Otimizando a Cobrança de Dívidas para Maximizar o Valor do Cliente ao Longo do Tempo

Em muitos mercados de telecomunicações, uma grande parte dos clientes assina planos pós-pagos. Como consequência, a inadimplência frequentemente se torna um desafio central. Com uma parcela relevante de sua base de clientes em atraso, uma operadora líder no setor fez uma parceria com a LTP para aprimorar seu processo de cobrança de dívidas.

Os acordos de pagamento personalizáveis estavam no centro desse processo, funcionando como a principal ferramenta na estratégia de recuperação de crédito. Esses acordos podem ser ajustados a partir de três alavancas principais: o desconto (porcentagem da dívida total que é perdoada), o valor de entrada (porcentagem da dívida restante após o desconto) e o número de parcelas para pagamento do saldo restante.

Inicialmente, esses termos eram definidos manual e empiricamente pelos atendentes durante negociações diretas com os clientes. Embora os agentes fossem bem treinados para focar na maximização da recuperação imediata, suas decisões eram fortemente baseadas na intuição, carecendo de uma base estruturada e analítica. Além disso, a abordagem frequentemente desconsiderava o impacto de longo prazo dos termos acordados sobre o valor do cliente ao longo do tempo. Como resultado, alguns acordos levavam à recuperação no curto prazo, mas à custa da lealdade do cliente, da receita futura ou de um maior risco de reincidência na inadimplência.

Dessa forma, a empresa buscava reformular a definição dos termos de pagamento, mantendo os acordos como ferramenta central. O requisito principal era direcionar essa nova abordagem para a maximização do valor do cliente ao longo da vida, abrangendo recuperação da dívida, prevenção do cancelamento (churn) e geração de receita futura. Em outras palavras, transformar a cobrança de dívidas de um processo puramente financeiro em uma função estratégica de gestão de clientes.

Para lidar com o duplo desafio da recuperação subótima e do descuido com o valor do cliente, foi proposta uma estrutura de personalização orientada por dados para definir acordos de pagamento, guiada por um novo indicador de desempenho: o Valor Econômico do Cliente (Client Economic Value – CEV). O CEV avaliava o valor gerado por um cliente no longo prazo, como porcentagem de seu valor potencial total (definido como a soma da dívida em aberto e das receitas futuras esperadas, caso o cliente não cancele o serviço e cumpra os pagamentos programados).

Diferentemente das métricas tradicionais focadas exclusivamente na recuperação imediata, o CEV equilibrava objetivos muitas vezes conflitantes: a cobrança da dívida e a maximização do valor do cliente.

No centro da solução estava uma abordagem de modelagem preditiva que estimava o CEV após o acordo, com base nas características individuais do cliente – como valor total da dívida, histórico recente de pagamentos, número de acordos anteriores e tempo de relacionamento – e nos termos propostos. Essas previsões alimentavam um motor prescritivo que recomendava o acordo ideal para cada cliente, otimizando o valor do desconto, o valor de entrada e o número de parcelas. Essa recomendação era então incorporada ao sistema utilizado pelos agentes de atendimento.

Contudo, um grande desafio na construção do modelo preditivo foi a baixa variabilidade dos dados históricos de acordos, uma vez que a maioria havia sido definida manualmente dentro de limites bastante estreitos. Para superar essa limitação, foi conduzido um Design of Experiments (DoE). Esse processo estruturado de experimentação introduziu, de forma segura e controlada, variabilidade nos acordos oferecidos aos clientes inadimplentes, permitindo à empresa observar como diferentes combinações de termos impactavam tanto a recuperação da dívida quanto o CEV em diversos perfis de clientes.

Ao explorar ativamente o espaço de possibilidades dos acordos, o DoE possibilitou o treinamento robusto dos modelos e uma melhor capacidade de generalização para diferentes perfis de clientes.

Como resultado, o modelo preditivo passou a ser a base sólida para a recomendação de acordos personalizados, equilibrando de forma dinâmica a recuperação no curto prazo com o valor de longo prazo. O sistema aprende quais combinações de termos geram o maior CEV para diferentes arquétipos de clientes, orientando e capacitando os agentes a oferecerem os planos mais eficazes, alinhando suas ações com os objetivos estratégicos do negócio.

Essa solução transformou efetivamente a cobrança de dívidas em um processo estratégico e orientado por dados. Ao substituir a negociação padronizada pela personalização analítica dos acordos, a empresa obteve melhorias significativas tanto nos resultados financeiros quanto na retenção de clientes. Considerando apenas o efeito verificado sobre churn e lealdade, a solução teve impacto positivo de aproximadamente 2% na receita anual total. Os resultados financeiros também melhoraram com o aumento das taxas de pagamento e a redução da variabilidade no desempenho entre os agentes.

Em resumo, a abordagem implementada não apenas aprimorou a recuperação de crédito – ela impulsionou uma mudança estratégica em direção à recuperação de valor centrada no cliente, transformando a gestão de dívidas de uma função operacional em uma alavanca de crescimento, fidelização e lucratividade. O novo indicador CEV também desempenhou um papel importante por si só, ao servir como objetivo unificador que conectou as áreas financeira, de atendimento ao cliente e de marketing. Ou seja, permitiu um alinhamento mais forte entre áreas, garantindo que todos os departamentos trabalhassem em direção a um resultado equilibrado que considerasse tanto a saúde financeira quanto a experiência do cliente.

‍