Långivare som verkar i indirekta detaljhandelskanaler som bilhandlare skulle kunna förbättra sina vinstmarginaler med över en tredjedel genom att använda artificiell intelligens för att stödja återförsäljarnas säljare snarare än att förlita sig på att enbart säljare prissätter lån efter eget gottfinnande, ny forskning publicerad i European Journal of Marketing från University of Bath visar.
Studien av utlåning hos bilhandlare i Kanada visade också att användning av AI och centraliserad prissättning vid företagets huvudkontor potentiellt skulle kunna mildra mänsklig fördom och förbättra tillgången till lån för personer med traditionellt låga kreditgodkännanden. Sådana människor kan annars ha nekats kredit på grund av ooptimerade beslut om låneprissättning som fattats av säljare.
"Vi tittade i huvudsak på om analysbaserade modeller var bättre på att prissätta lån för den genomsnittliga kunden än säljare och fann att så länge ett företag har tillgång till rik data om sina kunder kan AI-modeller fastställa priskänslighet bättre än vad människor kan, " sa Dr Christopher Amaral från universitetets School of Management.
"Många företag har sådan data men utnyttjar den inte på bästa sätt. Men att övergå till diskriminerande – eller skräddarsydd – prissättning av AI har potential att öka vinsten avsevärt. Lika viktigt kan det öppna upp för lån till personer som har kämpat för att få krediter. tidigare eftersom analysbaserade tillvägagångssätt kan fastställa prissättning som kommer att fungera för dem och även säkra en balans mellan vinst och risk för en långivare," sa Dr. Amaral.
Studien, "The impact of discriminatory pricing based on customer risk:an empirical study using indirect lending through retail networks," visade att användning av analysdriven prissättning baserad på kundrisk och optimering av säljarnas provisioner kan öka vinsten med 34 %
Studiens medförfattare, Dr. Ceren Kolsarici från Smith School of Business vid Queen's University i Kanada, noterade att diskriminerande prissättning – att sätta priset på ett lån enligt till exempel en kunds kreditvärdighet – inte var lagligt i alla länder och att många länder specificerade att lån måste erbjudas till samma pris till alla konsumenter.
"Dessutom har många finansiella institutioner varit försiktiga med att ta till sig AI och diskriminerande prissättning, möjligen på grund av rädsla för kundreaktioner över AI-bias, vilket är ett välrapporterat fenomen. Jag skulle dock hävda att användning av AI som är baserad på välförstådd och transparent maskininlärning, snarare än delegering av säljkårens prissättning, och "rena" data som utesluter demografi som ålder, kön eller ras, har potentialen att mildra mänskliga och AI-fördomar i sådana beslut", sa hon.
Dr Amaral sa att studien, i ett försök att minska partiskhet, fokuserade på faktorer som konsumentkreditvärden, belåningsgrad, typer av fordon som finansieras och priset på fordon. Den baserades också på en genomsnittlig kund – en med en rimlig kreditvärdighet snarare än på de yttersta betygen.
Studien fokuserade på billån, men Dr. Amaral sa att resultaten kan gälla alla lån där en tillgång är inblandad, såsom vitvaror.
"Men användningen i sektorer där personliga relationer var nyckeln till transaktioner och prissättning, såsom business-to-business, skulle sannolikt vara av mer begränsad nytta", sa han.
Mer information: Christopher Amaral et al, Effekten av diskriminerande prissättning baserad på kundrisk:en empirisk undersökning som använder indirekt utlåning genom detaljhandelsnätverk, European Journal of Marketing (2023). DOI:10.1108/EJM-05-2021-0377
Tillhandahålls av University of Bath