análisis predictivo de impagos

Impago: las promesas del análisis predictivo

El impago es una de las principales causas que propician la desaparición de las empresas. Para paliar sus consecuencias, las compañías cuentan con diferentes medios: seguro de crédito,  análisis financiero de solvencia, gestiones de recuperación de deuda…  Enfoques tradicionales, que hoy se alían con una tecnología que ya ha demostrado su fortaleza en otros campos: el análisis predictivo.

De la meteorología al crédito del cliente

El análisis predictivo consiste en utilizar la información disponible para determinar, entre muchas posibilidades, las más probables, o elegir el mejor escenario, para anticipar una amenaza o maximizar la eficacia y la eficiencia de las acciones previstas. Dicho de otro modo, y como su propio nombre indica, su objetivo es detectar los problemas antes de que surjan. Estas capacidades han estado reservadas a determinados sectores, como los servicios meteorológicos o las fuerzas de seguridad. Ahora son accesibles a muchos otros campos, especialmente gracias a la disponibilidad de la fuerza de cálculo necesaria que ofrece la nube, que suple la necesidad de adquirir y mantener instalaciones informáticas costosas.

Estas son algunas de las preguntas a las que el análisis predictivo puede dar respuesta:

  • ¿Qué productos serán más susceptibles de gustar al cliente?
  • ¿A qué precio se venderá mejor?
  • ¿Qué clase de acciones serán más eficaces en una campaña electoral?
  • ¿A qué asociación de medicamentos responderá mejor un paciente con cáncer?
  • ¿Cómo va a evolucionar una epidemia de gripe en las siguientes semanas?
  • Y por supuesto… ¿Este acreedor tiene probabilidades de abonar su factura cuando vence?

Más allá de la calificación

Porque en materia de impagos suele ser demasiado tarde cuando el problema aparece, su prevención constituye un terreno de acción para el análisis predictivo. Estos son los cinco ingredientes a tener en cuenta para que pueda alimentar los datos:

  1. Es un tema de comportamiento (de quien toma la decisión de pagar a un proveedor antes que a otro).
  2. El componente aleatorio es significativo (a priori, no sabemos nunca si una factura se pagará ni cuándo).
  3. Los volúmenes a gestionar son importantes.
  4. Lo que está en juego es crítico (llegando incluso a poner en riesgo la supervivencia del proveedor).
  5. Casi siempre hay señales antes de que ocurra el impago.

El análisis predictivo es similar a otros métodos de calificación utilizados desde hace tiempo para analizar la capacidad de un individuo o una empresa para pagar sus facturas, pero va más allá. Mientras que la puntuación se basa inicialmente en el análisis del pasado, a partir de datos financieros estructurados, el análisis predictivo puede ser mucho más ambicioso, con la anticipación de comportamientos futuros y la explotación de datos mucho menos estructurados. Señales más débiles que se recopilarán, por ejemplo, en centros de llamadas o a través de las redes sociales.

Un gran poder que debe medirse

Con su combinación de series estadísticas e informaciones muy recientes, el análisis predictivo promete, en cierto modo, reemplazar el retrovisor por unos prismáticos con visión nocturna. Por tanto, no es una varita mágica que toque un archivo de datos y extraiga indicadores listos para usar. El éxito de los proyectos depende, de hecho, de muchos factores, entre los que se cuenta la complejidad del modelo estudiado.

La relevancia de los datos resultantes depende, igual y obligatoriamente, de la calidad y la fiabilidad de los datos disponibles. La información incompleta, redundante o distorsionada, impactará en los resultados obtenidos. Sin olvidar el caso en el que una confianza total en la tecnología entrañaría la pérdida del sentido común.

Seis etapas para poner en marcha el análisis predictivo

  1. Preparar los datos (recopilación, curación, mejora de la calidad).
  2. Construir el modelo.
  3. Probar el modelo en los paquetes de datos preparados.
  4. Implementar los modelos válidos alimentándolos con nuevos datos.
  5. Hacer accesibles los análisis a los usuarios, especialmente gracias a una visualización adaptada a su función.
  6. Si es necesario, evolucionarlo o reemplazarlo por otro modelo más adecuado.

Fuente: Euler Hermes