AI en la Cobranza

La Inteligencia Artificial como factor para mejorar la Cobranza!!!

Desde mi trinchera he podido ver que conceptos como Big Data, Machine Learning, AI son más aplicados en conceptos de cómo obtener clientes es decir en ventas … pero ¿Qué hay de la cobranza?, ¿Cómo se está impactando estas nuevas tendencias?

Dentro de una empresa se tiene la creencia de que vender solo aplica para la atracción y retención de clientes, y la cobranza es un proceso completamente diferente; yo no estoy de acuerdo con ello, para mi todo los proceso son ventas:

  • Originación. Se vende la idea de ser cliente tiene valor para una persona.
  • Retención. Se vende la idea de que hay más beneficios si se es un cliente leal.
  • Cobranza. Se vende la idea de que pagar es bueno para seguir siendo un cliente y no sufrir consecuencias de ser un mal cliente.

El vender es convencer a una persona para comprar o hacer algo, y en la cobranza se convence con argumentos que van de una forma muy suave hasta aquellas que no son tan suaves, el nivel de rudeza en el argumento de convencimiento usualmente depende de que tanto es el adeudo así como el interés de retener al cliente.

En la gestión de la cobranza, usualmente los clientes se colocan en buckets de acuerdo a los días en atraso, estos bucket servirán para establecer las estrategias de acuerdo a 4 grupos:

  1. Prevención de atrasos. Al darle un crédito al cliente sabes que tan propenso puede caer en atrasos por el score de originación o comportamiento (usualmente no se les hace nada, primer error común).
  2. Detener atrasos tempranos. Aquellos que de acuerdo al tipo de préstamo e institución consideran que el tiempo sin pago puede ser manejable y los clientes tienden a caer en ello y recuperarse principalmente por ellos mismos.
  3. Detener atrasos. El tiempo sin pago ya representa un tiempo considerable y se debe tomar acciones para hacer que el cliente vuelva a pagar.
  4. Recuperación de cartera. La deuda fue declarada como una perdida de forma contable, pero se sigue gestionando la cobranza para recuperar monto perdido, para la institución ya no se considera un cliente.

A cada grupo se le aplican tratamientos que son conocidos como herramientas de contacto como  email, SMS, WhatApps, mail, Call Center, visitas por gestores de cobranza. Estas herramientas tienen diferente nivel de efectividad, cobertura y costos, por ejemplo los SMS tienen alto nivel de contacto, baja efectividad, mayor cobertura y bajo costo, por otro lado los gestores  bajo nivel de contacto, alta efectividad, poca cobertura y costo alto.

Tratamientos

Cobranza Tradicional

En la cobranza tradicional, un experto de cobranza genera la estrategia colocando los tratamientos de acuerdo a su experiencia sobre la cartera, zona geográfica, el saldo a recuperar y un presupuesto limitado para aplicar dichas herramientas. Este gerente de cobranza tiene muy claro que entre más tiempo el cliente deje de pagar es más difícil contactarlo.

Muchas veces la base de datos de los deudores es compartida con Call Centers & Agencias de cobranza y al enviar dicha información se genera un hueco de información en donde el cliente llega a pagar y dichos soportes externos no tienen actualizado el estado del cliente, generando con ello malestar y uso ineficiente de las herramientas al hacer un contacto innecesario y tener que pagar dicho contacto.

Actual situación -Scoring de Cobranza

Las instituciones están utilizan un modelo de Score de cobranza (ML) que arroja la probabilidad de pago construida con variables históricas de comportamiento de pago (la principal es días en atraso), perfil del cliente, información de la operación financiera, etc., como inicio es bueno pero en la mayoría de los casos el calculado de forma mensual y no se considera en la mayoría de los casos que fue lo que hizo que un cliente hiciera un pago; además el resultado del score para prevención utiliza el de comportamiento lo cual lo vuelve parecido al de origination.

