Fligoo AI Services

Solución · Cobranzas para banca y fintech

Cobranzas que empiezan antes del primer pago vencido.

La mayoría de las estrategias de cobranzas todavía funcionan con reglas y deciles: todos los que caen en el mismo tramo reciben el mismo llamado, el mismo día, con el mismo mensaje. Lo reemplazamos por un sistema de decisión — modelos predictivos que saben quién va a pagar, quién va a pagar porque actuaste y cómo contactarlo — y agentes que ejecutan el tratamiento por WhatsApp, voz, SMS y email, dentro de tu política y de las reglas de tu regulador.

  • 01 · SharpAI

    Modelos predictivos

    9 modelos · foundation + downstream

  • 02 · AUTONOMY

    Agentes

    9 patrones de agentes en este vertical

  • 03 · FDE

    Servicios de ingeniería

    2 engagements anonimizados

El ciclo de vida de la mora

Cobranzas es donde el problema se hace visible. La mora es donde empieza.

Cada etapa del ciclo tiene su propia decisión, su propio costo de contacto y su propia ventana. Un modelo por etapa, una vista compartida del cliente detrás de todos.

  1. 01

    Al día · pre-mora

    Alerta temprana

    Detectá el estrés de pago semanas antes del vencimiento, a partir del comportamiento del propio cliente — no de una alerta del buró que llega tarde.

    Decisiones que modelamos

    • Score de estrés de pago
    • Oferta preventiva o recordatorio
    • Revisión de límite y exposición
  2. 02

    1–30 días de atraso

    Cobranza temprana

    Separá a los clientes que van a pagar por su cuenta de los que necesitan un empujón — y dejá tranquilo al primer grupo.

    Decisiones que modelamos

    • Probabilidad de autocura
    • Momento del recordatorio suave
    • Detección de falsa mora
  3. 03

    31–90 días de atraso

    Cobranza en etapa media

    Concentrá el esfuerzo donde la acción cambia el resultado: el canal correcto, el momento correcto y el mensaje correcto para cada cliente.

    Decisiones que modelamos

    • Uplift del tratamiento
    • Mejor canal y momento
    • Seguimiento de promesas de pago
  4. 04

    Más de 90 días de atraso

    Recupero y renegociación

    Ofrecé el plan que el cliente realmente puede cumplir, y decidí qué gestionar internamente y qué derivar a una agencia.

    Decisiones que modelamos

    • Propensión a renegociar
    • Capacidad de pago
    • Descuento o plan óptimo
  5. 05

    Todas las etapas

    Ciclo de aprendizaje

    Cada contacto, promesa y pago retroalimenta los modelos. La última conversación no es ruido: es contexto para la próxima acción.

    Decisiones que modelamos

    • Challenger vs. champion
    • Optimización de mensajes
    • Límites de saturación de contacto

01 · SharpAI · Cobranzas

Una única base de cliente, un head de decisión para cada pregunta de cobranzas.

Los heads de cobranzas se apoyan en el mismo Customer Behavior Transformer que usamos en toda la banca. El embedding ya codifica cómo gana, gasta, paga y responde cada cliente — por eso los modelos de cobranzas parten de una vista rica del cliente en lugar de un puñado de variables del buró, y cada head responde una pregunta operativa.

Foundation · lo que tokeniza el backbone

Todas las señales que el backbone lee sobre el deudor.

El historial de eventos del cliente a través de cuentas, tarjetas, préstamos, canales e interacciones de cobranza anteriores. Pasá el cursor o tocá cualquier señal para ver qué es.

27 signals

Downstream · lo que consume el head

Qué consume el head de uplift del tratamiento.

El head de uplift no pregunta quién probablemente pague. Pregunta quién paga por efecto de la acción. Pasá el cursor por cualquier nodo: estos son los insumos detrás de una decisión de tratamiento.

13 signals

Foundation models · pre-entrenamiento self-supervised, backbone congelado reutilizado downstream

  • Customer Behavior Transformer (CBT)

    El backbone compartido de banca. Tokeniza el historial de eventos de cada cliente — transacciones, ingresos, saldos, pagos, contactos por canal e interacciones previas de cobranza — en una secuencia que lee el encoder, y produce el embedding de cliente que consume cada head de cobranzas.

