*Por Marcelo
Fernandes, consultor de negocios de FICO
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.
No hay comentarios:
Publicar un comentario