La gestión de cartera de cobranza en México enfrenta un desafío estructural que se ha intensificado durante los últimos cinco años: el volumen de cuentas por gestionar crece a un ritmo significativamente mayor que la capacidad operativa de las instituciones financieras para atenderlas. Según datos de la Comisión Nacional Bancaria y de Valores (CNBV), el índice de morosidad de la banca comercial en México se situó en 2.1% al cierre de 2024, lo que representa miles de millones de pesos en cartera que requiere gestión activa. La pregunta que toda dirección de cobranza debe responder no es si contactar a los deudores, sino a cuáles contactar primero, con qué intensidad y a través de qué canal.
Es precisamente en esta encrucijada donde las herramientas de análisis predictivo han dejado de ser un lujo tecnológico para convertirse en una necesidad operativa. Los modelos de priorización basados en machine learning permiten asignar recursos escasos — agentes, llamadas, mensajes — a las cuentas con mayor probabilidad de pago, maximizando la recuperación por peso invertido en gestión.
Fundamentos del análisis predictivo aplicado a cobranza
El análisis predictivo en cobranza se sustenta en una premisa estadística: el comportamiento pasado de pago de un deudor, combinado con variables demográficas, financieras y de comportamiento, permite estimar con razonable precisión la probabilidad de que dicho deudor realice un pago dentro de un horizonte temporal definido. Los modelos más sofisticados no solo predicen si el deudor pagará, sino cuánto pagará, cuándo lo hará y qué canal de contacto tiene mayor probabilidad de generar una respuesta positiva.
Las variables que alimentan estos modelos se agrupan típicamente en cuatro categorías:
- Variables de comportamiento crediticio: historial de pagos, número de pagos atrasados en los últimos 6, 12 y 24 meses, monto máximo de atraso, patrón de pagos parciales, uso de líneas de crédito disponibles y número de productos financieros activos.
- Variables demográficas y socioeconómicas: edad, código postal, nivel de ingresos declarado, antigüedad laboral, tipo de empleo, estado civil y nivel educativo. En el contexto mexicano, la zona geográfica es particularmente relevante dado que los patrones de pago varían sustancialmente entre regiones.
- Variables del producto: tipo de crédito (hipotecario, automotriz, personal, tarjeta de crédito), monto original, tasa de interés, plazo, garantías asociadas y antigüedad del crédito.
- Variables de gestión previa: número de intentos de contacto anteriores, canales utilizados, promesas de pago cumplidas e incumplidas, acuerdos de reestructura previos y respuestas a comunicaciones automatizadas.
FICO Score y FICO Debt Manager
FICO es, sin lugar a dudas, la referencia global en scoring crediticio. Su presencia en México opera principalmente a través de las sociedades de información crediticia — Buró de Crédito utiliza modelos basados en metodología FICO para generar los scores que las instituciones financieras consultan. Sin embargo, para efectos de priorización de cobranza, la solución más relevante es FICO Debt Manager, una plataforma integral que combina scoring de cobranza con motor de decisiones y orquestación de estrategias.
FICO Debt Manager permite crear lo que la industria denomina "estrategias de tratamiento diferenciado": cada cuenta recibe un score de cobranza que determina automáticamente la intensidad de gestión, el canal preferente y el momento óptimo de contacto. Los modelos de FICO típicamente logran un coeficiente de Gini entre 0.55 y 0.70 en carteras mexicanas, lo que significa que discriminan de manera efectiva entre cuentas con alta y baja probabilidad de pago.
La principal ventaja de FICO radica en la profundidad de sus datos de entrenamiento y la robustez de su metodología estadística. La desventaja para muchas instituciones mexicanas, particularmente Sofomes y financieras medianas, es el costo de licenciamiento, que puede superar los 500,000 USD anuales dependiendo del volumen de cuentas gestionadas, más los costos de implementación que típicamente requieren entre 6 y 12 meses.
Experian PowerCurve Collections
Experian, que en México opera también a través de su participación en Buró de Crédito, ofrece PowerCurve Collections, una plataforma que compite directamente con FICO Debt Manager. PowerCurve se distingue por su arquitectura modular: las instituciones pueden implementar solo el módulo de scoring, solo el motor de decisiones, o la solución completa que incluye automatización de flujos de trabajo.
