🏦 Análisis de Contactabilidad y Eficiencia Operacional en Gestión de Cobranza

Caso de Negocio Simulado orientado al rol de Analista de Procesos Jr. —, simulando el proceso operativo real de un departamento de Cobranza bancaria en Chile.

---

🎯 Problema de Negocio

Área	Dpto. de Cobranza — Mejora Continua y Procesos
Problema	Baja contactabilidad, gestiones ineficientes y recursos mal asignados sin segmentación
Metodología	EDA → KPIs → Detección cuellos de botella → Segmentación → ML → Plan de mejora
Enfoque	Proceso · Datos · Indicadores · Mejora Continua · Python

---

🗂️ Estructura del Repositorio

cobranza-eficiencia-operacional/
│
├── 📓 Contactabilidad_Eficiencia_Operacional.ipynb  ← Notebook principal
├── 📄 operacional_cobranza.csv                      ← Dataset (3.000 gestiones)
├── 📄 lista_campana_prioritaria.csv                 ← Output: Top 200 prioritarios
└── 📋 README.md

---

📁 Dataset — Variables Clave

Variable	Descripción
gestion_id	ID único de la gestión
fecha / mes	Fecha de la gestión
gestor_id	Ejecutivo que realizó la gestión (25 gestores)
tipo_cliente	dependiente / independiente / jubilado / microempresario
producto	Tipo de crédito
deuda / dias_mora	Monto y antigüedad de la deuda
estado_cuenta	vigente / castigado / prejuridico / juridico
franja_horaria	mañana / tarde / noche
canal	teléfono / whatsapp / email / visita / carta notarial
intentos_previos	N° de intentos sin contacto anteriores
contactado	0/1 — ¿Se logró contactar?
resultado_contacto	promesa_pago / convenio_acordado / no_contesta / etc.
pago_realizado	0/1 — Variable objetivo ML
promesa_cumplida	0/1 — Seguimiento de compromisos
tiempo_gestion_min	Duración de la gestión en minutos

---

📊 Contenido del Notebook (12 secciones)

Sección	Descripción
1. Setup	Librerías, paleta corporativa
2. Carga y exploración	Calidad del dato, tipos, estructura
3. KPIs operacionales	Tablero ejecutivo completo
4. EDA distribuciones	Perfil del cliente y la cartera
5. Análisis contactabilidad	Por franja, canal, producto, heatmap
6. Cuellos de botella	Resultado gestiones, intentos fallidos, evolución mensual
7. Segmentación eficiencia	Matriz 2×2 contactabilidad × recuperación
8. Desempeño gestores	Ranking, score global, scatter performance
9. Modelo ML	LR, DT, RF, GBM — predicción de pago
10. Visualizacion y Evaluación Modelos ML	ROC, confusion matrix, feature importance
11. Scoring y priorización	Top 200 clientes prioritarios exportados
12. Plan de mejora	AS-IS → TO-BE + KPIs objetivo

---

🤖 Resultados ML

Modelo	AUC-ROC	Accuracy	F1
Logistic Regression	~0.79	~0.73	~0.72
Decision Tree	~0.77	~0.74	~0.74
Gradient Boosting	~0.84	~0.78	~0.78
Random Forest	~0.83	~0.77	~0.77

Variables más importantes: dias_mora, score_riesgo, contactado, ratio_deuda_ingreso, franja_horaria

---

🔄 Plan AS-IS → TO-BE

AS-IS	TO-BE
Contacto sin segmentación horaria	Priorizar franja tarde
Canal único	Multi-canal por perfil de cliente
Mora indiferenciada	Alerta automática mora 0-30 días
Sin seguimiento promesas	Alerta vencimiento de promesas
Sin scoring	Score ML diario — top 200 al inicio del turno

---

🛠️ Stack

Python · Pandas · NumPy · Matplotlib · Seaborn · Scikit-learn · Jupyter

---

🚀 Cómo ejecutar

git clone https://github.com/Programan1008/Poryecto_Cobranza_2.git
cd cobranza-eficiencia-operacional
pip install pandas numpy matplotlib seaborn scikit-learn jupyter
jupyter notebook Contactabilidad_Eficiencia_Operacional.ipynb

---

👤 Autor

Cristopher Jiménez Escobar — Analista Programador | Data Analyst | BI Developer