    Encoder Transformer sobre los últimos eventos del cliente · embedding compartido de 256 dimensiones · codificación posicional + temporal

    Objetivos de pre-entrenamiento

    • Modelado de eventos enmascarados
    • Predicción del próximo evento
    • Contrastivo temporal

    Corpus · Fine-tuning sobre la cartera de cada institución dentro de su propia nube · datos seudonimizados · funciona con los datos disponibles desde el día uno y mejora a medida que el ciclo se retroalimenta

    Inputs tokenizados
    Eventos de cuentas, tarjetas y préstamos · Comportamiento de ingresos y pagos · Interacciones de canal y de cobranza
    Outputs
    Embedding de comportamiento por cliente · Representación de secuencia para los heads de cobranzas

Heads downstream · fine-tuned sobre el embedding congelado del foundation por institución y caso de uso

  • Riesgo de mora

    Probabilidad de entrar en mora a 30, 90 y 180 días — la señal de alerta temprana que abre el ciclo de vida.

    Head de supervivencia sobre el embedding congelado

    • Alerta temprana
    • Riesgo
  • Probabilidad de pago

    Quién paga, y cuándo, sin ninguna acción — la línea base contra la que se mide cada tratamiento.

    Head de clasificación calibrado

    • Autocura
    • Priorización
  • Capacidad y estrés de pago

    Estima cuánto puede pagar realmente el cliente hoy, a partir de sus patrones de ingresos y gastos.

    Head de regresión sobre variables de flujo de fondos

    • Capacidad
    • Accesibilidad
  • Uplift del tratamiento

    El efecto incremental de cada acción sobre cada cliente — para que el esfuerzo vaya a quienes cambian su comportamiento, y no a quienes pagarían igual.

    Modelado de uplift · T-learner y X-learner

    • Uplift
    • Costo de cobranza
  • Mejor momento de contacto

    El canal y la ventana horaria en la que cada cliente tiene más probabilidad de responder.

    Head de ranking sobre el historial de respuesta por canal

    • Canal
    • Timing
  • Optimización de mensajes

    Elige tono, contenido y encuadre de la oferta para cada cliente y sigue aprendiendo de cada respuesta.

    Bandit contextual

    • Mensajería
    • Experimentación
  • Propensión a renegociar

    Qué clientes van a aceptar un plan de pagos o una refinanciación, y qué estructura de plan es más probable que cumplan.

    Head de propensión + ranking de estructuras de plan

    • Renegociación
    • Recupero
  • Promesa de pago

    Probabilidad de que una promesa se cumpla, para programar el seguimiento donde importa.

    Head de clasificación sobre el historial de conversaciones y pagos

    • Promesa de pago
    • Seguimiento

02 · AUTONOMY · Cobranzas

Los foundation models predicen. AUTONOMY decide, ejecuta y aprende.

La predicción genera insight; la decisión y la ejecución generan impacto. Un equipo de agentes especializados, coordinados por agentes supervisores, convierte cada score en un tratamiento — y cada tratamiento pasa por las reglas de política, consentimiento y compliance de la institución antes de llegar al cliente.

9 patrones de agentes · ordenados por madurez de despliegue

  1. A01

    Agente de Alerta Temprana

    Monitorea las señales de estrés de pago en cuentas al día y abre una jugada preventiva antes del vencimiento: un recordatorio, una fecha de débito reprogramada o una oferta.

    Disparador · Umbral del score de estrés

    ↳ Mora prevenida, no perseguida

  2. A02

    Agente de Recordatorio Suave

    Envía el empujón más liviano que sea efectivo a clientes en etapa temprana con probabilidad de autocura, y se mantiene en silencio donde el silencio funciona mejor.

    Disparador · Vencimiento / 1–30 días

    ↳ Menor costo de contacto

  3. A03

    Agente de Priorización

    Ordena la cartera diaria por recupero incremental por contacto y asigna cada cuenta a gestores, discador, canal digital o sin acción.

    Disparador · Actualización diaria de la cartera

    ↳ Esfuerzo donde mueve el recupero

  4. A04

    Agente de Cobranza por WhatsApp

    Sostiene la conversación en WhatsApp Business — plantillas aprobadas, opt-in y ventana de 24 horas respetados — explica el saldo, comparte links de pago y responde consultas.

    Disparador · Tratamiento asignado a WhatsApp

    ↳ Resolución en autoservicio

  5. A05

    Agente de Negociación

    Propone el plan de pagos que el cliente puede cumplir, dentro de los límites de descuento y plazo que la institución haya autorizado.

