| Summary: | La venta a crédito con financiamiento directo es un componente importante en
el desarrollo del sector retail. A más del riesgo crediticio propio del sector, la presencia de
COVID-19 ha traído como consecuencia un incremento en los índices de morosidad debido a
un cambio de comportamiento de pago de los clientes por la situación económica del país. Una
gestión de cobranza mal definida puede llevar a la toma de estrategias equivocadas y costosas,
al desperdicio de recursos y a la desnaturalización de la misma. Esta investigación propone un
modelo de segmentación de cartera a partir del comportamiento de los clientes para mejorar la
eficiencia de gestión de cobranza. Adoptar este enfoque es clave para generar políticas de
gestión y establecer estrategias de cobro específicas. El modelo contempla las variables estáticas
más representativas del perfil del cliente provenientes del buró, y atributos dinámicos internos
de comportamiento. Se considera un enfoque de clusterización no jerárquica, siendo K-medias
la metodología a ser utilizada. El modelo se diseña en Azure Machine Learning y concluye en
el software estadístico JMP por el entendimiento gráfico que brinda. Los resultados evidencian
una solución distinta al ordenamiento tradicional, ya que comúnmente la clasificación de
clientes se realiza en virtud del grado de envejecimiento de cartera. Además, al ser la distancia
el discriminante en la formación de clusters, ésta puede ser el elemento que facilite el
ordenamiento, pues prioriza la pertenencia a uno u otro cluster; por lo tanto, es factible usar este
concepto como enfoque de prioridad para la gestión de cobranza.
|
|---|