Modelo predictivo para optimizar la cobranza coactiva en una entidad pública de Lima

Abstract

En el contexto actual, marcado por el incremento sostenido de los procedimientos coactivos pendientes de cobro y la limitada disponibilidad de recursos en el área de cobranza coactiva, surge la necesidad de incorporar herramientas analíticas que contribuyan a una gestión más eficiente de la recuperación de deudas. En este marco, se propuso un modelo predictivo orientado a optimizar la gestión de la cobranza coactiva en una entidad pública, mediante el uso de algoritmos de aprendizaje automático. Para ello, se aplicó la técnica de clustering con K-means, segmentando la cartera coactiva del año 2023 a partir de variables clave como los días de mora y el monto de deuda. Posteriormente, se entrenó un modelo Random Forest con el objetivo de estimar la probabilidad de pago de los administrados. Dado el desbalance en la variable objetivo, se empleó la técnica SMOTE, lo cual permitió mejorar la capacidad del modelo para identificar deudores con intención de cumplimiento. Los resultados del análisis evidenciaron diferencias significativas entre los perfiles de los deudores agrupados por cluster, destacando el Cluster 2 por su alto desempeño predictivo (AUC = 0.8390, F1 Score = 0.63). Este enfoque permite priorizar las acciones de cobranza en función del comportamiento estimado del deudor, optimizando así el uso de los recursos institucionales.