Estrategias de cobranza con inteligencia artificial | Moonflow Academy

Hola a todos, ¿cómo están? Bienvenidos a un vídeo más. En este vídeo estamos muy emocionados porque tenemos un anuncio muy importante para todos ustedes: el lanzamiento de una nueva funcionalidad dentro de nuestro producto. Pero antes de decirles cuál es exactamente, quiero saludar a José. José, me imagino que igual de emocionado. ¿Cómo estás?

Hola, Dani, ¿cómo estás? Sí, siempre contento, feliz de estar lanzando nuevas funcionalidades dentro de nuestra herramienta, así que Bueno, este es el caso de una muy, muy interesante que ahora les vamos a estar contando.

Queremos decirles y contarles que acabamos de lanzar un nuevo módulo de estrategias que optimizan la comunicación con los clientes en base a algoritmos de inteligencia artificial. Básicamente esto lo que hace es que aumenta la probabilidad de cobro y mejora la experiencia del deudor a través de algoritmos que van a recomendar cuál es la mejor estrategia para optimizar el cobro y poder recaudar más, que al final es lo que queremos que suceda. Si están viendo este video es porque pueden estar en 2 lugares distintos. El primero es en Moonflow Academy, donde tenemos contenido educativo hablando un montón de cosas interesantes sobre cobranzas con invitados. Por ahí tenemos varios videos de inteligencia artificial que los invitamos a verlos. Y si no, pueden estar también viendo este video dentro de nuestro producto Porque están a punto de activar el módulo nuevo de inteligencia artificial en el producto. Y la razón por qué lo pueden estar viendo ahí es porque queremos darles unas recomendaciones antes de que lo activen. Este video va a tener dos partes. En la primera parte vamos a estar acá hablando con José muy cortito acerca de esas recomendaciones que les vamos a dar. Son dos recomendaciones puntuales. Luego nos vamos a ir a un video con José donde nos va a explicar un poco de la metodología que seguimos para construir este modelo que estamos ya viendo hoy dentro del producto. Y luego regresamos acá un poco a despedirnos. Así que, José, sin más preámbulos, cuéntanos un poco de esas dos recomendaciones para quienes están ahí a punto de activar esta nueva funcionalidad en el producto.

Sí, claro, Dani. Antes de que avances en la activación de la estrategia de inteligencia artificial, hay dos temas que queremos hablar. Uno es puntualmente que recomendamos aplicar la estrategia sobre un porcentaje de la cartera y no sobre toda la cartera. Nosotros recomendamos que sea un 20%, pero podría ser entre un 10% y un 30%. De esta manera, la estrategia toma vida, se puede monitorear con el correr del tiempo, de los meses, y luego, llegado el caso, se puede ampliar a toda la cartera o cambiar la estrategia. Y el segundo punto que queremos hablar también como recomendación muy especiales. Quizás quieras excluir algún segmento del segmento de la cartera, alguna población que tiene una estrategia muy puntual y que quieras cuidar, algún segmento que se está portando muy bien con la estrategia que tiene asignada y preferís no tocarlo, algún segmento al que vas de forma muy agresiva y no querés modificarlo porque así está funcionando bien. Bueno, dentro de la herramienta antes de activar la nueva estrategia vas a tener posibilidad de dar estos 2 pasos: seleccionar el porcentaje de cartera sobre el cual lo vas a aplicar y excluir alguna segmentación que quieras dejar por fuera.

José, resumiendo, 2 recomendaciones: la primera entonces aplicar el modelo sobre un porcentaje de la cartera, y la segunda excluir segmentaciones importantes como nos contabas en ese segundo punto. Antes de saltar a la segunda parte de este vídeo, que es donde les vamos a contar un poco cómo lo construimos, la metodología, liderado por José. Esa segunda parte del video, a mí esto me parece revolucionario. Estamos muy felices de poder contar con esto dentro del producto por todo lo que hemos venido hablando sobre cobranzas e inteligencia artificial. La manera en que esto puede ayudarles a ahorrar tiempo, a conocer mejor cómo aplicar estrategias en su cartera y poder optimizar el recaudo, es verdaderamente revolucionario. Y queremos seguir construyendo cosas así. Lo vamos a seguir haciendo para estar siempre un paso adelante y cumplir lo que, lo que queremos hacer, y es optimizar las cobranzas en sus empresas y que puedan cobrar en piloto automático. José, nos vamos a ver la metodología.

