Eftersom artificiell intelligens (AI) stadigt ökar sitt grepp om den globala ekonomin, är konsumentprissättningen ett av många områden som är mogna för störningar. I situationer där olika konsumenter erbjuds samma produkt eller tjänst till olika priser är det nu möjligt att ta friheten från personalen och använda en dator för att beräkna det bästa priset med hjälp av en kombination av historiska prisuppgifter, maskininlärningsmöjligheter och algoritmer.
Flygbolag som Virgin Atlantic använder till exempel maskininlärning för att erbjuda mer konkurrenskraftiga flygpriser. (Du kanske tror att flygpriser är standardiserade, men faktiskt påverkas de av många variabler, till exempel var du bor). På samma sätt är bankerna på väg i denna riktning med bolån.
Mer generellt har låneprissättningen potential att förändras. Min forskargrupp publicerade nyligen en artikel som tittade på billån i Nordamerika. Genom att tillämpa maskininlärning på tusentals lånebeslut via återförsäljare fann vi att vinsten kunde ha ökat med 34 %.
Detta kommer dock till en kostnad:det skulle innebära att debiterade mer riskfyllda låntagare lite mer för sina lån än för närvarande. Som vi kommer att se finns det några förmildrande faktorer till detta, som vissa kan hävda till och med motiverar kostnaden. Hur som helst, det väcker sökande frågor om framtiden för utlåning.
Fram till för några decennier sedan var priserna på lån lika för alla. Det började förändras efter införandet av kreditpoäng i slutet av 1980-talet. Dessa användes ofta för att göra lån något dyrare för kunder med högre risk.
Det var dels för att täcka kostnaderna för att borgenärer måste följa upp fallissemang och skriva av osäkra fordringar, dels för att mer riskfyllda kunder är mindre benägna att gå ifrån lån med mer betungande villkor. Det vill säga att de är mindre priskänsliga än andra låntagare – främst för att deras alternativ är mer begränsade.
När det kommer till prissättning delegeras besluten ofta till säljare. Den bästa informationen om denna praxis kommer från en studie från 2014 i Tyskland som visade att 72 % av företag som spänner över flera branscher, inklusive finansiella tjänster, gjorde det.
Billånssektorn är ett klassiskt exempel. Långivare anförtror säljare i återförsäljare att fastställa kundernas lånevillkor, inklusive räntor, inlåningsstorlek och lånets varaktighet. I decennier har detta varit något av en antagen "best practice". Säljarnas förmåga att subjektivt bedöma kundernas priskänslighet vid försäljningsstället har setts som en unik konkurrensfördel. Och trots AI:s potential att fatta mer exakta beslut med mycket mer data, har den här sektorn knappt börjat använda den i låneprissättning.
Vi ville kvantifiera möjlighetens storlek. Vi samarbetade med en billångivare i Kanada och använde dess historiska data för att bygga en statistisk modell för att ta hänsyn till de avgörande beslut som långivaren, säljarna och kunderna tagit. Vår algoritm uppskattade sedan effekten av olika lånepriser på en kunds beslut att acceptera eller avslå de villkor som erbjuds. Därifrån kunde vi bestämma priset som maximerade vinsten för långivaren.
Våra resultat bekräftade att kunder reagerar olika på lånepriser, främst beroende på deras riskprofil. Även om deras priskänslighet kan variera mellan länder eller sektorer, kommer det faktum att detta är ett vanligt fenomen sannolikt att innebära att våra resultat är allmänt överförbara.
Grafen nedan visar hur vår algoritm skulle ha omvärderat lån för vår långivare. Lånen blir lite billigare för låg- och medelriskkunder (nivå 1 och nivå 2), och dyrare för högriskgruppen (nivå 3). Medan de lån som erbjöds av säljarna redan var prissatta cirka 0,5 procentenheter högre i genomsnitt för nivå 3-kunder än de i nivå 1, beräknade algoritmen att återförsäljare kunde ta ut högriskkunder 1,07 punkter mer.
Långivaren skulle dra nytta av detta eftersom de skulle kunna samla in ytterligare ränta för att bära extra risk. Den riskfyllda låntagaren förlorar, även om det inte är så enkelt som det först verkar.
I verkliga livet var långivarens godkännandegrad för lån till kunder med lägre risk över 50 procentenheter högre än för kunder med högre risk. Vi tror att det är mycket troligt att användning av ett AI-system för prissättning avsevärt skulle öka andelen lånegodkännanden för mer riskfyllda kunder, eftersom långivare skulle få mer full kompensation för att göra affärer med dem.
Det är också värt att betona att den ökade skillnaden i lånepriser med AI-systemet är liten. På ett treårigt lån på £20 000 (C$34,338) är det skillnaden mellan £658 per månad för lågriskkunder (vid 12 % APR) och £668 per månad för högriskkunder (vid 13,1 % APR).
Enligt våra resultat kan data av god kvalitet ersätta den information som säljare kan generera på försäljningsgolvet. Under sådana omständigheter är AI-baserad centraliserad prissättning den klara vinnaren i jakten på vinst.
Det är extremt troligt att långivare kommer att vilja dra nytta av dessa nya teknologier under de kommande åren, trots att de hittills varit långsamma med att anta maskininlärning för prisbeslut. I väntan på denna förändring har rättvisa redan kommit upp som ett problem:brittiska finanstillsynsmyndigheter varnade bankerna för ett tag sedan att de bara kunde använda AI för lån om de bevisar att tillvägagångssättet inte missgynnar dem som redan har svårt att få lån.
Som vi har sett kan högrisklåntagare både gynnas och missgynnas av denna teknik. Eftersom företag i allt högre grad vill gå över till dessa modeller kommer diskussionerna om för- och nackdelar sannolikt bara att intensifieras.
Tillhandahålls av The Conversation
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln. 
