Scorecard de cobranza con IA: probabilidad de pago

Los especialistas en análisis de cobranza cumplen una función clave al estimar la probabilidad de recuperar una deuda y optimizar las estrategias de cobranza. Una herramienta útil para ello es un scorecard. En este artículo explicamos cómo crear un scorecard de cobranza integral que permita estimar con precisión la probabilidad de recuperación.

I. Variables y tipos de datos

A. Datos sobre el comportamiento de cobranza

  1. Número de llamadas realizadas en los últimos 1, 2 y 3 períodos
  2. Total de llamadas realizadas
  3. Número de llamadas que lograron conexión en los últimos 1, 2 y 3 períodos
  4. Total de llamadas que lograron conexión
  5. Tasa de conexión en los últimos 1, 2 y 3 períodos
  6. Tasa general de conexión telefónica
  7. Número de días sin contacto en los últimos 1, 2 y 3 períodos
  8. Total de días sin contacto
  9. Número de amigos válidos
  10. Número de contactos válidos
  11. Duración promedio de cada llamada
  12. Duración total de las llamadas
  13. Total de rellamadas
  14. Total de mensajes de cobranza enviados
  15. Total de gestores de cobranza involucrados
  16. Total de cartas de cobranza enviadas

B. Información personal del cliente

  1. Edad
  2. Género
  3. Ocupación
  4. Nivel educativo
  5. Ingreso mensual
  6. Estado civil
  7. Situación de vivienda

Preguntas frecuentes

¿Qué resultado de pago y qué período de predicción debe usar el scorecard?

Empiece por un resultado que el equipo de cobranza pueda observar y sobre el que pueda actuar, como saber si una cuenta recibe un pago dentro de los 30 días posteriores al cálculo del score. Elija un período que corresponda a la frecuencia con que asigna las cuentas y revisa los resultados. Defina de antemano si los pagos parciales, los acuerdos y las promesas de pago cumplidas cuentan como éxito. De lo contrario, el scorecard podría ordenar las cuentas según un resultado que no coincide con el objetivo de cobranza.

¿Dónde conviene fijar el umbral para asignar más esfuerzos de cobranza?

Fije el umbral según el valor de recuperación esperado y el costo y la capacidad disponibles para realizar contactos adicionales, no a partir de un puntaje genérico. Pruebe varias bandas de score en un piloto controlado y compare los montos cobrados y los costos de contacto en cada banda. Una alta probabilidad de pago no siempre significa que una cuenta requiera más esfuerzo. Compruebe si el contacto adicional cambia los resultados o si solo identifica a personas que habrían pagado de todos modos.

¿Cómo comprobar si el historial de llamadas mejora las predicciones de pago?

Reserve datos de un período posterior para la prueba: cree el scorecard con cuentas anteriores y evalúelo con cuentas posteriores que no se usaron para ajustarlo. Incluya solo información de llamadas y contactos disponible al momento de calcular el score de cada cuenta. El historial de contactos puede reflejar tanto las decisiones de cobranza anteriores como la disposición de una persona a pagar. Antes de usar esos datos para asignar más esfuerzos, compare el desempeño con las políticas de contacto vigentes.

¿Cuándo conviene actualizar el scorecard de cobranza?

Revise el desempeño al menos cada trimestre, o antes si cambian de forma importante los patrones de pago, los productos o las políticas de cobranza. Compruebe si las tasas de pago previstas coinciden con las observadas en cada banda de score y si el ordenamiento todavía distingue las cuentas que pagan de las que no. Actualice el scorecard solo si la revisión detecta un deterioro significativo. Luego, valide la nueva versión con cuentas posteriores antes de ponerla en uso.

Integre estas comprobaciones en un flujo de decisión

Cree reglas de crédito, fraude o cobros y ejecútelas en decisiones en tiempo real.