    Disparador · Propensión a renegociar

    ↳ Planes que se cumplen

  6. A06

    Agente de Promesa de Pago

    Registra cada promesa, programa el seguimiento y adapta el siguiente paso si el pago no llega.

    Disparador · Promesa registrada

    ↳ Mayor tasa de cumplimiento

  7. A07

    Agente de Escalamiento

    Deriva el caso a un gestor humano — con todo el contexto y un próximo paso recomendado — cuando la conversación, el monto o una señal de vulnerabilidad lo requieren.

    Disparador · Umbral de política o de criterio

    ↳ Personas en los casos que las necesitan

  8. A08

    Agente de Compliance

    Verifica cada acción antes de ejecutarla: horarios de contacto, topes de frecuencia, consentimiento, listas de no contactar, redacción de los mensajes y normas de protección de datos.

    Disparador · Cada acción

    ↳ Auditable por diseño

  9. A09

    Agente de Aprendizaje

    Lee el resultado de cada contacto y lo retroalimenta a los modelos y a la estrategia, corriendo pruebas champion vs. challenger de forma continua.

    Disparador · Continuo

    ↳ Una estrategia que mejora en cada ciclo

03 · FDE · Cobranzas

Un challenger de cobranzas, operado por ingenieros integrados a tu equipo.

No te pedimos que apagues lo que funciona. Corremos un challenger controlado contra tu estrategia actual — sobre tu cartera, en tu nube, a través de tus canales — y medimos el recupero incremental contra un grupo de control. Esto no es body-shopping. Es forward-deployed engineering.

Integración con tu stack de cobranzas

Core bancario, procesador de tarjetas, motor de reglas, CRM, discador y agencias de cobranza — conectados primero en modo solo lectura. Los resultados de los modelos llegan a los sistemas que tu equipo ya opera, reemplazando los deciles fijos por tantos tratamientos como los datos permitan.

Diseño del challenger

Un grupo de control con tu estrategia actual y ramas de prueba que separan el efecto de mejores modelos del efecto de una mejor ejecución — así cada punto de recupero es atribuible.

Ejecución omnicanal

WhatsApp Business, voz, SMS, RCS, email y call center orquestados desde una única capa de decisión, con topes de frecuencia y ventanas de contacto aplicados a nivel de orquestación.

Compliance y protección de datos

Datos seudonimizados, gestión de consentimiento y bajas, reglas de horarios de contacto y trazabilidad completa de auditoría de cada decisión — alineado con la normativa local de defensa del consumidor y protección de datos (LGPD en Brasil, Ley 25.326 en Argentina).

KPIs en los que confía finanzas

Tasa de recupero, recupero incremental, tasa de promesas de pago cumplidas, recupero por contacto y costo de cobranza — con límites sobre reclamos, bajas y saturación de contacto.

Camino a producción en 90 días

Dos semanas de scoping, y luego modelado, ejecución controlada y un business case respaldado por resultados. Podemos empezar con datos limitados y ampliar el alcance a medida que el ciclo demuestra su valor.

Engagements anonimizados · el mismo equipo de ingeniería end-to-end

  • Banco minorista · LATAM

    Carteras de préstamos y tarjetas

    Segmentación de la cartera de cobranzas guiada por modelos para reemplazar deciles basados en reglas por tratamientos más finos, cargados en el motor de reglas y el CRM del banco — incluyendo la detección de falsa mora administrativa y de clientes con múltiples préstamos. Corre dentro de la nube del banco.

    En ejecución — el impacto se mide pre/post contra las reglas actuales.

  • Telco top 5 · LATAM

    Cartera de facturas B2B

    Predicción de pago y de no pago por factura, con priorización basada en probabilidad y estrategia de mejor canal, validada offline sobre los datos históricos del operador.

    Se identificó un potencial de mejora de cobranza del 10,7% en la validación offline.

Composición del equipo — estructura FDE típica para este vertical

  • FDE LeadSenior · integrado al equipo
  • Data Scientists Senior2 · riesgo + uplift
  • Ingeniero de Datos1 · core + canales
  • Ingeniero de Agentes1 · AUTONOMY + WhatsApp
  • Líder de Estrategia de Cobranzas0.5 · tratamientos + KPIs
  • Enlace de Compliance0.5 · política + auditoría

Llevá SharpAI, AUTONOMY y FDE a tu operación.

Ingenieros senior embebidos, modelos predictivos en producción y agentes que ejecutan sobre cada score.

Hablá con nuestro equipo
Collections for banking & fintech — Fligoo AI Services