Una empresa de servicios públicos logró aumentar 50 % la recuperación de deudas en tres meses después de incorporar análisis predictivo a su proceso de cobranza. El resultado fue reportado por WNS, firma que implementó el modelo, y estuvo acompañado por un aumento de 8 % en la conversión y una reducción de 20 % en los gastos operativos.
La tecnología utilizada no podía saber con certeza quién iba a pagar. Su función era otra: calcular qué clientes tenían una mayor probabilidad de hacerlo y utilizar esa información para decidir dónde concentrar los esfuerzos de cobranza.
El modelo desarrollado para el caso recibió el nombre de Propensity-to-Pay Predictive Data Model. Fue diseñado para clientes residenciales y asignaba a cada uno una puntuación según su probabilidad estimada de pagar una deuda. Después, las cuentas eran clasificadas en grupos de alta, media y baja propensión al pago.
La empresa partía de una situación complicada. Su tasa de recuperación de deuda era de 4 %, mientras que WNS reportaba un 14 % entre sus competidores. Además, las agencias encargadas de recuperar esas obligaciones podían cobrar comisiones de hasta 50 % del dinero recuperado, según el caso empresarial.
Te puede interesar: Agentes de IA ya pueden negociar deudas: ¿qué pasa si el algoritmo se equivoca?
Con los resultados del modelo, la compañía pudo cambiar la forma en que distribuía sus recursos. Las cuentas se priorizaron teniendo en cuenta la probabilidad de pago y el monto de la deuda. También se utilizaron guiones personalizados durante las llamadas y estrategias diferentes para cada grupo de clientes.
El resultado que reportó WNS fue un aumento de 50 % en la cobranza en tres meses. El mismo documento registra una mejora de 8 % en la conversión y una disminución de 20 % en los gastos operativos. Es importante precisar que estas cifras corresponden a un caso de negocio de WNS y no a un ensayo académico que permita afirmar que el análisis predictivo aumenta la cobranza 50 % en cualquier empresa.
Qué puede anticipar realmente un modelo predictivo
La utilidad de estos sistemas sí ha sido estudiada por investigadores. En 2022, Catalina Sánchez, Sebastián Maldonado y Carla Vairetti publicaron en Decision Support Systems una investigación sobre análisis predictivo aplicado a la cobranza. El trabajo utilizó información de una institución financiera chilena y combinó datos financieros con registros de los centros de contacto.
La investigación trabajó con 1.023.418 registros de llamadas, 26.466 promesas de pago y 54.349 pagos efectivos. Los investigadores desarrollaron modelos para estimar tres situaciones: la posibilidad de contactar exitosamente a un deudor, la probabilidad de que una conversación terminara en una promesa de pago y la posibilidad de que el cliente finalmente pagara sus obligaciones pendientes.
Te puede interesar: ¿La IA sabe quién va a pagar? Así funcionan los algoritmos que están cambiando la cobranza
Los resultados mostraron que combinar la información financiera con los datos obtenidos durante las interacciones del centro de contacto mejoraba el desempeño predictivo. Los autores plantearon que este tipo de modelos puede utilizarse para decisiones como segmentar clientes, asignar agentes y determinar qué cuentas requieren una intervención prioritaria.
La investigación también deja una advertencia que suele perderse cuando se habla de inteligencia artificial aplicada a las finanzas. Una predicción no equivale a una certeza. El sistema encuentra patrones en los datos disponibles y calcula probabilidades. Si cambian los comportamientos de los clientes o la calidad de la información utilizada, también puede cambiar el resultado del modelo.
Por eso, en una operación de cobranza, el verdadero cambio no está en que una máquina pueda conocer el futuro. Está en utilizar los datos para decidir antes de que una deuda se convierta en un problema mayor y distribuir los recursos de cobranza según la información que existe sobre cada caso.
