Puedes marcar cada punto de la checklist a medida que lo confirmas con tu equipo de TI o de cartera. Al final encontrarás qué datos debe devolverte el agente después de cada llamada.
En este artículo
Por qué los datos definen el resultado del recordatorio
Un recordatorio de pago bien ejecutado funciona. La evidencia es consistente:
En un programa piloto evaluado por Roll y Moulton, los recordatorios automáticos redujeron 21% la probabilidad de mora de 60 días o más. Campbell, Grant y Thorp encontraron un aumento de 2,7 puntos en el pago total de la mora, pero solo en clientes con buen historial; en los de perfil más débil el efecto desapareció.
Ese segundo hallazgo explica por qué esta checklist incluye datos de segmentación. Un mismo mensaje no sirve para todos, y sin historial el agente no puede distinguir.
También importa la personalización. En un estudio con microprestamistas, los mensajes solo mejoraron el pago cuando incluían el nombre del asesor. Y en un experimento de Mažar, Mochon y Ariely, pedir al cliente que eligiera una ventana de pago concreta subió los pagos. Para eso, el agente necesita saber qué opciones puede ofrecer.
La checklist de datos para automatizar recordatorios de pago
Los puntos marcados como obligatorios son el mínimo para lanzar un piloto. Los recomendados mejoran el resultado y conviene sumarlos en la segunda fase.
1. Datos del cliente
2. Datos de la obligación
3. Datos de pago
4. Datos de contexto y segmentación
5. Reglas de operación
Si quieres este proceso en formato de guía de implementación, descarga el paso a paso para implementar IA en tu proceso de cobranza.
Qué pasa si falta cada dato
| Dato faltante | Qué hace el agente sin él | Impacto en la campaña |
|---|---|---|
| Teléfono validado | Llama a números equivocados o inexistentes | Baja la tasa de contacto y se desperdician intentos |
| Monto exacto | Da cifras genéricas o remite a otro canal | El cliente desconfía y aplaza el pago |
| Estado de pago actualizado | Cobra a quien ya pagó | Quejas y pérdida de credibilidad |
| Canales y referencia de pago | Recuerda la deuda, pero no dice cómo pagar | Promesas que no se convierten en pago |
| Historial y promesas previas | Usa el mismo guion para todos | Mensajes que no funcionan en los perfiles más difíciles |
| Reglas de escalamiento | No sabe cuándo pasar a un asesor | Casos sensibles mal atendidos |
El teléfono merece atención especial. Un estudio sobre call centers de cobranza mostró que optimizar el contacto con la persona correcta subió esa tasa más de 10%. En cobranza, hablar con un familiar o con un buzón no cuenta como gestión.
Lo que el agente debe devolverte después de cada llamada
La automatización no termina cuando cuelga el agente. Cada llamada debería dejar estos datos de vuelta en tu sistema:
Resultado del contacto
Contactado, no contesta, número equivocado, buzón o persona distinta al titular.
Promesa de pago
Fecha y monto comprometidos, para hacer seguimiento el día siguiente al vencimiento de la promesa.
Motivo de no pago
Desempleo, olvido, disputa o error de facturación. Cada motivo pide una respuesta distinta.
Datos actualizados
Teléfonos nuevos, mejor horario de contacto o canal preferido.
Transcripción y grabación
Para auditar calidad, ajustar el guion y resolver reclamos.
Este ciclo es el que permite automatizar la cobranza sin perder el control: cada intento mejora el siguiente porque la base aprende de lo que pasó.
Errores frecuentes al preparar la base de cartera
- Cargar la base una sola vez. La cartera cambia cada día. Una base de la semana pasada genera llamadas a clientes que ya pagaron.
- Esperar a la mora para llamar. El recordatorio preventivo, días antes del vencimiento, suele ser la llamada más fácil. Lo explicamos en cobranza como prevención con propósito.
- Un solo guion para toda la cartera. Sin datos de segmento, el agente trata igual al cliente puntual que al reincidente.
- No definir qué puede ofrecer el agente. Si no tiene reglas de fechas o cuotas, solo puede recordar, no acordar.
- Ignorar lo que vuelve de la llamada. Las promesas sin seguimiento se pierden.
Con la base lista, el siguiente paso es elegir dónde empezar. Revisa cómo funciona la automatización de cobranza con IA y el agente que la ejecuta, Lili Recover.
Preguntas frecuentes
¿Qué datos necesito para automatizar recordatorios de pago con llamadas?
Como mínimo: nombre del cliente, teléfono validado, número de la obligación, monto, fecha de vencimiento, días de mora y los canales donde puede pagar. Con eso el agente ya puede llamar, recordar y registrar una promesa de pago.
¿Necesito integrar mi CRM o mi core para empezar?
No necesariamente. Muchas operaciones arrancan con un archivo de cartera actualizado a diario. La integración con el CRM o el core se vuelve importante cuando quieres que los pagos y las promesas se reflejen solos, sin cargas manuales.
¿Cada cuánto debo actualizar la base de cartera?
Idealmente cada día. Si el agente llama a alguien que ya pagó, el cliente se molesta y la campaña pierde credibilidad. El dato más sensible a la desactualización es el estado del pago.
¿Qué pasa si un cliente no tiene teléfono válido?
La llamada no se completa y el cliente queda sin gestión. Por eso conviene tener teléfonos alternos y usar cada llamada para confirmar o actualizar el número. Un canal alterno, como WhatsApp, ayuda a no perder el contacto.
¿Qué datos debe devolverme el agente después de cada llamada?
El resultado del contacto, la promesa de pago con fecha y monto, el motivo de no pago si lo hay, cualquier teléfono actualizado y la transcripción. Esos datos alimentan el siguiente intento y el reporte de la operación.
¿Tu base está lista para automatizar?
Revisamos tu archivo de cartera contigo y te decimos qué falta para lanzar un piloto de recordatorios.
Revisa tu base con un especialistaFuentes
- Roll, S. y Moulton, S. (2019). The Impact of Automated Reminders on Credit Outcomes. Journal of Consumer Affairs. doi.org/10.1111/JOCA.12252
- Campbell, D., Grant, A. R. y Thorp, S. (2020). Reducing Credit Card Delinquency using Broadcast Repayment Reminders. doi.org/10.2139/ssrn.3746676
- Karlan, D., Morten, M. y Zinman, J. (2012). A Personal Touch: Text Messaging for Loan Repayment. NBER. doi.org/10.2139/SSRN.2028103
- Mažar, N., Mochon, D. y Ariely, D. (2018). If You Are Going to Pay Within the Next 24 Hours, Press 1. Journal of Consumer Psychology. doi.org/10.1002/JCPY.1031
- Bollapragada, S. y Nair, S. K. (2010). Improving Right Party Contact Rates at Outbound Call Centers. Production and Operations Management. doi.org/10.1111/j.1937-5956.2010.01156.x









