AI har magten til at revolutionere udlån, men til en pris for folk med lavere kreditscore

Da kunstig intelligens (AI) støt øger sit greb om den globale økonomi, er forbrugerpriserne et af mange områder, der er modne til forstyrrelse. I situationer, hvor forskellige forbrugere tilbydes det samme produkt eller den samme service til forskellige priser, er det nu muligt at tage skønnet fra personalet og bruge en computer til at beregne den bedste pris ved hjælp af en kombination af historiske prisdata, maskinlæringsmuligheder og algoritmer.

Flyselskaber som Virgin Atlantic bruger for eksempel maskinlæring til at tilbyde mere konkurrencedygtige flypriser. (Du tror måske, at flybilletter er standardiserede, men faktisk er de påvirket af adskillige variabler, såsom hvor du bor). På samme måde er bankerne på vej i denne retning med realkreditlån.

Mere generelt har lånepriser potentiale til at blive transformeret. Min forskergruppe har for nylig offentliggjort et papir, der ser på billån i Nordamerika. Ved at anvende maskinlæring på tusindvis af lånebeslutninger gennem forhandlere, fandt vi ud af, at fortjenesten kunne være hævet med 34 %.

Dette har dog en omkostning:Det ville betyde, at de mere risikable låntagere skulle betale lidt mere for deres lån end i øjeblikket. Som vi skal se, er der nogle formildende faktorer til dette, som nogle måske vil hævde endda retfærdiggør omkostningerne. Uanset hvad, rejser det søgende spørgsmål om fremtiden for udlån.

Skiftet til variabel prissætning

Indtil for få årtier siden var priserne på lån ens for alle. Det begyndte at ændre sig efter indførelsen af ​​kreditscore i slutningen af ​​1980'erne. Disse blev ofte brugt til at gøre lån lidt dyrere for kunder med højere risiko.

Det var dels for at dække omkostningerne ved, at kreditorer skulle følge op på misligholdelser og afskrive tab på debitorer, og dels fordi mere risikable kunder er mindre tilbøjelige til at gå væk fra lån med mere byrdefulde betingelser. Det vil sige, at de er mindre prisfølsomme end andre låntagere – primært fordi deres muligheder er mere begrænsede.

Når det kommer til prisfastsættelse, bliver beslutningerne ofte uddelegeret til sælgere. De bedste oplysninger om denne praksis kommer fra en undersøgelse fra 2014 i Tyskland, som viste, at 72 % af virksomheder, der spænder over flere brancher, inklusive finansielle tjenesteydelser, gjorde det.

Billånssektoren er et klassisk eksempel. Långivere overlader sælgere i forhandlere til at bestemme kundernes lånevilkår, herunder renter, indskudsstørrelse og lånets varighed. I årtier har dette været noget af en antaget "best practice". Sælgeres evne til subjektivt at vurdere kundernes prisfølsomhed på salgsstedet er blevet betragtet som en unik konkurrencefordel. Og på trods af AI's potentiale til at træffe mere præcise beslutninger ved hjælp af meget mere data, er denne sektor knap begyndt at bruge det i lånepriser.

Vi ønskede at kvantificere størrelsen af ​​muligheden. Vi samarbejdede med en biludlåner i Canada og brugte deres historiske data til at opbygge en statistisk model til at tage højde for de kritiske beslutninger, som långiveren, sælgerne og kunderne har truffet. Vores algoritme estimerede derefter virkningen af ​​forskellige lånepriser på en kundes beslutning om at acceptere eller afvise de tilbudte vilkår. Derfra kunne vi bestemme prisen, der maksimerede fortjenesten for långiveren.

Vores resultater bekræftede, at kunder reagerer forskelligt på lånepriser, primært afhængigt af deres risikoprofil. Selvom deres prisfølsomhed kan variere mellem lande eller sektorer, vil det faktum, at dette er et almindeligt fænomen, sandsynligvis betyde, at vores resultater i vid udstrækning kan overføres.

Hvad vi fandt

Grafen nedenfor viser, hvordan vores algoritme ville have omregnet lån til vores långiverpartner. Lånene bliver lidt billigere for lavere- og mellemrisikokunder (tier 1 og tier 2), og dyrere for den højeste risikogruppe (tier 3). Mens de lån, som sælgerne tilbyder, allerede var prissat omkring 0,5 procentpoint højere i gennemsnit for tier-3-kunder end dem i tier 1, beregnede algoritmen, at forhandlere kunne opkræve højrisikokunder 1,07 point mere.

AI v menneskeligt lån indstilling

Långiveren ville drage fordel af dette, fordi de kunne opkræve yderligere renter for at bære ekstra risiko. Umiddelbart taber den risikable låntager, selvom det ikke er så ligetil, som det først ser ud til.

I det virkelige liv var långivers godkendelsesprocent for lån til kunder med lavere risiko over 50 procentpoint mere end for kunder med høj risiko. Vi tror, ​​det er meget sandsynligt, at brug af et AI-system til prisfastsættelse vil øge andelen af ​​lånegodkendelser for mere risikable kunder markant, da långivere ville blive mere fuldt kompenseret for at handle med dem.

Lånegodkendelsessats efter risikoniveau

Det er også værd at understrege, at den øgede forskel i lånepriser ved brug af AI-systemet er lille. På et treårigt lån på £20.000 (34.338 C$) er det forskellen mellem £658 pr. måned for lavrisikokunder (ved 12 % ÅOP) og £668 pr. måned for højrisikokunder (ved 13,1 % ÅOP).

Hvad nu

Ifølge vores resultater kan data af god kvalitet erstatte den information, som sælgere kan generere på salgsgulvet. Under sådanne omstændigheder er AI-baseret centraliseret prissætning den klare vinder i kapløbet om profit.

Det er yderst sandsynligt, at långivere vil drage fordel af disse nye teknologier i de kommende år, på trods af at de hidtil har været langsomme til at anvende maskinlæring til prisbeslutninger. I forventning om dette skift er retfærdighed allerede dukket op som et problem:britiske finanstilsynsmyndigheder advarede for et stykke tid siden banker om, at de kun kunne bruge kunstig intelligens til lån, hvis de beviser, at tilgangen ikke er til ulempe for dem, der allerede har svært ved at få lån.

Som vi har set, kan højrisikolåntagere blive både fordelt og ugunstigt stillet af denne teknologi. Efterhånden som virksomheder i stigende grad ønsker at gå over til disse modeller, vil diskussionerne om fordele og ulemper sandsynligvis kun intensiveres.

Leveret af The Conversation

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.