Revisión teórica de modelos de Machine Learning para la predicción del comportamiento de pago en clientes gestionados desde contact-center, sector cobranzas

Abstract

La presente monografía tuvo como objetivo analizar los modelos de Machine Learning aplicados a la predicción del comportamiento de pago en clientes gestionados desde Contact-Center en el sector de cobranzas. A través de una metodología exploratoria-descriptiva, se realizó una revisión bibliográfica exhaustiva que permitió identificar, clasificar y comparar modelos como Random Forest, Árboles de Decisión, Redes Neuronales y Máquinas de Soporte Vectorial (SVM), etc. Estos modelos fueron evaluados en términos de precisión, capacidad predictiva y aplicabilidad en escenarios operativos reales. El estudio se enfocó en identificar los métodos actuales utilizados en la predicción de pagos, examinar las variables determinantes en el desempeño de los modelos y establecer cuáles enfoques resultaron más efectivos para optimizar la gestión de cobranzas. Entre las variables analizadas se incluyeron factores económicos, demográficos y patrones históricos de mora, los cuales se identificaron como determinantes en la precisión de las predicciones. Los resultados destacaron que modelos como Random Forest y XGBoost ofrecieron un balance óptimo entre desempeño y adaptabilidad, superando las limitaciones de técnicas tradicionales en este ámbito. Finalmente, se propusieron recomendaciones prácticas para implementar soluciones basadas en aprendizaje automático, con el fin de contribuir al desarrollo de estrategias de cobranza más efectivas y escalables.