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.

Pero el aumento de los préstamos también trae una preocupación para el sistema financiero: la morosidad. De acuerdo con SoFi Tech Solutions, en varios segmentos los indicadores de cartera vencida han superado el 10% y 15%, mientras factores como la volatilidad de los ingresos y el uso simultáneo de varias plataformas pueden llevar a los usuarios a acumular diferentes obligaciones.

Para conocer cómo está cambiando este mercado y qué están haciendo las fintech para evaluar la capacidad de pago y recuperar las deudas, Enter.co habló con Eduardo Azuara, principal de estrategia y ventas para México y Colombia en SoFi Tech Solutions. El ejecutivo explicó el crecimiento del crédito digital, los nuevos modelos de evaluación basados en datos e inteligencia artificial y la transformación de la cobranza hacia canales digitales.

Crédito digital y nuevos usuarios

¿Qué tan rápido está creciendo el crédito digital en Colombia y qué cifras permiten dimensionar este mercado?

El crédito digital se ha consolidado como uno de los principales segmentos de innovación financiera en Colombia. Actualmente administra activos superiores a $26 billones de pesos y, durante 2024, las colocaciones crecieron alrededor de 48%, superando los $12 billones en desembolsos acumulados.

Además, entre 80 y 97 fintech están dedicadas exclusivamente al financiamiento digital. El ecosistema también acumula más de 20 millones de desembolsos o solicitudes aprobadas en los últimos años, un volumen que rivaliza con la banca tradicional en créditos de consumo de bajo monto.

¿Qué tipo de crédito está teniendo mayor demanda entre los colombianos?

Los productos con mayor demanda son los créditos de consumo de bajo monto o libre inversión, con préstamos de entre $100.000 y $2 millones de pesos destinados a contingencias, liquidez diaria o compras inmediatas.

También están los modelos BNPL, que permiten comprar ahora y pagar después, y los nanocréditos para mipymes, comercios informales e independientes.

¿Qué perfiles de usuarios están llegando a estos productos?

Entre los principales usuarios están los trabajadores informales e independientes que no tienen certificación laboral ni desprendibles de pago. También jóvenes y personas subbancarizadas sin historial crediticio previo en centrales de riesgo.

A esto se suma la población de municipios sin sucursales bancarias físicas, que puede acceder a estos servicios directamente desde su teléfono móvil.

¿Cómo se mide la capacidad de pago?

Más allá de la velocidad de aprobación, ¿cómo están evaluando las fintech la capacidad real de pago de una persona?

Las entidades están complementando las centrales de riesgo tradicionales con modelos de scoring alternativo apoyados en inteligencia artificial. Estos sistemas analizan datos de comportamiento, como los movimientos de dinero en billeteras digitales y los patrones de uso en transferencias y servicios como Transfiya o PSE.

También pueden analizar variables relacionadas con el comportamiento digital, entre ellas la puntualidad en el pago de servicios públicos, las recargas móviles, la navegación en las aplicaciones y los hábitos de gasto.

Otra herramienta son los límites progresivos. El usuario puede comenzar con un cupo reducido y acceder a montos superiores después de demostrar disciplina en sus pagos.

El problema de la morosidad

Cuando aumenta el número de créditos digitales, también puede crecer la cartera en mora. ¿Qué comportamiento están observando en Colombia?

El crecimiento del crédito digital en un entorno macroeconómico retador ha elevado los niveles de cartera vencida. En varios segmentos, los indicadores de morosidad se encuentran por encima del 10% y 15%, según SoFi Tech Solutions.

Una de las principales causas es la volatilidad de los ingresos. La alta informalidad hace que algunas personas tengan variaciones importantes en sus ingresos mensuales, lo que dificulta mantener la puntualidad en los pagos.

También existe un problema de sobreendeudamiento multifirma. Un usuario puede adquirir pequeños créditos de manera simultánea en tres o cuatro plataformas fintech.

La inteligencia artificial entra en la cobranza

¿Cómo está cambiando la cobranza de deudas con inteligencia artificial y canales digitales?

La gestión de cobranza está pasando de las llamadas telefónicas hacia sistemas inteligentes de interacción omnicanal. Los modelos de aprendizaje automático clasifican diariamente a los usuarios según su probabilidad de pago y determinan cuál puede ser el mejor canal para contactarlos, entre ellos WhatsApp, SMS, correo electrónico o voz sintética.

También se utilizan voicebots y agentes de inteligencia artificial que pueden ofrecer acuerdos de pago, condonación de intereses o refinanciaciones personalizadas durante las 24 horas del día.

¿Qué resultados han conseguido estas herramientas frente a los métodos tradicionales?

Los resultados documentados por SoFi Tech Solutions muestran aumentos de entre 15% y 35% en la recuperación de cartera durante las primeras etapas de mora, entre uno y 60 días.

En costos operativos, la reducción puede llegar hasta entre 40% y 60% al disminuir la dependencia de call centers masivos y automatizar el contacto inicial. Además, el ciclo de negociación puede reducirse de días a minutos desde el primer recordatorio automático.