Exacto. Ahora sí nos enfocamos en la metodología que utilizamos para el desarrollo. Seleccionamos las variables para el modelo, como por ejemplo la cantidad de envíos por tipo de canal: email, WhatsApp, SMS, llamadas, y el rango de días óptimo para el envío de dicho canal. Este dato lo vamos a obtener mediante una técnica llamada Optimal Binning. Agrupando el tipo de canal con el rango de días vamos a obtener variables de alto poder predictivo. A continuación separamos las variables X, que son nuestras variables de interacción o entrada, de la variable Y, que en este caso es nuestro objetivo a predecir, por ejemplo, el pago de la factura o de la cuota. Identificamos qué variables son categóricas y cuáles son numéricas para configurar el algoritmo. Para manejar las variables de diferentes tipos se utiliza un preprocesador llamado OneHotEncoder que se encargará de pasar directamente las variables numéricas y decodificar las variables categóricas. El siguiente paso es dividir los datos en conjuntos de entrenamiento y prueba. Vamos a usar un 80% para entrenamiento y un 20% para pruebas. El siguiente paso es uno de los más importantes y es definir el modelo de machine learning. Vamos a usar XGBoostClassifier, es un potente clasificador basado en árboles de decisión optimizados. Es un algoritmo que construye varios árboles de decisión secuenciales donde cada nuevo árbol intenta corregir los errores del anterior. Esto hace que el modelo sea muy preciso y eficiente. Al algoritmo hay que setearlo con hiperparámetros. Para asegurarnos de encontrar la mejor combinación, en este caso se utiliza una técnica de búsqueda aleatoria que lo que hace es acelerar el proceso y determinar la selección más eficiente de hiperparámetros. Vamos a explicar algunos de estos hiperparámetros claves que utilizamos. Número de estimadores: este parámetro indica la cantidad de árboles que se construirán. Probar con diferentes cantidades nos ayuda a encontrar el número óptimo de árboles para el mejor rendimiento posible. Profundidad: controla la profundidad máxima de cada árbol. Los árboles más profundos pueden capturar más información, pero también pueden sobreajustar los datos, es decir, aprender demasiado bien los detalles. De los datos de entrenamiento y fallar al generalizar los nuevos datos. Tasa de aprendizaje: este parámetro controla la contribución de cada árbol. Un valor más bajo hace que el modelo sea más robusto, pero también requiere de más árboles para un buen rendimiento. Submuestra: indica la fracción de muestras utilizadas para construir cada árbol. Ayuda a evitar el sobreajuste al hacer que cada árbol sea entrenado con una parte diferente de los datos. En total vamos a generar 100 combinaciones diferentes de hiperparámetros, esto implica entrenar 100 modelos distintos y seleccionar el que mejor rendimiento tenga según la métrica de validación que usemos. Para validar nuestro modelo de manera robusta utilizamos una técnica llamada k-fold cross-validation. Esta técnica divide nuestros datos de entrenamiento en subconjuntos o divisiones, el modelo se entrena cierto número de veces tanto como indique la variable k. En nuestro caso utilizamos 5 iteraciones. En cada una se utilizarán 4 divisiones para el entrenamiento y una división para la validación. Esto se repite de tal manera que cada división sea utilizada una sola vez para la validación. Esta técnica ayuda a asegurar que nuestro modelo no dependa de una sola división específica de datos, reduciendo el riesgo de sobreajuste y proporcionando el mejor desempeño general. Una vez entrenado, evaluamos el modelo en el conjunto de prueba calculando el AUC, que sería el área bajo la curva. Este indicador nos ayuda a entender la capacidad del modelo para discriminar y evaluar la predicción que tiene. Finalmente, analizamos la importancia de las variables del modelo XCV. Esto nos permite entender qué variables son más influyentes en las predicciones del modelo, lo cual es crucial para interpretar los resultados y tomar decisiones sobre las correcciones que debamos hacer sobre Para profundizar aún más y generar la mejor estrategia, se utilizan gráficos de dependencia parcial o PDP, que muestran la relación entre una característica y el resultado predicho, manteniendo todas las demás características constantes. Esto nos ayuda a entender cómo afecta individualmente cada característica en la predicción. En conclusión, este enfoque nos permite optimizar cómo y cuándo contactar a cada cliente, mejorando potencialmente las tasas tasas de pago y satisfacción del cliente.

Estamos aquí de vuelta. José, gracias por esa explicación muy detallada, técnica y súper clara de cómo construimos el modelo. ¿Qué opinas de esa metodología y de ya estar acá por fin luego de tanto tiempo de construcción? Porque esto lleva tiempo.

Sí, Dani, bueno, fueron algunas semanas de trabajo, pero de un producto con el cual estamos muy contentos. Bueno, en primer lugar, agradecerles por haberse tomado el tiempo de ver técnicamente cómo es que se desarrolló el modelo. Siempre en Muflow queremos estar un paso adelante en la utilización de datos y herramientas de machine learning para que las herramientas sean más efectivas, sean más ágiles, sean más útiles y sobre todo que el usuario pueda estar confiado en que están apoyados en datos. Y estadísticamente va a ser mejor que por ahí el criterio humano.

José, sabemos que, que una de las preguntas más importantes en las cobranzas son cómo y cuándo contactar a los clientes para que me paguen y para poder cobrar. Y creemos que este modelo de inteligencia artificial que estamos implementando el día de hoy va a ayudar a responder esas dos preguntas de una manera eficiente, rápida, y que al final va a ahorrar tiempo, dinero, y va a permitir por obvias razones. Entonces, recaudar más respondiendo eso: cuándo cobrarle a mis clientes y cómo cobrarles. Gracias, José.

Nos vemos en el próximo video.