Por: Juan David García Semanate
Auditor
Email: dgarcia@sfai.co

Para aprovechar las ventajas de gestión y análisis que permite la tecnología emergente, es oportuno implementar un modelo de analítica para el proceso del departamento de gestión de cartera, dado que, si hablamos de querer incrementar los indicadores de recaudo y de recuperación de cartera, es necesario ir más allá de un almacenamiento de datos y pasar de lo cotidiano a un nivel de gestión más robusto, eficiente y eficaz, dado que, la analítica de datos permite realizar caracterizaciones y/o perfilamientos para evidenciar y trazar comportamientos y conductas de los deudores en diferentes escenarios.

Para llevar a cabo la analítica de datos, es necesario comprender situaciones internas y externas a que están expuestos los departamentos de cartera con su respectiva identificación y medición de riesgo que permiten el cumplir la estrategia y los objetivos de la gestión de cartera, pero, para ello, se debe contar con una política de análisis y actualización de datos de manera constante de cada deudor y de su entorno.

Por ende, la gestión de riesgos toma un rol importante, porque permite reconocer y gestionar los riesgos externos e internos identificados, con el fin, de que se pueda realizar un control sobre la frecuencia y el impacto que podría tener dichos riesgos en la operación y/o patrimonio de la empresa, pues, es aquí, en donde la caracterización y el perfilamiento de clientes (deudores) es indispensable para la analítica, dado que, se podría evidenciar patrones de frecuencia de pago y morosidad, y, según sea estos datos, anticiparse a los “siniestros” del no pago o recaudo de la cartera.

Algunos factores externos

Para la caracterización y/o perfilamiento de los deudores, es importante siempre tener segmentados los datos en general, para así, realizar analíticas más uniformes según sea el grupo de deudores analizado. Algunas variables externas para categorizar o segmentar son como ejemplo:

1. Ciudad
2. Barrio
3. Nivel de estudio
4. Edad
5. Genero
6. Estado civil
7. Actividad económica

Algunos factores internos

Ahora bien, los factores internos responden a la capacidad de análisis que se realiza en la gestión de cobranza, como, por ejemplo:

1. Indicadores de gestión sobre la eficiencia y eficacia de recaudo según sea el género del gestor de la cartera.

2. Indicadores para perfilar según la variable edad -por ejemplo- que tipo de estrategias para el contacto de cobro con el cliente es más eficiente, ya sea, por mensajes de WhatsApp, redes sociales, correo, llamadas o mensajes de texto.

3. Indicadores sobre el mayor horario de recaudo de la cartera según días de la semana, entre otros.

Los anteriores factores tanto externos como internos, son situaciones que la analítica de datos puede dar respuesta; toda esta gestión, es con el fin principal de responder a la gran pregunta dinamizadora ¿cuál es el descuento mínimo que se le puede ofrecer al cliente sobre la deuda para que se anime apagarla? y de la misma manera elevar los niveles de cumplimiento por medio de los acuerdos de pago, pero, para lograr este objetivo, se requiere del apoyo del uso de lenguajes de programación y sentencias de SQL para integrar datos e ir dejando a un lado el uso del Excel como herramienta de almacenamiento de base de datos, dado que, esta herramienta es limitado al nivel de tratamiento y procesamiento de datos que requiere la analítica.

Tener en cuenta

Algunas razones para el no uso de Excel como integrador de datos robustos, son:

1. La información en Excel conforme se actualizan datos y su crecimiento exponencial, lo hace lento y pesado.
2. Excel no permite centralizar toda la información debido a que solo admite un número máximo de registros.
3. En Excel, el procesamiento de análisis estadístico avanzado es limitado comparado a “R” y otras herramientas tecnológicas.
4. Su código de extensión no es compatible con los lenguajes de programación que se usan para programar los modelos de optimización.
5. La actualización de las bases de datos no se puede hacer de forma óptima y se vuelve un trabajo tedioso.

Por las razones anteriores, se quiere implementar en el entorno corporativo el uso de nuevas tecnologías como Big Data, Machine Learning para realizar analíticas robustas y eficientes.

Teniendo presente lo anterior, para lograr el objetivo es necesario la implementación de un entorno de Big Data apropiado para la recolección, almacenamiento y análisis de datos relevantes para la compañía a través de los siguientes pasos:

1. Diseño de una base de datos
2. Paso de los datos a un almacenamiento en la nube
3. Organización de datos en la nube
4. Data Quality

En SFAI Colombia desde un enfoque global, nos especializamos en agregar valor con profesionalismo y tecnologías de vanguardia a nuestros clientes, para que todos estratégicamente, ¡generemos confianza! Consulte nuestros servicios de Big Data.

Comments