Respuesta rápida:
El Vintage Analysis en cobranzas (o análisis de cosechas) es una metodología financiera que permite medir la recuperación de la cartera vencida agrupando los créditos por su mes de originación (cohortes). A diferencia de las métricas globales, este enfoque evalúa el comportamiento de pago a lo largo del tiempo para identificar deterioros tempranos y proyectar pérdidas comerciales con precisión.
Resumen ejecutivo:
En la gestión de cobranza B2B, uno de los principales problemas es la dificultad para identificar a tiempo el deterioro de la cartera y entender cómo evolucionan los créditos desde su origen. El vintage analysis en cobranza permite resolver esta limitación al analizar el comportamiento de pago por cohortes, ofreciendo una visión más precisa y temporal del riesgo.
En este artículo explicamos qué es el vintage analysis, cuáles son sus conceptos clave y cómo aplicarlo paso a paso para medir la recuperación por cohortes de crédito.
Además, abordamos cómo interpretar sus resultados y cómo utilizar este enfoque —también conocido como análisis de cosechas de crédito— para optimizar la gestión de cobranza frente a métricas tradicionales.
El Vintage Analysis es una metodología de análisis de riesgo que agrupa las facturas o créditos comerciales según su momento de otorgamiento —por ejemplo, mes o trimestre— y realiza un seguimiento de su comportamiento de pago a lo largo del tiempo. Cada una de estas cohortes se analiza de forma independiente para observar la evolución de la cadena de pagos.
Para aplicarlo bien, hay ciertos conceptos que ordenan el análisis y permiten interpretar correctamente cómo evoluciona cada grupo de préstamos y cómo se manifiesta el deterioro de la cartera y entender cómo evolucionan los créditos desde su origen .
Una cohorte de crédito es un conjunto de créditos que comparten el mismo momento de originación, como un mes o trimestre específico.
Este agrupamiento permite analizar conjuntos homogéneos, evitando mezclar créditos generados bajo condiciones distintas.
El aging o maduración describe cómo evoluciona una cohorte a medida que pasa el tiempo desde su originación.
Este seguimiento permite identificar en qué etapa del ciclo de vida del crédito suelen aparecer los problemas y ajustar la gestión de cobranza.
El momento de origen es el punto en el que se genera el crédito y define la cohorte a la que pertenece. En cambio, el momento de observación es el instante en el que se mide su desempeño, que puede ser cualquier período posterior.
Nota: Distinguir ambos es fundamental en el vintage credit analysis, porque el análisis siempre compara cómo se comportan distintas cohortes en un mismo punto de su ciclo de vida, no en una misma fecha calendario.
Las roll rates o tasas de migración reflejan cómo los créditos se desplazan entre distintos niveles de mora a lo largo del tiempo, por ejemplo, de 30 a 60 días de atraso. Las tasas ayudan a entender la dinámica del riesgo dentro de cada cohorte.
En crédito B2B, los montos son altos y los plazos largos, por lo que no alcanza con mirar indicadores generales de la cartera.
El análisis por cohortes permite detectar cambios en el comportamiento de pago en etapas iniciales del crédito. Al observar cómo evolucionan los atrasos dentro de cada grupo, se pueden identificar señales de alerta antes de que el problema escale.
Este enfoque permite contrastar créditos originados en distintos momentos bajo condiciones comparables. Así, se puede evaluar si variaciones en políticas, contexto o perfil de clientes tuvieron impacto en el desempeño de la cartera.
El seguimiento histórico de cohortes facilita proyectar cómo podrían comportarse créditos actuales con características similares. Esto permite anticipar niveles de incumplimiento y estimar pérdidas con mayor base analítica.
Las métricas tradicionales siguen siendo útiles para el monitoreo general, pero tienen límites cuando se trata de entender cómo evoluciona el riesgo en el tiempo. Veamos algunos escenarios:
El DSO mide cuánto tarda, en promedio, una empresa en cobrar sus cuentas, pero no muestra cómo se comportan los créditos desde su origen. Al ser un indicador promedio, puede ocultar diferencias entre grupos de clientes o períodos de otorgamiento, y no permite identificar en qué momento empiezan los problemas.
El análisis por cohortes complementa esta limitación al seguir cada grupo de créditos a lo largo del tiempo, lo que permite ver cuándo aparecen los atrasos y cómo evolucionan. Así, en lugar de una sola cifra promedio, se obtiene una lectura más detallada del comportamiento de pago.
La tasa de mora global muestra el nivel total de atraso en la cartera en un momento puntual, pero combina créditos de distintas antigüedades y contextos. Esto puede generar lecturas poco precisas, ya que no distingue si el problema proviene de créditos recientes o de aquellos con mayor tiempo en cartera.
El enfoque por cohortes, en cambio, es útil porque permite detectar en qué momento se acelera la mora dentro de cada grupo y comparar trayectorias entre períodos, algo que la tasa global no puede mostrar por sí sola.
Aplicar este enfoque requiere ordenar la información de la cartera de forma consistente en el tiempo. A partir de ahí, el análisis se construye siguiendo una secuencia clara.
