Factores de la atención de cobranza que conduce a la generación de un compromiso de pago

• Autores: Tamariz Milla, Marco Antonio, Avila Narvaez, Miguel Angel, Denegri Tineo, Eddy Eduards, Solano Cruz, Jorge Darwin, Torres Alama, Ernesto Andre
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/685067
• Enlace del recurso: http://hdl.handle.net/10757/685067
• Nivel de acceso: acceso abierto
• Materia: Speech Analytics; Estrategia De Cobranza; Modelos Predictivos De Machine Learning; IA Generativa; Collection Strategy; Machine Learning Predictive Models; Generative AI; https://purl.org/pe-repo/ocde/ford#2.02.00; https://purl.org/pe-repo/ocde/ford#2.02.04

El informe de investigación se enfoca en uno de los principales retos de una empresa de gestión de cobranzas el cual consiste en entender cómo mejorar la generación de compromisos de pago en las llamadas telefónicas a clientes deudores. Para esto se usan modelos predictivos aplicados a variables del entorno de la negociación en la llamada y variables de la segmentación, que luego se comparan sus desempeños predictivos. La realización de este objetivo se desarrolla bajo la metodología CRISP-DM para la estructuración del proyecto, así mismo se propuso un plan de trabajo para cumplir en 15 semanas el desarrollo del modelo de mejor desempeño. La empresa objeto de estudio es RECSA, una compañía con más de 30 años de experiencia en gestión de cobranza en América Latina. El trabajo investiga cómo mejorar la efectividad de las llamadas de cobranza y generar compromisos de pago, clave para el crecimiento y estabilidad de la cartera de clientes. El estudio emplea técnicas de machine learning para desarrollar un modelo predictivo que permita determinar si un cliente se comprometerá a pagar su deuda, analizando las conversaciones de las llamadas y el perfil de los clientes. También se emplea un LLM como otra herramienta más de predicción. Finalmente, se comparan los modelos para evaluar cuál tiene mejor desempeño predictivo.