En la gestión de cobranza, la premisa fundamental es sencilla de enunciar pero extraordinariamente compleja de ejecutar: no todas las cuentas deben recibir el mismo tratamiento. Un portafolio de cobranza típico presenta una distribución heterogénea en la que coexisten deudores con alta disposición y capacidad de pago que únicamente requieren un recordatorio oportuno, deudores en dificultades temporales que necesitan una propuesta de reestructuración adecuada, deudores sin capacidad de pago actual pero con perspectivas de recuperación futura, y cuentas cuya probabilidad de recuperación es tan baja que cualquier inversión en su gestión genera un retorno negativo.
Los sistemas de scoring de cobranza constituyen el instrumento analítico que permite a las organizaciones clasificar y priorizar sus cuentas de manera objetiva, asignando los recursos disponibles (agentes, canales de contacto, ofertas de negociación) de forma que se maximice la recuperación total del portafolio. Este artículo examina las principales metodologías de scoring aplicadas en la cobranza en México, las fuentes de datos disponibles, los modelos analíticos más efectivos y las consideraciones prácticas para su implementación.
Scoring de cobranza versus scoring crediticio: una distinción fundamental
Resulta imprescindible distinguir entre el scoring crediticio (credit score) y el scoring de cobranza (collection score), ya que, aunque comparten algunos insumos de información, responden a preguntas fundamentalmente diferentes.
El scoring crediticio evalúa la probabilidad de que un solicitante de crédito incumpla sus obligaciones en un horizonte futuro determinado (típicamente 12 a 24 meses). Se utiliza en la etapa de originación para decidir si se otorga el crédito, en qué monto y bajo qué condiciones. En México, los scores más utilizados en esta categoría son el Score de Buró de Crédito (escala de 400 a 850) y el Score de Círculo de Crédito.
El scoring de cobranza, en cambio, evalúa la probabilidad de que un deudor que ya se encuentra en situación de mora realice un pago dentro de un horizonte de tiempo específico (típicamente 30, 60 o 90 días). Su propósito no es predecir el incumplimiento, sino orientar la estrategia de recuperación. Un deudor con un score crediticio bajo al momento de la originación puede tener un score de cobranza alto si su situación financiera ha mejorado o si presenta patrones de comportamiento que sugieren disposición al pago.
Metodologías de scoring para cobranza
Scoring conductual (behavioral scoring)
El scoring conductual se fundamenta en el análisis del comportamiento histórico del deudor durante la vigencia del crédito y, particularmente, durante el período de mora. Las variables más predictivas incluyen:
- Patrón de pagos histórico: Frecuencia, regularidad y monto de los pagos realizados durante la vida del crédito. Un deudor que ha mantenido un comportamiento de pago regular durante 18 meses y presenta una mora reciente tiene un perfil sustancialmente diferente al de un deudor que ha sido irregular desde el inicio.
- Comportamiento de contacto: Respuesta a intentos de contacto previos. Los deudores que contestan llamadas, responden mensajes o se han comunicado proactivamente con la institución presentan tasas de recuperación significativamente superiores.
- Historial de promesas de pago: Las promesas de pago cumplidas e incumplidas constituyen uno de los predictores más poderosos del comportamiento futuro. Un deudor que ha cumplido el 80% de sus promesas de pago tiene una probabilidad de recuperación radicalmente distinta a uno que no ha cumplido ninguna.
- Pagos parciales: La realización de pagos parciales, incluso por montos inferiores al mínimo requerido, es un indicador positivo de intención de pago.
- Antigüedad de la mora: Como regla general, la probabilidad de recuperación decrece exponencialmente con la antigüedad de la mora. La evidencia empírica en el mercado mexicano sugiere que la probabilidad de recuperación total cae aproximadamente un 10% por cada 30 días adicionales de mora.
Scoring demográfico y socioeconómico
Esta metodología incorpora variables del perfil del deudor que, en combinación con los datos conductuales, refinan la predicción. Las variables relevantes en el contexto mexicano incluyen:
- Ubicación geográfica: Las tasas de recuperación presentan variaciones significativas entre regiones. Factores como el nivel de actividad económica, la penetración de servicios financieros, la infraestructura de medios de pago y la cultura financiera local inciden en la probabilidad de pago.