Una característica particularmente valiosa de PowerCurve para el mercado mexicano es su capacidad de incorporar datos alternativos. Mientras que los modelos tradicionales dependen principalmente de datos de burós de crédito, PowerCurve permite integrar información de pagos de servicios (CFE, Telmex), datos de telecomunicaciones e incluso información de redes sociales (con las debidas consideraciones de privacidad bajo la Ley Federal de Protección de Datos Personales en Posesión de los Particulares). Esta capacidad es especialmente relevante para segmentos de la población con historial crediticio limitado — lo que en la industria se conoce como "thin file" — que representan una porción significativa de la cartera de muchas Sofomes y fintech mexicanas.
Los tiempos de implementación de PowerCurve son generalmente más cortos que los de FICO, con proyectos que van de 4 a 8 meses para una implementación completa. El modelo de pricing es más flexible, con opciones de licenciamiento por volumen de decisiones tomadas en lugar de tarifas fijas elevadas.
SAS Credit Scoring y SAS Intelligence Suite
SAS ocupa un lugar particular en el ecosistema analítico mexicano. Muchas de las instituciones bancarias más grandes del país — incluidos BBVA México, Banorte y Santander — utilizan SAS como su plataforma principal de modelado estadístico. SAS no es una solución de cobranza per se, sino un entorno analítico completo que permite construir, validar y desplegar modelos predictivos de cualquier tipo, incluyendo modelos de priorización de cobranza.
La fortaleza de SAS reside en su flexibilidad y en la profundidad de sus capacidades estadísticas. Los equipos de analytics de las instituciones financieras pueden construir modelos a medida utilizando técnicas que van desde la regresión logística clásica hasta gradient boosting, redes neuronales y modelos de ensemble. SAS Visual Data Mining and Machine Learning incorpora capacidades de AutoML que automatizan parcialmente el proceso de selección y optimización de modelos.
El desafío con SAS es que requiere un equipo interno de ciencia de datos competente. No es una solución "plug and play": la institución necesita data scientists que construyan los modelos, data engineers que preparen las fuentes de datos y analistas de negocio que traduzcan los resultados en estrategias operativas. Para instituciones que ya cuentan con este talento, SAS ofrece un grado de personalización que las soluciones empaquetadas de FICO y Experian no igualan. Para las que no, la curva de adopción puede ser prohibitivamente empinada.
Soluciones locales del mercado mexicano
El mercado mexicano ha visto emerger en los últimos años soluciones de análisis predictivo desarrolladas localmente que merecen atención. Círculo de Crédito, la segunda sociedad de información crediticia del país, ofrece su propio suite de scores de cobranza que tienen la ventaja de incorporar datos exclusivos que no están disponibles en Buró de Crédito. La combinación de scores de ambos burós es una práctica cada vez más común entre instituciones sofisticadas.
Empresas como Nufi y Lendera ofrecen plataformas de scoring alternativo que utilizan datos no tradicionales para evaluar riesgo y capacidad de pago. Estas soluciones son particularmente relevantes para el segmento fintech, donde los clientes frecuentemente carecen de historial en los burós tradicionales. CRiskCo, con oficinas en México, proporciona análisis de riesgo crediticio basado en datos transaccionales bancarios y fiscales (conectándose directamente al SAT), ofreciendo una perspectiva complementaria sobre la capacidad real de pago del deudor.
Para instituciones de menor tamaño, existen opciones como Atlan AI y otras startups mexicanas que ofrecen modelos de scoring como servicio (Scoring-as-a-Service) con costos significativamente menores que las soluciones enterprise. Estas plataformas típicamente cobran por consulta o por volumen mensual, con tarifas que pueden ir desde 2 hasta 15 pesos por evaluación dependiendo de la complejidad del modelo y las fuentes de datos utilizadas.
Métricas de ROI: qué esperar de la implementación
La pregunta inevitable al evaluar estas plataformas es: ¿cuánto retorno generan? Los datos disponibles, tanto de estudios publicados por los propios proveedores como de reportes independientes de consultoras como McKinsey y Oliver Wyman, sugieren rangos bastante consistentes:
- Incremento en tasa de recuperación: entre 10% y 25% sobre la línea base, dependiendo de la madurez analítica previa de la institución. Instituciones que pasan de no usar modelos a implementar una solución robusta pueden ver mejoras en el extremo superior del rango. Las que ya utilizan modelos básicos y migran a plataformas más sofisticadas típicamente observan mejoras del 8% al 15%.