El primer paso es agrupar los créditos según su fecha de originación, normalmente por mes. Esto permite trabajar con conjuntos homogéneos que comparten condiciones iniciales similares y hacer comparaciones válidas entre períodos.
Luego, cada cohorte se segmenta según niveles de atraso, utilizando rangos de días (por ejemplo, 0–30, 31–60, 61–90, más de 90 días). Estos buckets permiten clasificar el estado de los créditos en función de su comportamiento de pago.
Con la información organizada, se calcula la proporción de créditos que cae en cada bucket de mora para cada período desde la originación. Esto se hace de forma progresiva en el tiempo, lo que permite ver cómo evoluciona el riesgo dentro de cada cohorte.
Finalmente, los datos se representan en curvas donde el eje horizontal muestra el tiempo desde la originación y el eje vertical refleja indicadores como mora o incumplimiento. Cada línea corresponde a una cohorte, lo que facilita comparar su desempeño y detectar patrones de evolución.
Leer correctamente las curvas es clave para transformar datos en decisiones. La forma, pendiente y nivel de cada línea aportan información sobre cómo evoluciona el riesgo en el tiempo.
Una cohorte saludable muestra un crecimiento gradual de la mora y tiende a estabilizarse con el tiempo. En cambio, una cohorte problemática presenta aumentos rápidos en etapas tempranas.
Ejemplo: en una empresa que financia insumos a comercios, si la cohorte de enero llega al 3% de mora al mes 3 y la de marzo ya alcanza el 9% en ese mismo punto, la cohorte de marzo evidencia un deterioro más acelerado desde el inicio.
Comparar curvas permite ver qué cohortes rindieron mejor o peor según el período en que se originaron. Las diferencias reflejan cambios en condiciones de otorgamiento o contexto.
Ejemplo: si los créditos otorgados en 2022 mantienen niveles de mora cercanos al 4% al mes 6, pero los de 2023 suben a 10% en ese mismo tramo, hay un cambio claro en el comportamiento que requiere análisis.
Una curva que crece más rápido de lo esperado o supera a cohortes similares indica una posible desviación.
Ejemplo: en una empresa que vende maquinaria financiada, si una cohorte alcanza 12% de mora al mes 4 cuando las anteriores estaban en 5% al 6% en ese punto, es una señal temprana de riesgo que amerita revisión.
El análisis por cohortes no solo permite entender el comportamiento de la cartera, sino que también se traduce en decisiones concretas dentro de la gestión de crédito. Su valor está en conectar la lectura del riesgo con acciones operativas y financieras.
El seguimiento por cohortes permite detectar desvíos en el comportamiento de pago mientras la cartera todavía está en evolución. Esto habilita ajustes concretos en políticas de crédito sin esperar a que el problema se refleje de forma general.
El análisis histórico de cohortes permite estimar cómo podrían evolucionar los créditos actuales en términos de incumplimiento. A partir de esos patrones, se pueden proyectar pérdidas esperadas y definir niveles de provisión más ajustados.
El análisis por cohortes se puede implementar con distintas herramientas según el volumen de datos y el nivel de profundidad que se necesite. No es lo mismo un análisis puntual que un seguimiento continuo de la cartera.
|
Herramienta |
Enfoque principal |
¿Cuándo usarla? |
|
Excel |
Armado de cohortes, cálculos y primeras curvas |
Análisis exploratorio o carteras chicas |
|
BI tools |
Visualización y seguimiento de curvas en el tiempo Integración de datos, automatización y proyecciones |
Monitoreo recurrente y comparación entre cohortes |
|
Software especializado |
Integración de datos, automatización y proyecciones |
Gestión avanzada del riesgo y estimación de pérdidas |
Moonflow permite llevar el análisis de la cartera a un nivel más operativo, conectando datos históricos, seguimiento de cobranza y proyecciones en un solo entorno.
A través de sus dashboards, podés acceder a información histórica de pagos, segmentar clientes y observar cómo evoluciona la cartera en el tiempo. Esto facilita estructurar análisis por cohortes sin procesos manuales y con mayor consistencia en los datos.
Además, al integrar automatización e inteligencia artificial, Moonflow permite anticipar comportamientos de pago y proyectar escenarios de recuperación. De esta forma, no solo se obtiene visibilidad, sino también una base concreta para tomar decisiones y optimizar la gestión de cobranza.
Si querés mejorar el control sobre tu cartera y trabajar con información accionable, podés conocer más sobre Moonflow y cómo implementarlo en tu operación.
¿Qué diferencia hay entre el análisis de cosechas y la tasa de mora tradicional?
La tasa de mora tradicional es una foto fija que mezcla facturas nuevas con deudas viejas. El análisis de cosechas segmenta los créditos por su mes de origen para evaluar la calidad real de las políticas de otorgamiento sin distorsiones.
¿Cómo afecta la inflación al Vintage Analysis?
En contextos de alta inflación como el de Argentina, el análisis por cohortes expresado en porcentajes de recuperación (y no solo en valores nominales) es vital para entender si la velocidad de cobro le está ganando o perdiendo al índice de precios.