- Nivel de ingreso estimado: Datos de ingreso declarado al momento de la solicitud, complementados con estimaciones basadas en la zona de residencia, ocupación y nivel educativo.
- Antigüedad laboral y tipo de empleo: La estabilidad laboral constituye un predictor relevante de la capacidad de pago. Los deudores con empleo formal y antigüedad superior a 12 meses presentan tasas de recuperación superiores a los trabajadores independientes o informales.
- Edad: Distintos grupos etarios exhiben patrones de respuesta diferenciados ante las estrategias de cobranza. Los deudores de mayor edad tienden a responder mejor a canales tradicionales (llamada telefónica), mientras que los más jóvenes muestran mayor receptividad a canales digitales (WhatsApp, SMS, portales de autoservicio).
Modelos de propensión al pago (propensity-to-pay)
Los modelos de propensión al pago representan el enfoque más avanzado en scoring de cobranza. Utilizan técnicas de aprendizaje automático (machine learning) para integrar simultáneamente variables conductuales, demográficas, financieras y contextuales, generando una estimación probabilística de la recuperación esperada para cada cuenta. Los algoritmos más utilizados incluyen regresión logística (como baseline por su interpretabilidad), gradient boosting (XGBoost, LightGBM), redes neuronales para portafolios de gran volumen, y modelos de supervivencia para estimar no solo la probabilidad sino también el tiempo esperado de pago.
La ventaja fundamental de estos modelos respecto a los enfoques basados en reglas es su capacidad para identificar patrones no lineales e interacciones complejas entre variables que las reglas estáticas no capturan. Por ejemplo, un modelo de propensión puede detectar que los deudores varones entre 35 y 45 años, con empleo formal en el sector manufactura y residencia en estados del Bajío, que presentan una primera mora entre diciembre y febrero, tienen una probabilidad de regularización espontánea del 65% sin intervención de cobranza, posiblemente porque su mora se debe a gastos estacionales de fin de año y no a un deterioro estructural de su capacidad de pago.
Fuentes de datos en México
Buró de Crédito
Buró de Crédito, operado por Trans Union de México, S.A., constituye la Sociedad de Información Crediticia (SIC) con mayor cobertura en el mercado mexicano, con más de 370 millones de registros crediticios. Para efectos de scoring de cobranza, las consultas al Buró permiten obtener el historial crediticio completo del deudor, incluyendo su comportamiento de pago con otras instituciones, sus saldos vigentes, su nivel de endeudamiento total y las consultas realizadas por otros otorgantes. Esta información resulta invaluable para evaluar si la mora con la institución que realiza la gestión es un evento aislado o forma parte de un patrón generalizado de deterioro financiero.
Círculo de Crédito
Círculo de Crédito, la segunda SIC autorizada en México, complementa la información de Buró de Crédito y tiene una presencia particularmente relevante en segmentos como microcréditos, créditos de nómina y financiamiento de sectores populares. Para instituciones que atienden estos segmentos, la consulta a Círculo de Crédito puede proporcionar información diferencial que no se encuentra disponible en Buró de Crédito.
Datos internos de la institución
Los datos generados por la propia institución durante la vida del crédito y el proceso de cobranza constituyen frecuentemente la fuente de información más valiosa para el scoring. El historial de transacciones, los registros de contacto, las grabaciones de llamadas analizadas mediante procesamiento de lenguaje natural, los patrones de uso de canales digitales y las respuestas a campañas previas de cobranza proporcionan señales de alta calidad predictiva que no están disponibles en fuentes externas.
Datos alternativos
En el mercado mexicano, diversas empresas ofrecen fuentes de datos alternativos que pueden enriquecer los modelos de scoring de cobranza. Estas incluyen datos de comportamiento de pago de servicios (telefonía, electricidad, agua), datos de geolocalización anonimizados, información de actividad en redes sociales (con el consentimiento explícito del titular) y datos transaccionales de comercio electrónico. La incorporación de estas fuentes debe realizarse en estricto cumplimiento con la Ley Federal de Protección de Datos Personales en Posesión de los Particulares y su Reglamento.
