Prevención de la morosidad

Prevención de la morosidad

Calcular la probabilidad de que los clientes paguen sus facturas

Objetivo

Identificar a los clientes que es más probable que no paguen los peajes y, con ello, ahorrar costes en la externalización de la gestión de su deuda.

Las autopistas de un país sudamericano cuentan con peajes free flow, lo que significa que las tarifas no se abonan en el acto, sino a partir de una factura que se emite a final de mes. Trabajamos con la empresa que las gestiona en la etapa de cobranza preventiva de los peajes, que va desde que se emite la factura hasta su vencimiento más diez días.

Actualmente, el gestor deriva todas las facturas a un conjunto de empresas de cobranza externa que llevan a cabo una serie de acciones para prevenir la morosidad. El objetivo del proyecto es reducir el coste que esto supone sin que aumenten los impagos, detectando qué cliente es más probable que no pague en ese periodo para ceder solo su deuda a las empresas de cobranza.

Solución

Se desarrolló un modelo de machine learning que calcula la probabilidad de que los clientes vayan a pagar o no los peajes.

Este se entrenó con más de 850.000 facturas sin deuda previa y, además, se trabajó con datos de los clientes que hicieran referencia a su comportamiento con la deuda –por ejemplo, si han tenido impagos anteriormente– y al uso de los peajes.

Para evaluar qué impacto podría tener el modelo en el negocio, se probó durante un mes con varios grupos experimentales: en el grupo de control se cedía la deuda de todos los clientes a las empresas de cobranza externa, como hasta ahora, y otros se basaban en diferentes umbrales de riesgo para determinar qué facturas concretas enviar.

El modelo se ejecutó de forma diaria para ir recalculando el score de probabilidad, que va bajando según pasan los días.

Tras la comparativa de los grupos del test, antes de poner el modelo en producción, se eligió el umbral de riesgo idóneo a partir del cual se recomienda ceder la deuda de determinados clientes sin que afecte a la prevención de la morosidad.

Beneficio

Con el umbral de riesgo escogido, se comprobó que se pueden reducir en casi un 20% las facturas que se envían a las empresas de cobranza externa sin que se comprometa el nivel de pago de las facturas actual, cuyo porcentaje es prácticamente el mismo que cuando se cede toda la deuda.

Así pues, con la aplicación del modelo, se pueden reducir los costes que supone la externalización de la deuda y seguir previniendo la morosidad. Además, de esta forma, se puede poner el foco y los recursos en los clientes con más riesgo de impago.

Proyectos relacionados

Resumen de privacidad
Instituto de Ingeniería del Conocimiento

En Asociación para el Desarrollo de la Ingeniería del Conocimiento usamos cookies propias y de terceros necesarias para que nuestro sitio web funcione adecuadamente y para fines analíticos. política de cookies

Al pulsar “Guardar cambios”, se guardará la selección de cookies que hayas realizado. Si no has seleccionado ninguna opción, pulsar este botón equivaldrá a rechazar todas las cookies.

Cookies necesarias

Son aquellas que ayudan a hacer una página web utilizable activando funciones básicas como la navegación en la página y el acceso a áreas seguras de la página web. La página web no podrá funcionar adecuadamente sin estas cookies. Le informamos de que puede configurar su navegador para bloquear o alertar sobre estas cookies, sin embargo, es posible que determinadas áreas de la página web no funcionen. Estas cookies no almacenan ninguna información de identificación personal. El reproductor de Youtube usa cookies publicitarias, el cual usamos para poder ver vídeos insertados.

Cookies de analítica

Son aquellas que permiten al Editor de las mismas, el seguimiento y análisis del comportamiento de los usuarios de los sitios web a los que están vinculadas. La información recogida mediante este tipo de cookies se utiliza en la medición de la actividad de los sitios web, aplicación o plataforma, con el fin de introducir mejoras en función del análisis de los datos de uso que hacen los usuarios del servicio. Las cookies analíticas utilizadas son:

Cookies que se utilizan:
_ga (Google Analytics) | _gid (Google Analytics) |