Alors que l’intelligence artificielle (IA) accroît progressivement son emprise sur l’économie mondiale, l’un des nombreux domaines susceptibles d’être perturbés est celui de la tarification à la consommation. Dans les situations où différents consommateurs se voient proposer le même produit ou service à des prix différents, il est désormais possible de retirer toute latitude au personnel et d'utiliser un ordinateur pour calculer le meilleur prix en utilisant une combinaison de données de tarification historiques, de capacités d'apprentissage automatique et d'algorithmes.
Des compagnies aériennes telles que Virgin Atlantic utilisent par exemple l’apprentissage automatique pour proposer des tarifs aériens plus compétitifs. (Vous pourriez penser que les tarifs aériens sont standardisés, mais en réalité ils sont affectés par de nombreuses variables, comme l'endroit où vous vivez). De même, les banques vont dans cette direction avec les prêts hypothécaires.
Plus généralement, la tarification des prêts peut être transformée. Mon groupe de recherche a récemment publié un article sur les prêts automobiles en Amérique du Nord. En appliquant l'apprentissage automatique à des milliers de décisions de prêt auprès des concessionnaires, nous avons constaté que les bénéfices auraient pu être augmentés de 34 %.
Cependant, cela a un coût :cela signifierait facturer aux emprunteurs les plus risqués un peu plus cher qu’actuellement pour leurs prêts. Comme nous le verrons, il existe certains facteurs atténuants qui, selon certains, justifient même le coût. Quoi qu'il en soit, cela soulève des questions approfondies sur l'avenir du prêt.
Il y a encore quelques décennies, les prix des prêts étaient les mêmes pour tout le monde. Cela a commencé à changer après l’introduction des cotes de crédit à la fin des années 1980. Ceux-ci étaient fréquemment utilisés pour rendre les prêts légèrement plus chers aux clients à plus haut risque.
Cela visait en partie à couvrir les coûts des créanciers devant assurer le suivi des défauts de paiement et à annuler les créances douteuses, et en partie parce que les clients les plus risqués sont moins susceptibles de renoncer à des prêts assortis de conditions plus onéreuses. Autrement dit, ils sont moins sensibles aux prix que les autres emprunteurs, principalement parce que leurs options sont plus limitées.
Lorsqu’il s’agit de fixer les prix, les décisions sont fréquemment déléguées aux vendeurs. Les meilleures informations sur cette pratique proviennent d'une étude réalisée en Allemagne en 2014, qui a révélé que 72 % des entreprises couvrant plusieurs secteurs, y compris les services financiers, le faisaient.
Le secteur des prêts automobiles en est un exemple classique. Les prêteurs confient aux vendeurs des concessions le soin de déterminer les conditions de prêt des clients, notamment les taux d'intérêt, le montant du dépôt et la durée du prêt. Pendant des décennies, cela a été en quelque sorte une « meilleure pratique ». La capacité des vendeurs à évaluer subjectivement la sensibilité des clients aux prix au point de vente a été considérée comme un avantage concurrentiel unique. Et malgré le potentiel de l'IA à prendre des décisions plus précises en utilisant beaucoup plus de données, ce secteur commence à peine à l'utiliser dans la tarification des prêts.
Nous voulions quantifier l’ampleur de l’opportunité. Nous nous sommes associés à un prêteur automobile au Canada, en utilisant ses données historiques pour créer un modèle statistique afin de tenir compte des décisions critiques prises par le prêteur, les vendeurs et les clients. Notre algorithme a ensuite estimé l'impact des différents prix de prêt sur la décision d'un client d'accepter ou de rejeter les conditions proposées. À partir de là, nous pourrions déterminer le prix qui maximisait les profits du prêteur.
Nos résultats ont confirmé que les clients réagissent différemment aux prix des prêts, principalement en fonction de leur profil de risque. Bien que leur sensibilité aux prix puisse varier selon les pays ou les secteurs, le fait qu'il s'agisse d'un phénomène courant signifie probablement que nos conclusions sont largement transférables.
Le graphique ci-dessous montre comment notre algorithme aurait réévalué les prêts pour notre partenaire prêteur. Les prêts deviennent un peu moins chers pour les clients à risque faible et moyen (niveau 1 et niveau 2) et plus chers pour le groupe à risque le plus élevé (niveau 3). Alors que les prêts proposés par les vendeurs étaient déjà en moyenne environ 0,5 point de pourcentage plus élevés pour les clients de niveau 3 que pour ceux de niveau 1, l'algorithme a calculé que les concessionnaires pourraient facturer aux clients à haut risque 1,07 points de plus.
Le prêteur en bénéficierait car il pourrait percevoir des intérêts supplémentaires pour supporter un risque supplémentaire. À première vue, l'emprunteur à risque est perdant, même si ce n'est pas aussi simple qu'il y paraît à première vue.
Dans la réalité, le taux d'approbation des prêteurs pour les prêts accordés aux clients à faible risque était de plus de 50 points de pourcentage supérieur à celui accordé aux clients à risque plus élevé. Nous pensons qu'il est très probable que l'utilisation d'un système d'IA pour la tarification augmenterait considérablement la proportion d'approbations de prêts pour les clients les plus risqués, puisque les prêteurs seraient mieux rémunérés pour faire affaire avec eux.
Il convient également de souligner que la différence accrue entre les prix des prêts utilisant le système d’IA est faible. Sur un prêt de 20 000 £ (34 338 $ CA) sur trois ans, c'est la différence entre 658 £ par mois pour les clients à faible risque (à un TAEG de 12 %) et 668 £ par mois pour les clients à haut risque (à un TAEG de 13,1 %).
Selon nos conclusions, des données de bonne qualité peuvent remplacer les informations que les vendeurs peuvent générer sur le lieu de vente. Dans de telles circonstances, la tarification centralisée basée sur l'IA est clairement la gagnante dans la course aux profits.
Il est extrêmement probable que les prêteurs voudront tirer parti de ces nouvelles technologies dans les années à venir, même s’ils ont mis jusqu’à présent du temps à adopter l’apprentissage automatique pour les décisions de tarification. En prévision de ce changement, l’équité est déjà apparue comme un problème :les régulateurs financiers britanniques ont averti il y a quelque temps les banques qu’elles ne pourraient utiliser l’IA pour les prêts que si elles prouvent que cette approche ne désavantage pas ceux qui ont déjà des difficultés à obtenir des prêts.
Comme nous l'avons vu, les emprunteurs à haut risque peuvent être à la fois avantagés et désavantagés par cette technologie. Alors que les entreprises souhaitent de plus en plus adopter ces modèles, les discussions sur les avantages et les inconvénients ne feront que s'intensifier.
Fourni par The Conversation
Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lisez l'article original. 