- Reducción de costos de gestión: entre 15% y 35%, derivada principalmente de la eliminación de gestiones improductivas. Cuando un modelo identifica correctamente que el 30% de la cartera tiene probabilidad de pago inferior al 5%, los recursos que antes se desperdiciaban en esas cuentas pueden redirigirse a segmentos más productivos.
- Mejora en la experiencia del deudor: este beneficio es más difícil de cuantificar pero no menos importante. Los modelos predictivos permiten identificar a los deudores que pagarán espontáneamente, evitando contactos innecesarios que deterioran la relación con el cliente y generan quejas ante CONDUSEF. Instituciones que han implementado modelos de priorización reportan reducciones de entre 20% y 40% en reclamaciones relacionadas con prácticas de cobranza.
El periodo de recuperación de la inversión varía significativamente. Para soluciones enterprise como FICO o Experian, con inversiones iniciales que pueden superar el millón de dólares incluyendo implementación, el breakeven típicamente se alcanza entre 12 y 18 meses. Para soluciones SaaS de proveedores locales, con inversiones iniciales mucho menores, el retorno puede materializarse en 3 a 6 meses.
El eslabón entre priorización y ejecución
Un punto que frecuentemente se subestima en las discusiones sobre análisis predictivo es que la priorización por sí sola no recupera cartera. El modelo más sofisticado del mundo es inútil si la institución no cuenta con la capacidad operativa para ejecutar las estrategias que el modelo recomienda. Si el modelo determina que 5,000 cuentas deben recibir una llamada esta semana pero el equipo de cobranza solo puede realizar 2,000 llamadas, el 60% de la recomendación se queda sin ejecutar.
Es en este punto donde las soluciones de automatización de la ejecución cobran relevancia. Plataformas como Agentica, que utilizan agentes de inteligencia artificial para realizar contactos de cobranza por voz y mensajería, actúan como un multiplicador de la capacidad operativa. El modelo predictivo determina a quién contactar y con qué prioridad; la plataforma de ejecución automatizada se encarga de que esos contactos efectivamente ocurran, sin las restricciones de horario, fatiga y rotación que limitan a los equipos humanos. Esta complementariedad entre inteligencia analítica y capacidad de ejecución es, en la práctica, lo que separa a las instituciones que obtienen resultados marginales de sus modelos de aquellas que logran transformaciones significativas en su recuperación.
Criterios de selección para el mercado mexicano
Al evaluar plataformas de análisis predictivo para cobranza en México, las instituciones deben considerar los siguientes criterios de manera estructurada:
- Compatibilidad con fuentes de datos locales: la plataforma debe integrarse nativamente con Buró de Crédito y Círculo de Crédito, así como con fuentes de datos alternativas relevantes para el mercado mexicano (SAT, IMSS, servicios públicos).
- Cumplimiento regulatorio: los modelos deben ser explicables para satisfacer los requerimientos de la CNBV y la Ley Federal de Protección de Datos. Los modelos de "caja negra" enfrentan crecientes obstáculos regulatorios.
- Escalabilidad: la plataforma debe manejar eficientemente desde carteras de 10,000 cuentas hasta millones, sin degradación significativa en tiempos de procesamiento.
- Soporte local: la disponibilidad de equipos de implementación y soporte con conocimiento del mercado mexicano es un factor frecuentemente subestimado que determina el éxito o fracaso de los proyectos.
- Modelo de costos: para instituciones medianas, los modelos de pricing por transacción o por volumen mensual son generalmente más adecuados que las licencias fijas elevadas que caracterizan a las soluciones enterprise tradicionales.
La decisión final debe basarse en un análisis riguroso del costo total de propiedad a tres años, incluyendo licencias, implementación, integración, capacitación y mantenimiento evolutivo. Las instituciones que toman esta decisión basándose únicamente en el costo de licencia inicial invariablemente terminan pagando más a largo plazo en costos ocultos de integración y personalización.
