Undersøgelse af billånere viser, at kunstig intelligens kan afbøde skævhed og åbne udlån til marginaliserede kunder

Långivere, der opererer i indirekte detailkanaler, såsom bilforhandlere, kunne forbedre deres fortjenstmargener med over en tredjedel ved at bruge kunstig intelligens til at støtte detailhandlernes sælgere i stedet for at stole på sælgere alene til at prissætte lån efter deres skøn, ny forskning offentliggjort i European Journal of Marketing fra University of Bath viser.

Undersøgelsen af ​​udlån hos bilforhandlere i Canada viste også, at brug af kunstig intelligens og centraliseret prisfastsættelse i virksomhedens hovedkvarter potentielt kunne afbøde menneskelig skævhed og forbedre adgangen til lån til personer med traditionelt lave kreditgodkendelsessatser. Sådanne mennesker kunne ellers have fået afslag på kredit på grund af uoptimerede beslutninger om lånepriser truffet af sælgere.

"I bund og grund så vi på, om analysebaserede modeller var bedre til at prissætte lån til den gennemsnitlige kunde end sælgere og fandt ud af, at så længe en virksomhed har adgang til omfattende data om deres kunder, kan AI-modeller identificere prisfølsomhed bedre, end folk kan, " sagde Dr. Christopher Amaral fra universitetets School of Management.

"Mange virksomheder har sådanne data, men udnytter dem ikke bedst muligt. Men at skifte til diskriminerende - eller skræddersyede - priser fra AI har potentialet til at øge profitten betydeligt. Lige så vigtigt kan det åbne op for lån til folk, der har kæmpet for at få kredit. tidligere, fordi analysebaserede tilgange kan identificere priser, der vil fungere for dem og også sikre en balance mellem profit og risiko for en långiver," sagde Dr. Amaral.

Undersøgelsen, "Konsekvensen af ​​diskriminerende prisfastsættelse baseret på kunderisiko:en empirisk undersøgelse ved hjælp af indirekte udlån gennem detailnetværk," viste, at brug af analysedrevet prissætning baseret på kunderisiko og optimering af sælgeres provisioner kunne øge fortjenesten med 34 %.

Undersøgelsens medforfatter, Dr. Ceren Kolsarici fra Smith School of Business ved Queen's University i Canada, bemærkede, at diskriminerende prisfastsættelse - f.eks. at fastsætte prisen på et lån i henhold til en kundes kreditscore - ikke var lovlig i alle lande, og at mange lande specificerede, at lån skulle tilbydes til samme pris til enhver forbruger.

"Mange finansielle institutioner har også været på vagt over for at omfavne AI og diskriminerende prisfastsættelse, muligvis på grund af frygt for et kundetilbageslag over AI-bias, hvilket er et velrapporteret fænomen. Jeg vil dog hævde, at brug af AI, der er baseret på velforstået og gennemsigtig maskinlæring, snarere end uddelegering af salgsstyrkens prisfastsættelse og 'rene' data, der udelukker demografi som alder, køn eller race, har potentialet til at afbøde menneskelige og AI-bias i sådanne beslutninger," sagde hun.

Dr. Amaral sagde, at undersøgelsen, i et forsøg på at reducere bias, fokuserede på faktorer som forbrugerkreditscore, belåningsgrad, typer af køretøjer, der finansieres, og prisen på køretøjet. Det var også baseret på en gennemsnitlig kunde – en med en rimelig kreditscore snarere end på yderpunkterne af ratings.

Undersøgelsen fokuserede på forretningen med billån, men Dr. Amaral sagde, at resultaterne kunne gælde for ethvert lån, hvor et aktiv er involveret, såsom hvidevarer.

"Men udbredelse i sektorer, hvor personlige relationer var nøglen til transaktioner og prisfastsættelse, såsom business-to-business, ville sandsynligvis være af mere begrænset fordel," sagde han.

Flere oplysninger: Christopher Amaral et al., Effekten af ​​diskriminerende prisfastsættelse baseret på kunderisiko:en empirisk undersøgelse ved hjælp af indirekte udlån gennem detailnetværk, European Journal of Marketing (2023). DOI:10.1108/EJM-05-2021-0377

Leveret af University of Bath