Optimización de estrategias de cobranzas mediante data analytics en una empresa de telecomunicaciones

Abstract

La gestión de cobranzas es un aspecto crucial para la sostenibilidad financiera de las empresas, ya que influye directamente en el flujo de caja y en la recuperación de ingresos. En el contexto de Entel, se identificó la necesidad de optimizar las estrategias de cobranza para mejorar la recuperación de deudas y reducir la morosidad de los clientes. La problemática principal radicaba en la falta de precisión y efectividad en las notificaciones de cobranza, lo que impactaba negativamente en los resultados de recuperación. Para abordar esta problemática, el proyecto se centró en la implementación de técnicas avanzadas de clusterización para segmentar a los clientes morosos de manera más efectiva. Utilizando el algoritmo K-Means, se logró crear una segmentación que se basó en el comporta-miento de pago y las características específicas de los clientes, permitiendo diseñar estrategias de cobranza más personalizadas y adaptadas a cada grupo de clientes. Estas estrategias se centraron principalmente en mejorar la tasa de pago y reducir la tasa de traspaso a deuda incobrable. El rol del estudiante fue fundamental en la ejecución del proyecto, que incluyó desde la recolección y análisis de datos hasta la implementación y evaluación de estrategias. La metodología empleada se basó en CRISP-DM, que proporciona un marco estructurado para la resolución de problemas utilizando análisis cuantitativo de datos. Inicialmente, se definió el problema de negocio, que en este caso era Se recopilaron y prepararon datos de tres fuentes clave: saldos diarios, que contienen información sobre la deuda de los clientes actualizada diariamente; notificaciones diarias, que registran todas las comunicaciones enviadas a los clientes; y un tablón incobrable que incluye variables adicionales, como variables transaccionales. Utilizando el algoritmo K-Means Clustering, se segmentó a los clientes en grupos homogéneos para diseñar estrategias de cobranza personalizadas. Posteriormente, se evaluaron los resultados de estas estrategias y se implementaron ajustes basados en el análisis de brechas de rendimiento. Esta metodología permitió una adaptación precisa de las notificaciones de cobranza, lo que facilitó una recuperación más rápida y eficiente de las deudas. Los resultados del proyecto revelaron que, a pesar de algunos desafíos, como la falta de datos completos y errores en el envío de notificaciones, la segmentación basada en K-Means mostró un impacto positivo en la recuperación de deudas. Por ejemplo, en el cluster de Persuadables (clientes influenciables), el tratamiento mostró un porcentaje de pago del 79,95%, apenas inferior al 80,01% del grupo de control, lo cual se atribuye a errores en el envío de notificaciones durante días críticos. En contraste, el cluster Sleeping Dogs, compuesto por clientes me-nos receptivos a las notificaciones, presentó una diferencia de brecha de tasas de pago del 1,02%, sugiriendo un impacto positivo en el hecho no recibir notificaciones en este segmento.