Solo el 6% de los agentes inmobiliarios usa analítica predictiva sobre sus contactos, según la encuesta tecnológica 2025 de la NAR. Del otro lado, los modelos entrenados en mercados con datos completos predicen la intención de venta con 82% de precisión y procesan 800 señales por propiedad. La distancia entre esos dos datos es donde está la oportunidad para las agencias de LATAM.
Cómo funciona un modelo de propensión a vender
Un propietario no decide vender de la noche a la mañana. Las condiciones que llevan a esa decisión se acumulan meses antes y dejan rastros en registros públicos, portales y datos financieros. Un modelo de propensión entrena con millones de transacciones históricas y aprende qué combinaciones de señales preceden a esa decisión, en qué mercados y en qué plazos.
El resultado es una puntuación por propiedad, actualizada en tiempo real, que estima con qué probabilidad ese dueño va a vender en los próximos 6 a 12 meses. Plataformas como BatchData procesan más de 800 señales por propiedad y alcanzan 82.33% de precisión, validada sobre cientos de miles de transacciones reales (BatchData, 2025). Comparado con la conversión en campañas de prospección tradicional, que ronda el 1%, el salto es considerable.
El modelo no distingue solo entre "va a vender" y "no va a vender". Las mejores implementaciones producen una curva de probabilidad a lo largo del tiempo: 20% en los próximos 3 meses, 45% en los próximos 6, 68% en los próximos 12. Ese rango cambia la táctica de contacto. El propietario al 20% recibe contenido de mercado útil; el que está al 68% merece una llamada de captación directa. La ventana de 6 meses que abre este aviso es lo que el lead de portal no ofrece: tiempo.
Las 5 categorías de señales
Los modelos más completos organizan sus datos en cinco categorías. Entender cuáles están disponibles en LATAM y cuáles no es el punto de partida para cualquier agencia que quiera construir algo parecido.
Datos del inmueble: metros cuadrados, antigüedad, número de habitaciones, uso. Esta información existe en catastros municipales y registros de propiedad en la mayoría de los países de LATAM, aunque con calidad irregular. Colombia (IGAC), México (INEGI) y Panamá (Registro Público) tienen cobertura razonable. En otros mercados, los datos están desactualizados por años.
Ciclo de tenencia: tiempo desde la última transacción, número de transferencias anteriores, fecha de compra. En LATAM, los registros públicos contienen este dato cuando la propiedad se escrituró formalmente. El problema es el porcentaje de inmuebles con transferencias informales: cada transferencia sin escritura deja un hueco en el historial que el modelo no puede llenar.
Salud financiera: equity estimado, detalles de hipoteca, tasas aplicadas, embargos activos. Este es el mayor diferencial. En EE.UU., los datos hipotecarios son registros públicos accesibles a cualquier plataforma. En México, Colombia o Panamá, las instituciones financieras no comparten esa información de forma estructurada, y los sistemas de buró de crédito tienen acceso restringido. Un modelo que depende del equity flotante no puede calcularlo con la misma precisión en LATAM.
Disparadores conductuales: solicitudes de permisos de obra, divorcios registrados, procesos de pre-ejecución hipotecaria. En LATAM, los permisos de construcción son públicos en la mayoría de países y son una señal relevante. Los registros de divorcios son accesibles pero difíciles de cruzar con datos de propiedad de forma automatizada. Los pre-embargos existen pero la digitalización varía radicalmente por país.
Contexto macroeconómico: inventario disponible en la zona, movimiento de tasas, proyectos de desarrollo cercanos. Este es el dato que más agencias de LATAM pueden construir por su cuenta: tiempo en mercado de propiedades similares en los últimos 90 días, tasa de absorción de la zona, apertura de nuevos proyectos de construcción. No requiere datos de terceros: sale del CRM y de los portales públicos.
El resultado cuando los datos están completos
Cuando el modelo accede a señales completas, los resultados son concretos. Agencias que adoptan scoring de propensión alcanzan al 76% más de propietarios potenciales con tres veces la precisión de la prospección convencional, y la conversión de leads a citas mejora entre 25% y 40% (Luxury Presence, 2026).
En México, el mercado de LATAM donde esta aplicación ha avanzado más, desarrolladoras que operan con herramientas de analítica predictiva reducen su costo de adquisición de cliente entre 30% y 41%, y pasan de 2 citas semanales a 11, según datos de Trichter Consulting citados por El Imparcial en abril de 2026. Doorvel, ganadora del GRI Award como Mejor PropTech México 2025, construye parte de su propuesta sobre filtrado avanzado de leads y analítica de comportamiento.
El dato de adopción (6% según la NAR) no indica que el mercado no sirve para esto. Es lo contrario: quienes lo adoptan primero compiten por los mismos propietarios con menos agentes en su camino.
Lo que una agencia de LATAM puede construir hoy
El modelo de 800 señales con datos hipotecarios abiertos no existe a escala en LATAM. Lo que sí existe son los bloques para construir una versión funcional, menos precisa pero útil.
Historial propio del CRM. Un propietario contactado hace 14 meses que no firmó, una propiedad que estuvo en el mercado y fue retirada, un cliente que solicitó una valuación sin concretar: todos son señales de intención latente. Las agencias con historial en una zona tienen datos que ninguna plataforma externa tiene, y son los más difíciles de copiar.
Registros públicos accesibles. En Colombia, el folio de matrícula inmobiliaria. En México, el Registro Público de la Propiedad. En Panamá, el Registro Público. La fecha de la última transacción y el número de transferencias son señales disponibles hoy, gratuitas, y pocas agencias las cruzan sistemáticamente con su base de prospectos activos.
Comportamiento en portales. Cuántas veces publicó el mismo inmueble un propietario, si redujo precio, si lo retiró. Ningún portal de LATAM comparte esos datos con agencias externas hoy, pero es una presión que los portales regionales van a enfrentar a medida que los modelos de datos maduran, como ya ocurrió en mercados europeos y en EE.UU.
Señales macroeconómicas de zona. Tiempo en mercado promedio de los últimos 90 días, nuevas obras en el barrio, cambios en densidad comercial. Los mejores agentes de zona ya construyen esto de forma manual. La IA puede automatizar ese cruce con fuentes de datos públicas.
Qué hacer con esto
El scoring de propensión a vender no requiere 800 señales para ser útil. Requiere las señales correctas, combinadas con el historial real de la agencia.
El primer paso no es comprar una plataforma. Es auditar qué datos propios tiene la agencia: contactos con historial de interacción en los últimos 3 años, propiedades que estuvieron en el mercado y se retiraron, clientes que solicitaron una valuación informal. Ese es el primer conjunto de entrenamiento.
El segundo paso es cruzar ese historial con fechas de la última transacción en registros públicos. Las propiedades compradas hace 7 a 12 años en zonas con valorización sostenida tienen propensión estadísticamente más alta a entrar al mercado en los próximos 18 meses. No hay IA sofisticada detrás de esa afirmación: es aritmética de mercado que pocas agencias calculan de forma sistemática.
La distancia entre el modelo de 800 señales en EE.UU. y lo que una agencia en Bogotá, Ciudad de México o Panamá puede construir hoy es una cuestión de acceso a datos, no de capacidad computacional. Las agencias que estructuran sus propios datos ahora son las que van a beneficiarse primero cuando esa integración llegue.