En algunos casos se cuentan con consultas a buró de forma mensual para identificar cómo está pagando el cliente en otras instituciones pero no son alarmas en tiempo real, por lo que el tiempo de reacción para prevenir atrasos no es efectiva.

Aun así en la mayoría de los casos la estrategia es decidida por el gerente de cobranza  al decir que tratamiento aplicar durante un mes.

A pesar que las tecnologías han generado más forma de realizar pagos, se sigue teniendo el hueco de información con Call Centers & Agencias Externas.

Futuro de la Cobranza

El siguiente paso es utilizar modelos más especializados de Machine learning, conectar los avances en la tecnología y obtener más información que ayude a predecir cómo es la mejor forma de vender a un deudor que pague. Para obtener mejoras en el proceso como en la toma de decisión del tratamiento a aplicar se debe considerar lo siguiente:

Actuales:

  • Pronóstico de pago por comportamiento del cliente. Usar variables internas de comportamiento de pago.
  • Pronóstico de Pago por perfil. Similar al obtenido de un score de originación o comportamiento.
  • Tecnología aplicada para captación de pagos y manejo de movimientos, las famosas aplicaciones wallets que permiten transferencias y pagos de forma más rápida.

Nuevo:

  • Pronóstico por reacción a tratamiento. Identificar que canal de contacto y argumento de convencimiento es el más adecuado para que el cliente haga un pago.
  • Alarmas temprana . Contar con alarma que indique el alto de pagos en otros producto u otras instituciones (buro de Crédito) y/o si el cliente pierde sus ingreso o un incremento de su adeudo por otros préstamo que lo pueda sobre-endeudar.
  • Reconocimiento de Patrones. Pasar de un simple scoring a modelos de reconocimiento de patrones, que aprenda dinámicamente y reconozca rápidamente a futuro deudor. (Machine Learning)
  • Reconocimiento de tendencias. Utilizar información de big data y otras fuentes, para detectar grupos sociales, zonas geográficas que podrían dejar de pagar.
  • Aumento de canales de contacto. Utilizar redes sociales para incrementar el contacto con el cliente generando nuevas herramientas que tengan mejor cobertura, menor costo y efectividad.
  • Software interno. Un sistema software con la seguridad necesaria para se que se use en tratamientos externos, donde se comparta los datos de los clientes en atraso y se envíen los argumentos que deben seguir los apoyos externos.

Sistema de Inteligencia Artificial – Cerebro de la operación

Por ultimo no se debe mantener con todos los temas anteriores como islas, se debe construir un sistema de Inteligencia Artificial que permita unir toda esta información como un cerebro central que que aprenda dinámicamente para llevar las tareas de segmentación de la cartera, calculo de costos y administres estas herramientas y modelos de forma automática y dinámica para obtener los siguientes aspectos:

  1. Mas información del cliente en menor tiempo basado en alarmas tempranas.
  2. Segmentación de clientes más efectiva. no solo por bucket de atraso, sino por probabilidad de pago por canal de contacto, alarmas tempranas, tendencias y reacción a argumento de convencimiento.
  3. Argumento de convencimiento con mayor poder de acuerdo al perfil del cliente.
  4. Incremento de la tasa de contacto por más canales y re-uso de los actuales
  5. Asignación de tratamiento de forma optima (Menor costo y mayor efectividad).
  6. Incremento de la cobertura y localización del cliente.
  7. Reducción de tiempo de acción. No esperar un mes para aplicar otro tratamiento.
  8. Mayor control de apoyo externo. No huecos de información y mejorar la supervisión en apoyos externos, así como indicar el argumento de convencimiento de acuerdo a las políticas de la empresa.

Finalmente el beneficio de tener una mejor cobranza se verá reflejado en una mayor utilidad.

benef.png

Puede que algunos conceptos o puntos se me hayan ido al escribir este articulo, así que me gustaría saber tu opinión y con ello poder mejorar la información del mismo.