El uso de técnicas y modelos de inteligencia artificial (IA) puede multiplicar la eficiencia del proceso de collection, y lograr no sólo mejores resultados, sino hacerlo teniendo muy presente el enfoque de la rentabilidad. No se trata de recuperar lo máximo a cualquier coste, sino de equilibrar acciones y RoI. Así lo cuenta David Fernández, director comercial de AIS Group.

Según Fernández, en el proceso de recuperación hay un gran número de decisiones donde puede intervenir la IA, facilitando la tarea y contribuyendo a ganar en efectividad. Ésta puede aplicarse tanto en los modelos estratégicos como en los modelos operativos y tanto desde una perspectiva preventiva, como una vez se ha materializado el impago.

Tradicionalmente en collection se ha optado por utilizar modelos de regresión logística, pero el momento actual nos permite migrar a modelos machine learning. Desde AIS animamos a ello principalmente por la eficiencia de estos modelos más avanzados. “Su poder predictivo es mayor y esto se traduce en un impacto económico directo. Si somos capaces de determinar mejor qué va a ocurrir con un cliente, podremos tomar mejores decisiones y obtener mejores resultados”, afirma Fernández.

De hecho, en un reciente análisis del Banco de España en el que compara metodologías, el supervisor concluye que adoptando este tipo de modelos se pueden conseguir ahorros de capital de entre el 12,5% y el 17%.

Otra de las ventajas del machine learning frente a técnicas más tradicionales es que, dado que el modelo aprende automáticamente y de forma constante, puede mantener su poder predictivo en el tiempo y seguir vigente, aunque las carteras de collection vayan variando. Sin embargo, Fernández remarca que no pueden dejarse con total libertad. Debe ser un aprendizaje controlado, imponiendo criterios de negocio o restricciones que necesitamos que se cumplan en todo momento. El papel del profesional y el entrenamiento es importante.

Otro beneficio destacado de estos modelos avanzados es que microsegmentan la población, lo que evita tener que hacer modelos distintos para cada grupo homogéneo y, por lo tanto, se reduce el esfuerzo para construirlos y mantenerlos.

Además, aprovechan el Big Data, que en collection es fundamental. Para una gestión óptima de la recuperación, para tomar las mejores decisiones es conveniente tener el máximo de información posible combinando tanto datos de la propia entidad como de fuentes externas. Cobra aquí protagonismo disponer de un datamart bien estructurado con toda la información necesaria.

¿Necesitas una herramienta inteligente para mejorar tus resultados en collection? Solicítanos una demo de Recovery Strategy.

Recovery Strategy Collection Tool