El cobro de las deudas tiene que “convertirse en un proceso más automatizado e inteligente para mejorar los indicadores que miden su eficacia y reducir las tasas de morosidad”, explica Sadhana Nandakumar, especialista en arquitectura de soluciones de Red Hat. Para Sadhana, la inteligencia artificial y la nube pueden ayudar en esta complicada tarea, y comparte 5 claves para mejorar el cobro de deudas mediante el uso de la tecnología de código abierto.
Una comunicación de deudas personalizada
Dependiendo de la fase en la que se encuentre el proceso de cobro de un cliente, el camino a seguir será diferente. Si se encuentra en la etapa previa al impago, se debes enviar notas recordatorias. Cuando hay pagos atrasados, se establecen cargos a pagar y se reportan en los ficheros de morosidad. Por último, si hay retrasos reiterativos en los pagos, se acude a una agencia externa de recobro.
Uno de los principales retos en este procedimiento es tener una visión en tiempo real de la actividad del cliente, de tal manera que se pueda optimizar la comunicación. El volumen de los datos puede ser inmanejable y muy difícil de gestionar si no está automatizado. A esto tenemos que sumar el hecho de que los deudores no quieren ser percibidos como un simple número o como una persona que infringe la ley, y esperan que la comunicación sea personalizada teniendo en cuenta sus circunstancias, como puede ser la pérdida del empleo como consecuencia de la crisis del Covid-19.
Y es cierto que, si se analizan los datos demográficos, de comportamiento y de transacciones, las empresas pueden personalizar su comunicación, e incluso los planes de pago propuestos a las personas que tienen una o varias deudas. Esta personalización de la comunicación mejora la respuesta por parte del cliente, y facilita el pago de la deuda.
Prevenir la morosidad
El Machine Learning con información en tiempo real puede ser una herramienta poderosa para predecir el endeudamiento. La evaluación de los datos transaccionales internos y externos del cliente permite a las entidades crediticias predecir mejor cuándo alguien va a dejar de cumplir con sus obligaciones. Una ventaja que permite desplegar estrategias preventivas para reducir las tasas de morosidad.
Por ejemplo, si se hacen estas predicciones con datos en tiempo real, las entidades de crédito pueden ser más proactivas en sus comunicaciones y al mismo tiempo tomar medidas para ajustar las condiciones del préstamo en función de la situación actual del cliente con el objetivo de evitar el incumplimiento del préstamo. De la misma manera, se puede predecir la probabilidad e incluso la cantidad del reembolso. Esta rapidez e inteligencia pueden cambiar los procesos de cobro.
Conocer al cliente
Para ofrecer una experiencia personalizada, es necesario tener todos los datos del cliente y conocer su historial, comprender su comportamiento y predecir lo que va a hacer en el futuro. Para ello, se necesitan herramientas de integración adecuadas para conectar los datos de fuentes tan dispares. A menudo, los modelos de Machine Learning se usan para comprender los datos a fin de crear una mejor experiencia bajo las circunstancias en las que se encuentra el cliente.
Los modelos de datos cambian según la evolución del comportamiento, por lo que contar con herramientas abiertas, flexibles y nativas de la nube facilita un mejor enfoque para que los analistas de datos puedan sacar el máximo partido a la información. Es importante entender que, además del data intelligence, el buen criterio de un empleado resulta fundamental para asegurar que el sistema pueda hacer frente a las cambiantes necesidades del mercado. El uso de una herramienta de decisión óptima que les dé la transparencia que necesitan, con la capacidad de modificar fácilmente las decisiones, es clave para mantenerse al tanto de los cambios y ajustes de las políticas.
Optar por la colaboración con las comunidades de código abierto
Hoy en día se crea software a través del código abierto. Se trata de un modelo que está impulsando la revolución digital y ha acelerado la innovación en las tecnologías de la nube y de inteligencia artificial. Estos proyectos se gestionan en instituciones que están diseñadas para proteger la propiedad intelectual tanto de los contribuyentes como de los consumidores.
Apache Kafka y Apache Spark son dos destacadas comunidades de código abierto de Apache Foundation que proporciona la capacidad de transmitir y analizar grandes cantidades de datos en tiempo real. Ambas son esenciales en el conjunto de herramientas de Machine Learning de una organización. La Cloud Native Foundation con comunidades como Kuberntes, Isitio y Kogito, también ha sido la fuerza impulsora detrás de la tecnología de la nube.
El código abierto da el control, la posibilidad de elegir entre una variedad de partners que incluyen estas funcionalidades en sus plataformas o fabricantes que proporcionan formación y soporte necesarios. Se puede elegir si se quiere trabajar con un enfoque menos intervencionista o si se prefiere cocrear.
Establecer una nueva normalidad en los procesos de cobro
Emprender una hoja de ruta para actualizar tanto los procesos de cobro como las tecnologías que lo respaldan es fundamental, ya que un número cada vez mayor de clientes incumplen su deuda. Afortunadamente, los cobradores de deudas pueden tomar medidas para mejorar el rendimiento general del cobro. La tecnología de la nube y la inteligencia artificial pueden ayudar.
