Qué es propensión a pago y cómo se aplica en cobranza con IA

Tiempo de lectura
Tiempo de lectura
Publicado el
Chief Revenue Officer en Colektia

La propensión a pago es uno de los modelos predictivos más utilizados en operaciones de cobranza modernas. Permite estimar qué deudores tienen mayor probabilidad de pagar y priorizar la gestión de forma inteligente en lugar de aplicar el mismo protocolo a toda la cartera.

Puntos clave

  • Una infraestructura AI como Colektia actualiza estos puntajes en tiempo real y los utiliza para definir canal, tono y momento de contacto.
  • Entre los días 0 y 15 de mora, la contención temprana puede alcanzar entre 50% y 60% cuando se aplica correctamente el modelo de propensión.
  • Operar sin un modelo de propensión implica consumir los mismos recursos en cuentas de alta y baja probabilidad de recupero.

Definición de propensión a pago

La propensión a pago es una puntuación que estima la probabilidad de que un deudor específico realice un pago en un período de tiempo determinado. 

Se calcula a partir de variables históricas y comportamentales: historial de pagos anteriores, tiempo en mora, número de contactos recibidos, canal de respuesta y características del perfil del deudor. 

No es una certeza; es una estimación probabilística que permite priorizar la gestión y asignar recursos de forma eficiente en lugar de tratar todas las cuentas con el mismo protocolo.

Te recomendamos el artículo: riesgo de impago que describe cómo anticipar comportamientos de mora antes de que ocurran.

Cómo funciona la propensión a pago en la práctica

En un área de cobranza, calcular la propensión a pago manualmente es inviable para carteras de miles de cuentas. Los modelos de propensión son modelos estadísticos o de machine learning que procesan variables de cada deudor y asignan un puntaje que indica su probabilidad de pago.

El modelo se entrena con datos históricos como:

  • Qué deudores pagaron. 
  • En qué condiciones y después de qué tipo de contacto. 

Con esa base, puede predecir el comportamiento de cuentas que están entrando en mora. 

Con la infraestructura AI de Colektia, este modelo corre de forma continua y actualiza los puntajes según el comportamiento más reciente de cada cuenta.

La propensión a pago define tres decisiones clave 

  1. Qué cuentas gestionar primero.
  2. Qué canal usar.
  3. Qué tono de contacto aplicar. 

Un deudor con puntaje alto puede recibir un recordatorio por SMS. Uno con puntaje medio puede necesitar una llamada del agente AI. Uno con puntaje bajo puede requerir una estrategia diferida o un esquema de negociación específico.

Variables que determinan la propensión a pago

1. Historial de pago previo

El comportamiento pasado es el predictor más fuerte del comportamiento futuro. Un deudor que ha pagado con retraso pero siempre ha cumplido tiene una propensión más alta que uno que nunca respondió a un contacto. El modelo pondera el patrón histórico completo, no solo el último evento registrado.

2. Tiempo en mora

La propensión a pago decrece con el tiempo en mora. Entre los días 0 y 15, la tasa de contención temprana puede alcanzar entre el 50% y el 60%. A medida que la mora avanza, la probabilidad de pago espontáneo cae marcadamente.

3. Monto de la deuda

Deudas pequeñas tienen mayor propensión a pago en mora temprana porque el esfuerzo del deudor para saldarlas es menor. Deudas de monto alto suelen requerir negociación de planes de pago, lo que introduce variables adicionales en el modelo.

4. Perfil demográfico y socioeconómico

Variables como la región geográfica, el nivel de ingreso estimado y el tipo de producto financiero contratado contribuyen al puntaje. Estos datos se combinan con el comportamiento para generar un perfil integral de cada deudor.

5. Respuesta a contactos anteriores

Un deudor que abrió el correo pero no respondió tiene una señal diferente de uno que nunca lo recibió. Uno que prometió pago pero no cumplió tiene un puntaje distinto de uno con el que nunca se logró contacto. El historial de interacción con los canales es una variable de alta predictividad.

6. Capacidad de pago estimada

En algunos modelos se incorporan señales externas: movimientos en buró de crédito, cambios en el nivel de endeudamiento. Esto permite distinguir entre quien no quiere pagar y quien no puede, lo que cambia la estrategia de contacto y negociación.

