al promedio histórico, hay que preguntarse qué cambió en ese período. Las causas más comunes son:

• Cambio en la política de originación (relajamiento de score mínimo, nuevos segmentos).
• Evento macroeconómico que impactó el poder adquisitivo de esa cohorte.
• Cambio en el producto (tasa, plazo, estructura de cuotas).
• Problemas en el canal de ventas (incentivos que generaron originaciones de baja calidad).

Identificar la causa permite tomar acciones correctivas específicas, no generales. Si el problema fue un canal de ventas con incentivos mal diseñados, la solución no es endurecer el scoring para todos — es corregir los incentivos del canal problemático.

El punto de maduración y su impacto en los forecasts

Cada producto crediticio tiene un punto donde la curva de mora se estabiliza y deja de crecer significativamente. Conocer este punto es fundamental para los forecasts de recuperación: una cosecha joven que todavía no alcanzó su maduración puede parecer mejor de lo que realmente es.

Para el forecast de recuperación, esto implica que no podés usar la tasa de mora actual de cosechas jóvenes para proyectar — tenés que usar la curva de maduración histórica para estimar la mora final esperada. Este es uno de los errores más frecuentes que generan forecasts optimistas que luego no se cumplen.

Usando el vintage analysis para mejorar la política crediticia

Calibrar el scoring de originación

Si el vintage analysis muestra que cosechas de clientes con determinado rango de score tienen tasas de mora consistentemente más altas, podés subir el piso de aprobación para ese segmento. Pero si el análisis muestra que el problema está en un producto específico (ej: créditos a 36 meses tienen peor comportamiento que los de 24 meses para el mismo score), la palanca correcta es en la estructura del producto, no en el score.

Diseñar estrategias de cobranza diferenciadas por cosecha

No todas las cosechas responden igual a las mismas estrategias de recuperación de deuda LATAM. Una cosecha más antigua y deteriorada puede requerir estrategias más agresivas de reestructuración, mientras que una cosecha joven con buenos fundamentos puede gestionarse con herramientas más suaves de recordatorio y autogestión.

Las plataformas de ia para cobranza como Kleva permiten implementar esta diferenciación a escala: segmentando automáticamente la cartera por cosecha y asignando estrategias de contacto, mensaje y oferta distintas a cada grupo. Esto explica en parte por qué Kleva alcanza una tasa de éxito del 73% — la personalización por segmento es clave.

Medir el impacto real de los cambios en política

Uno de los usos más valiosos del vintage analysis es evaluar si los cambios que implementaste en la política crediticia realmente funcionaron. Si en Q2 ajustaste el scoring y en Q3 cambiaste el proceso de verificación de ingresos, el vintage analysis te permite ver si esas cosechas tienen curvas de mora mejores que las anteriores, controlando por el contexto macroeconómico.

Sin este análisis, es muy fácil creer que las mejoras funcionaron cuando en realidad el efecto fue macroeconómico, o viceversa — frustrar iniciativas de mejora porque el entorno macro empeoró temporalmente.

Vintage analysis y cobranza con IA: una combinación poderosa

El vintage analysis tradicional se construye en hojas de cálculo y requiere trabajo manual significativo. Pero cuando se integra en una plataforma de cobranza con capacidades de IA, se convierte en un sistema dinámico que:

• Actualiza las curvas de maduración en tiempo real a medida que entran pagos y datos de gestión.
• Detecta automáticamente cosechas que se están desviando del comportamiento esperado y genera alertas tempranas.
• Ajusta los modelos de forecast incorporando el aprendizaje de cada cosecha.
• Segmenta automáticamente la estrategia de automatización de cobranza según la posición de cada deudor en la curva de maduración de su cosecha.

Kleva procesa más de 900,000 minutos mensuales de gestión, lo que genera una base de datos de comportamiento de cartera con la que los modelos de vintage se calibran con gran precisión. Con una reducción de costos del 15% y $5M+ USD recuperados, la combinación de vintage analysis y cobranza con IA está demostrando su valor en el mercado LATAM.

Preguntas frecuentes sobre vintage analysis en cobranza

¿Con cuántos meses de historia se puede hacer un vintage analysis útil?

Para tener curvas de maduración significativas, idealmente necesitás al menos 18-24 meses de historia por cosecha. Sin embargo, con 12 meses ya podés identificar tendencias relevantes, especialmente si tus créditos son de corto plazo (6-12 meses de plazo).

¿Cuál es la diferencia entre vintage analysis y roll rate analysis?

El roll rate analysis mira cómo se mueven los saldos entre buckets de mora en un momento dado (cuánto de lo que estaba en 30 días pasó a 60 días el mes siguiente). El vintage analysis, en cambio, sigue cohortes de originación a lo largo del tiempo. Son complementarios: el roll rate es más útil para gestión operativa de corto plazo, el vintage para evaluación de política crediticia.

¿El vintage analysis funciona para carteras pequeñas?

La confiabilidad estadística requiere volumen. Para carteras pequeñas (menos de 200-300 créditos por cosecha mensual), puede ser más útil agrupar cosechas trimestrales o semestrales para tener muestras con significancia estadística.

Implementando el vintage analysis en tu organización

El primer paso es asegurarte de que tu sistema de software de cobranza registre correctamente la fecha de originación de cada crédito y la mantenga asociada a todo el historial de pagos y gestión. Sin esta trazabilidad, no podés construir las cohortes.

El segundo paso es definir las métricas prioritarias para tu negocio y construir la primera versión de las curvas. No tiene que ser perfecta desde el inicio — iterá con los datos que tenés y refiná la metodología con el tiempo.

El tercer paso, y el más poderoso, es integrar el vintage analysis con tu estrategia de cobranza. Si tenés acceso a una plataforma de cobranza con IA como Kleva, el análisis puede alimentar directamente los algoritmos de priorización y segmentación de la gestión, cerrando el ciclo entre análisis de portafolio y acción operativa.

El vintage analysis no es una herramienta para analistas — es una herramienta para tomar mejores decisiones de negocio, tanto en originación como en cobranza. Y en un mercado tan dinámico como el LATAM, esa ventaja analítica puede marcar la diferencia entre una cartera sana y un problema de mora crónico.