De la priorización a la ejecución: segmentación operativa
El scoring, por sí solo, no genera recuperación. Su valor se materializa únicamente cuando se traduce en acciones diferenciadas de gestión. Un modelo de segmentación operativa efectivo vincula los rangos de score con estrategias específicas:
- Score alto (alta probabilidad de pago): Gestión automatizada mediante canales de bajo costo: SMS, correo electrónico, WhatsApp con mensajes estandarizados. El objetivo es facilitar el pago con mínima fricción. Un agente virtual basado en inteligencia artificial, como el que ofrece Agentica, resulta particularmente efectivo en este segmento, ya que puede mantener conversaciones personalizadas por WhatsApp, resolver dudas básicas y guiar al deudor hasta la ejecución del pago sin intervención humana.
- Score medio-alto: Gestión a través de agentes humanos junior o mediante agentes virtuales con capacidad de negociación básica. Estas cuentas requieren algo más que un recordatorio, pero no demandan las habilidades de un negociador experimentado.
- Score medio: Asignación a agentes con experiencia intermedia. Estas cuentas frecuentemente requieren propuestas de reestructuración o convenios de pago que demandan cierto nivel de criterio y conocimiento del producto.
- Score bajo (baja probabilidad de pago): Gestión por los agentes más experimentados y con mejores habilidades de negociación, en aquellos casos donde el monto del adeudo justifica la inversión. Las cuentas de bajo monto y bajo score pueden ser derivadas a estrategias de contacto de bajo costo o, eventualmente, a procesos de quebranto.
Implementación práctica: consideraciones técnicas
La implementación de un sistema de scoring de cobranza requiere atención a varios aspectos técnicos críticos:
Calidad de los datos
La máxima de la ciencia de datos, "garbage in, garbage out", resulta especialmente pertinente en este contexto. Antes de construir modelos sofisticados, la organización debe invertir en la calidad de sus datos: estandarización de campos, tratamiento de valores faltantes, eliminación de duplicados, actualización de información de contacto y validación de la integridad referencial entre sistemas.
Frecuencia de recalibración
Los modelos de scoring de cobranza requieren recalibración periódica para mantener su poder predictivo. Cambios en las condiciones macroeconómicas, modificaciones en las políticas de originación, variaciones estacionales y evolución del perfil de los deudores pueden degradar la precisión del modelo. Se recomienda una revisión trimestral de los indicadores de desempeño del modelo (KS, Gini, AUC) y una recalibración completa al menos una vez al año.
Interpretabilidad versus precisión
En el contexto regulatorio mexicano, la interpretabilidad de los modelos de scoring adquiere una relevancia especial. Las autoridades regulatorias, particularmente la CNBV en el caso de instituciones reguladas, requieren que las instituciones puedan explicar los criterios utilizados para la toma de decisiones. Los modelos de "caja negra" (redes neuronales profundas, ensambles complejos) pueden ofrecer mayor precisión predictiva, pero su opacidad genera desafíos regulatorios. Un enfoque pragmático consiste en utilizar modelos interpretables (regresión logística, árboles de decisión) como modelo base regulatorio, complementados con modelos más complejos para la optimización operativa interna.
Conclusión
Los sistemas de scoring de cobranza constituyen un pilar fundamental de la gestión profesional de portafolios de cartera vencida. En un entorno donde los márgenes se comprimen y la competencia por el talento de cobranza se intensifica, la capacidad de dirigir los recursos correctos a las cuentas correctas en el momento correcto representa una ventaja competitiva determinante. Las instituciones financieras en México que inviertan en la construcción de capacidades analíticas para el scoring de cobranza, acompañadas de la infraestructura tecnológica necesaria para traducir los scores en acciones diferenciadas de gestión, estarán mejor posicionadas para maximizar la recuperación de sus portafolios y optimizar sus costos operativos en un mercado cada vez más exigente.
