Desde hace muchos años ofrecer crédito a las personas es el día a día de todas las instituciones financieras de México y del mundo. La gente solicita dinero prestado y paga a las instituciones en función del tipo de interés que cobran por cada operación. Cuando el cliente pide un crédito y paga sus obligaciones a tiempo, es un cliente no moroso. Por otro lado, cuando el pago se retrasa o por algún motivo deja de existir, el cliente incumple y comienza a generar no sólo costos a sus acreedores, sino también potenciales pérdidas por falta de pago de la deuda relacionada con el crédito obtenido. Es aquí donde entra en juego un área de fundamental importancia para el negocio de las entidades financieras: la cobranza.
El cobro, ya sea realizado por la propia institución acreedora (que comúnmente se denomina cobro interno) o por oficinas especializadas (que se denomina cobro externo), tiene la función de rescatar cantidades prestadas que, efectivamente, no fueron saldadas. Ciertamente, cada institución tiene interés en la recuperación del crédito, pero en términos generales también tiene interés en mantener la relación con el cliente.
Así, la forma en que se realiza el cobro influye en las estrategias de cada empresa. Más allá de eso, el diseño de la estrategia influye en los resultados de recuperación de crédito.
La cantidad de datos generados a lo largo del ciclo de vida del cliente y su relación con cada institución es creciente y más amplia, incluyendo el histórico no sólo de la propia institución, sino del cliente con el mercado en su conjunto. Utilizar estos datos de la manera más eficiente posible es uno de los factores que interfiere en el resultado de recuperación crediticia de cada institución. En una era de estrategias basadas en datos, herramientas como el Machine Learning y la optimización matemática, la combinación de datos con metodología analítica, estrategia y tecnología (para ejecutar y monitorear estrategias) se vuelven fundamentales para el éxito empresarial y abren las puertas a varias aplicaciones y casos de uso que combinan estos elementos.
Los casos de uso pueden abarcar todo el ciclo de vida del cliente en un proceso de cobranza. Mucho antes de que se inicie un proceso activo de cobranza al cliente, es posible que ya esté mostrando señales al mercado de que va a tener dificultades para cumplir con sus obligaciones, por lo que se pueden aplicar modelos predictivos de propensión para la cobranza y así anticiparse a las necesidades potenciales de los clientes y evitar, no sólo el nacimiento de la deuda, sino también una posible prórroga y su potencial impago.
Cuando un cliente entra en un proceso activo de cobranza, las empresas utilizan diferentes mecanismos, llamados acciones, para intentar el contacto y pago de la deuda, acciones que generan altos costos. El uso eficiente de los historiales de cobranza y estas acciones, combinado con modelos de segmentación de clientes y predicción de pagos, puede ayudar a construir estrategias que combinen diferentes acciones, con diferentes niveles de intensidad, para cada perfil de cliente. Un elemento que agrega mucho valor a esta estrategia es utilizar la optimización para permitir que potentes algoritmos matemáticos busquen, entre millones de combinaciones posibles, la estrategia que genere el mejor resultado de recuperación, sujeto a las limitaciones operativas y de presupuesto disponible en la cobranza.
De hecho, el uso de la optimización matemática se utiliza ampliamente en el proceso de recuperación de crédito. Desde el proceso de distribución de cartera, que puede optimizarse para apalancar la recuperación total, hasta el proceso de renegociación de la deuda, que puede sugerir el plan que, dentro de un amplio abanico de opciones, mejor se adapte a la necesidad de cada cliente y apalanca los montos generados de la renegociación, reduciendo posibles incumplimientos del acuerdo.
Por último, cabe señalar que la ciencia analítica puede y debe utilizar estos datos para evaluar nuevos matices sobre el comportamiento de los clientes morosos. El abrumador crecimiento del volumen de datos no estructurados (como textos y audios) permite incorporar estos conocimientos en modelos de decisión más avanzados. Las tecnologías que convierten audio en texto (“Speech-to-Text”) y los métodos analíticos que extraen información de audios (“Speech Analytics”) o textos (“Text Analytics” y “NLP – Natural Language Processing”) son poderosas fuentes de generación de información para comprender mejor el comportamiento de los clientes y tomar decisiones menos subjetivas y con mayores bases en los estándares que nos ofrecen los ecosistemas de datos cada vez más complejos.
