Deje de cobrar tarde: anticipe qué clientes van a caer en mora

Cómo funciona la predicción de cartera vencida, en lenguaje de negocio

Un modelo de predicción de cartera no adivina el futuro: aprende de su historia. Toma los datos que su empresa genera todos los días —facturas, pagos, fechas, montos, días de atraso, ciudad, tipo de cliente— y encuentra patrones que nadie alcanza a ver revisando Excel: qué combinaciones de comportamiento suelen terminar en mora.

Con esos patrones, el modelo asigna a cada cliente o factura una probabilidad de no pago antes de que llegue el vencimiento. El resultado práctico es una lista priorizada: en lugar de llamar a todos por igual, su equipo sabe cada semana a quién contactar primero, a quién ofrecerle un acuerdo de pago y a quién revisarle el cupo de crédito.

Las variables típicas que alimentan un modelo así son:

• Historial de pagos: puntualidad, días promedio de atraso, pagos parciales.
• Comportamiento de la factura: monto, antigüedad, frecuencia de facturación.
• Contexto: ciudad o zona, segmento del cliente, estacionalidad del negocio.

Eso convierte la cobranza reactiva en gestión preventiva: actuar en el día 5, no en el día 90.

Qué incluye exactamente el proyecto

No vendo un algoritmo suelto. Para que el modelo sirva en su operación real, el proyecto incluye:

• Diagnóstico de datos: reviso su facturación e historial de pagos y le digo con honestidad si hay suficiente información para entrenar algo útil.
• Pipeline de datos: extracción automática desde su ERP, software contable o de facturación (Oracle, SQL Server, Excel, APIs) hacia BigQuery u otra bodega de datos.
• Modelo entrenado y validado: normalmente XGBoost, probado contra su histórico real para medir qué tan bien predice antes de ponerlo a operar.
• Scoring automático: el modelo corre solo —diario, semanal o mensual— y actualiza las probabilidades sin trabajo manual.
• Dashboard para el equipo: la lista priorizada de clientes en riesgo, en Looker, Power BI o Grafana, según lo que ya usen.
• Documentación y capacitación: para que el conocimiento quede en su empresa y no en mi cabeza.

Caso real: modelos de riesgo de no pago para Veolia

Para Veolia en Colombia y Panamá construí modelos XGBoost de riesgo de no pago, entrenados con los datos históricos de recaudo de la compañía y con enfoque multi-ciudad: el comportamiento de pago no es igual en todas las plazas, y el modelo lo tiene en cuenta.

Ese trabajo hizo parte de una plataforma de datos más grande: más de 15 pipelines en Google Cloud, 20,8 millones de registros contables replicados a BigQuery, recaudo validado en más de 10 ciudades y monitoreo 24/7 con Grafana. Es decir, los modelos no viven en el computador de un analista: corren sobre infraestructura seria, con datos frescos y vigilancia permanente.

No le voy a inventar un porcentaje de mejora en recuperación, porque ese número depende de cada operación y de lo que el equipo haga con las predicciones. Lo que sí puedo mostrarle en una llamada es cómo se estructuró la solución y qué decisiones técnicas la hacen sostenible en el tiempo.

Cuánto cuesta y cuánto tarda

Depende del estado de sus datos, pero estos son rangos realistas del mercado colombiano para desarrollo a la medida:

• Primer modelo funcional (MVP): desde COP $20 millones (aprox. USD 5.000). Incluye diagnóstico, modelo entrenado con su histórico y reporte de scoring. Entre 6 y 8 semanas si los datos son accesibles.
• Solución completa en producción: pipelines automatizados, scoring recurrente, dashboard y monitoreo. Entre COP $35 y $70 millones (USD 9.000 a 17.500 aprox.), en 3 a 4 meses.
• Soporte y reentrenamiento: bolsas mensuales desde COP $1,5 millones para mantener el modelo afinado y vigilado.

Una advertencia honesta: si su histórico está disperso o incompleto, la primera fase es ordenarlo, y eso puede mover tiempos y presupuesto. Prefiero decírselo antes de firmar que descubrirlo facturando.

Por qué conmigo y no una agencia grande o un software genérico

Tres razones concretas:

• Habla con quien construye. En una agencia grande lo atiende un comercial, luego un gerente de proyecto y al final programa alguien que usted nunca conoce. Conmigo, quien entiende su problema es quien escribe el código, sin el sobrecosto de tres capas de intermediarios.
• Su modelo, con sus datos. Los software genéricos de cobranza traen reglas fijas iguales para todos. Un modelo entrenado con su propio histórico captura lo particular de su negocio: sus ciudades, sus clientes, su estacionalidad.
• Experiencia verificable en producción. He construido y operado este tipo de soluciones para una multinacional como Veolia, sobre Google Cloud y con monitoreo real. No es un experimento de laboratorio: es infraestructura que trabaja todos los días.

Si quiere saber si esto aplica a su empresa, escríbame al WhatsApp +57 310 3696899 o agende una llamada de 30 minutos por Google Meet desde jorgeortega.io. En esa llamada le digo, sin compromiso, si sus datos dan para un modelo o si le conviene empezar por algo más simple.

Preguntas frecuentes