Casos de uso de propensión a pago

  1. Contención temprana en mora 0-15

El primer tramo de mora es donde la propensión a pago es más alta y la inversión en contacto tiene mayor retorno. El modelo permite concentrar el primer contacto en las cuentas con mayor probabilidad de pago espontáneo, reservando los recursos más costosos (llamada con agente) para las cuentas con propensión media o baja.

  1. Priorización de gestión semanal

Al inicio de cada semana, el modelo ordena la cartera por probabilidad de pago. El equipo gestiona en ese orden, no por antigüedad de mora ni por monto. Este cambio solo en la secuencia de gestión mejora el rendimiento del mismo equipo sin necesidad de más recursos.

  1. Asignación de canales por perfil

Cuentas con propensión alta reciben SMS o email (costo bajo, respuesta probable). Cuentas con propensión media reciben llamada del agente AI. Cuentas con propensión baja se derivan a estrategias diferidas o de negociación especial. Esta asignación reduce el costo total de gestión por peso recuperado. El artículo sobre cobranza automatizada describe cómo este proceso se integra en una operación de cobranza digital.

  1. Detección de segmentos con propensión sistemáticamente baja

Cuando un segmento de la cartera muestra propensión baja de manera consistente, la gestión convencional no es la respuesta correcta. El modelo permite identificar estos segmentos antes de invertir recursos en contacto, y derivarlos a esquemas de reestructura, quita o acuerdo extrajudicial.

  1. Medición de efectividad de campaña

Si el puntaje de propensión no sube tras el contacto, la estrategia no está funcionando. El modelo permite evaluar el efecto real de cada campaña de cobranza sobre el comportamiento del deudor, no solo la tasa de contacto.

Por qué la propensión a pago es central en la cobranza moderna

Para empresas que gestionan carteras de más de 10.000 cuentas, operar sin un modelo de propensión equivale a consumir el mismo recurso en cuentas de alta y baja probabilidad de recupero. 

La propensión a pago no es un indicador más: es la base sobre la que se construye la estrategia de segmentación, la asignación de canales y la priorización operativa. 

Para conocer cómo Colektia aplica este modelo en su infraestructura, puedes  agendar una reunión y revisar los resultados con datos reales de tu cartera.

Preguntas frecuentes sobre propensión a pago

El riesgo de crédito evalúa la probabilidad de impago al momento de otorgar el crédito. La propensión a pago evalúa la probabilidad de cobro una vez que el crédito ya está en mora. Son modelos complementarios con objetivos y variables distintas.

Con carteras de al menos 10.000 cuentas históricas y datos de comportamiento de pago es posible construir un modelo inicial. La precisión mejora con más datos y con la incorporación de variables comportamentales de contacto.

Sí. El modelo debe actualizarse continuamente porque el comportamiento del deudor cambia: puede haber recibido ingresos, comprometido un pago en una fecha específica o respondido (o no) a un contacto reciente.

Las cuentas con alta propensión reciben contacto de bajo costo (SMS o email). Las de propensión media se gestionan con agentes AI de voz. Las de baja propensión se derivan a estrategias diferidas o negociaciones especiales.

Un modelo con baja precisión sigue siendo mejor que ninguno si se valida periódicamente. El problema es usarlo sin supervisión: si las predicciones no reflejan el comportamiento real, la estrategia pierde eficacia.

Sí, si contrata una infraestructura AI que incluya el modelo como parte del servicio. La alternativa es desarrollarlo internamente, lo que requiere datos estructurados, un equipo técnico especializado y tiempo de desarrollo.

Sí. El modelo predictivo proyecta el comportamiento de cobranza durante todo el mes, actualiza los puntajes en tiempo real y define la estrategia de contacto de cada cuenta. Es uno de los módulos centrales de la infraestructura.

Jorge Alva
Chief Revenue Officer en Colektia
+10 años de experiencia en el sector fintech. Lideró iniciativas de alto impacto en empresas como Mercado Pago México, BTS y Deloitte. En Colektia, lidera la estrategia de expansión comercial.
La primera infraestructura de cobranza AI en Latam

Aumenta hasta 25% tu recupero de cartera en mora temprana y reduce hasta 30% los costos en menos de 8 semanas.

Genera mejores resultados

Transforma tu cobranza con AI

Aumenta el recupero y reduce costos en menos de 8 semanas con la Infraestructura AI de Colektia.
Contáctanos