Modelo de contacto en casas de cobro bajo la ley 2300 de 2023: mejoramiento y condiciones de aplicabilidad

Abstract

Las empresas de gestión de cobro enfrentan ineficiencias en la contactabilidad con clientes morosos, especialmente en carteras con más de 120 días de mora. Promociones y Cobranzas Beta, filial de Davivienda, requiere optimizar su modelo de contacto bajo los lineamientos de la Ley 2300 de 2023. El objetivo es presentar una propuesta de diseño de un modelo de priorización de contacto basado en analítica predictiva, que identifique el momento óptimo y el cliente adecuado para contactar dentro del marco normativo vigente. El trabajo constituye un enfoque complementario a los modelos existentes en la empresa, orientado a que Promociones y Cobranzas Beta pueda integrarlo y desplegarlo en sus propios sistemas. La metodología es de predominancia cuantitativa, aplicando técnicas de machine learning sobre datos históricos de gestión de cobranza de Promociones y Cobranzas Beta. Se evaluaron seis modelos de clasificación supervisada (Regresión Logística, Random Forest, Extra Trees, XGBoost, LightGBM y CatBoost) sobre una muestra de 50.000 registros, con partición 80/20 estratificada para entrenamiento y prueba. Los resultados obtenidos muestran que CatBoost logró el mejor equilibrio entre precisión y recall (F1-score: 0.655, ROC-AUC: 0.967) en un dataset con alta asimetría de clases (5.87% de contactos efectivos). Con base en este modelo, se diseñó un esquema híbrido de priorización que combina el score predictivo con reglas operativas y las restricciones de la Ley 2300 de 2023, generando un archivo de segmentación operativa que asigna a cada cliente una acción sugerida (llamada, WhatsApp o SMS) y una franja horaria de contacto. La validación del modelo se realizó sobre datos históricos con partición train/test; la validación operativa en producción queda fuera del alcance de este trabajo. Las conclusiones buscan demostrar que la analítica avanzada mejora la recuperación de cartera mientras garantiza cumplimiento normativo y trato ético al deudor

Debt collection companies face inefficiencies in contacting delinquent clients, particularly in portfolios more than 120 days overdue. Promociones y Cobranzas Beta, a subsidiary of Davivienda, needs to optimize its contact model under the guidelines of Law 2300 of 2023. The objective is to present a design proposal for a contact prioritization model based on predictive analytics that identifies the optimal moment and the appropriate client to contact within the current regulatory framework. The work constitutes a complementary approach to the models already in use at the company, intended for Promociones y Cobranzas Beta to integrate and deploy it within its own systems. The methodology is predominantly quantitative, applying machine learning techniques to historical debt-collection management data from Promociones y Cobranzas Beta. Six supervised classification models (Logistic Regression, Random Forest, Extra Trees, XGBoost, LightGBM, and CatBoost) were evaluated on a sample of 50,000 records, using a stratified 80/20 train/test split. The results show that CatBoost achieved the best balance between precision and recall (F1-score: 0.655; ROC-AUC: 0.967) on a dataset with high class imbalance (5.87% effective contacts). Based on this model, a hybrid prioritization scheme was designed that combines the predictive score with operational rules and the constraints of Law 2300 of 2023, producing an operational segmentation file that assigns each client a suggested action (call, WhatsApp, or SMS) and a contact time slot. The model was validated on historical data using a train/test split; operational validation in production is beyond the scope of this work. The conclusions demonstrate that advanced analytics improves portfolio recovery while ensuring regulatory compliance and ethical treatment of the debtor.