Hola, Transportes del Desierto
Gestiona tu cobranza con información clara y al día
Panel de cobranza y flujo de efectivo
Cargar mis datos (XML del SAT)
Sube tus facturas (CFDI de ingreso) y los complementos de pago. El panel los empareja por UUID, calcula los días de pago reales, entrena el modelo con tus datos y actualiza todas las pestañas.
I. Puedes seleccionar muchos archivos a la vez.Qué necesita el panel y qué supone
- De cada factura: UUID, fecha de emisión, total, receptor (cliente), condiciones de pago o método PUE/PPD y, si existe, el complemento Carta Porte para marcar viaje internacional.
- De cada complemento de pago: fecha de pago, UUID de la factura relacionada y monto pagado. Con pagos parciales se toma la fecha en que se liquida el saldo.
- Una factura es «atrasada» si se pagó después de emisión + plazo + días de gracia. Las no pagadas y ya vencidas también cuentan como atraso.
- Se necesitan al menos 8 clientes y 150 facturas pagadas para que el modelo sea estable; con menos, el panel avisa pero calcula.
- El modelo se ajusta en el navegador (regresión logística con regularización ligera). El flujo proyectado usa la misma regla de arrastre de cobros del prototipo; H2 se evalúa solo con 24 meses o más.
Acerca de los datos
Este prototipo se construyó y se prueba con datos 100% sintéticos —generados de forma estadística—, no con información real de ninguna empresa.
monto_facturado— monto de cada factura (MXN)plazo_pactado_dias— plazo de crédito acordado (15–60 días)historial_atrasos_previos— atrasos previos anteriores a cada factura (sin fuga temporal)internacional— 1 si el viaje es internacional, 0 si es nacional (sí entra al modelo)sin_mes,cos_mes— estacionalidad del mes como ciclo, no como número lineal
Cada cliente tiene una "calidad de pago" latente aleatoria y un proceso generador con pesos conocidos para plazo, historial propio, tipo de viaje y un ciclo estacional anual (ver "Recuperación de parámetros" más abajo). El historial de atrasos se acumula mes a mes en el orden real, así que ninguna factura "sabe" de atrasos que ocurrirán después.
Flujo de efectivo — histórico y proyección
Facturación, cobranza efectiva y flujo neto mensual (cobranza menos costos fijos y variables). La proyección conecta la probabilidad de atraso de cada cliente con una simulación Monte Carlo (8,000 corridas) — no es una simple recta.
Evaluar un cliente nuevo
Captura los datos de un cliente y el modelo calcula su probabilidad de atraso al instante, con los mismos coeficientes entrenados arriba (incluye tipo de viaje y estacionalidad) — no es un valor de muestra.
Riesgo de cobranza por cliente
Probabilidad de atraso estimada por el modelo. Haz clic en una fila para ver qué variables explican ese resultado. Los clientes que agregues arriba aparecen marcados como nuevo.
| Cliente | Tipo | Monto prom. mensual | Plazo | Atrasos previos (hist.) | Atrasos reales (12m) | Prob. atraso | Riesgo |
|---|
Cómo leerlo: la línea del centro es un cliente «promedio». Una barra roja a la derecha significa que esa característica sube el riesgo de este cliente; una verde a la izquierda significa que lo baja. Mientras más larga la barra, más pesa. El número es el tamaño del empujón (en unidades del modelo, no en porcentaje).
Umbral de clasificación
El corte "Alto / Medio / Bajo" arranca en los percentiles de la muestra (25% en rojo). Al mover este deslizador, el corte de alto riesgo cambia también en la cartera, el resumen y la matriz de prioridad. Aquí puedes mover el umbral y ver cómo cambia la matriz de confusión sobre las 1,008 facturas históricas, o fijarlo por costo de negocio.
Deslizador de umbral
Umbral por costo de negocio
Ponle un costo a cada error y el panel te dice dónde conviene poner el corte. Los números son relativos: «1» es lo que te cuesta molestar a un buen cliente, y el otro es cuántas veces más caro es dejar escapar a un moroso.
Costo total = (buenos clientes molestados × costo de molestar) + (morosos que se escaparon × costo de escapar), sobre las facturas de la muestra. Gana el umbral con el costo total más bajo.
Matriz de prioridad de cobranza
Probabilidad de atraso contra monto facturado promedio. Los clientes arriba a la derecha son los que conviene cobrar primero: alto riesgo y alto monto.
Antigüedad de saldos y días de cobro (DSO)
Monto en atraso agrupado por antigüedad, y evolución del DSO (días promedio ponderado de atraso) en los últimos meses.
Antigüedad de saldos en atraso
DSO — últimos 12 meses
Escenario "qué pasa si"
Elige un cliente existente y súmale atrasos adicionales a su historial: el riesgo se recalcula con el mismo modelo, en vivo.
Resumen de las hipótesis
Qué se planteó, si se sostiene y por qué. Abajo está el detalle estadístico de cada una.
H1 — el scoring supera a una regla basada solo en el plazo
Comparación de AUC entre el modelo y una regla simple que solo usa el plazo pactado, sobre la misma muestra, con prueba de DeLong.
Calibración por nivel de riesgo
Probabilidad promedio que predice el modelo vs. la tasa real de atraso observada en cada grupo.
| Nivel | Prob. estimada | Tasa real observada |
|---|
Coeficientes en unidades originales (razón de momios, IC 95%, agrupado por cliente)
| Variable | Coef. estand. | Error est. (cluster) | p-value | Razón de momios | IC 95% |
|---|
Recuperación de parámetros
Como los datos son sintéticos, conocemos el peso "verdadero" que usó el generador. Compararlo con lo que el modelo estima es la mejor prueba de que aprende la relación correcta.
| Variable | β verdadero | β estimado |
|---|
H2 — el pronóstico reduce el error frente al promedio histórico
Evaluación con origen móvil (rolling-origin) a 1 mes, comparando el promedio histórico, un ingenuo estacional y un modelo de tendencia + estacionalidad armónica (sustituto de Prophet, no disponible en este entorno), con prueba de Diebold-Mariano.
| Método | MAE | RMSE | MASE |
|---|
Ficha del modelo
Nota metodológica (versión 2, tras retroalimentación del Dr. Isaac Shamir Rojas Rodríguez, septiembre 2026):
- El dataset ahora cubre 36 meses (2 ciclos anuales completos) para poder estimar estacionalidad real, en vez de asumir que el riesgo sube en línea recta de enero a diciembre.
historial_atrasos_previosse reconstruyó como un conteo estrictamente acumulado en el tiempo — se verificó que ninguna factura usa atrasos que ocurren después de ella (ver "Ficha del modelo").- El flujo de efectivo ya no es una recta independiente: se simula con Monte Carlo usando la probabilidad de atraso de cada cliente y una regla de arrastre de cobros pendientes, por lo que las bandas de incertidumbre crecen con el horizonte.
- Este entorno no tiene acceso a instalar
statsmodelsni Prophet. Los errores estándar agrupados por cliente, la prueba de DeLong, la prueba de Diebold-Mariano y el pronóstico con tendencia + estacionalidad armónica se reimplementaron a mano con NumPy/SciPy/scikit-learn; no se ajustó un modelo logístico de efectos mixtos (GLMM) completo con intercepto aleatorio por cliente — quedaría como siguiente paso si se dispusiera de esas librerías. - Los costos son ahora fijos + variables (con ruido) como porcentaje de la facturación, en vez de un monto fijo mensual.
- Sigue siendo un prototipo con datos sintéticos — la calibración con datos reales de una empresa piloto queda como trabajo futuro.