L’étude sur les prêts chez les concessionnaires automobiles au Canada a également démontré que l’utilisation de l’IA et d’une tarification centralisée au siège social de l’entreprise pourrait potentiellement atténuer les préjugés humains et améliorer l’accès aux prêts pour les personnes ayant des taux d’approbation de crédit traditionnellement faibles. Autrement, ces personnes auraient pu se voir refuser un crédit en raison de décisions de tarification non optimisées prises par les vendeurs.

"Essentiellement, nous avons examiné si les modèles basés sur l'analyse étaient plus efficaces pour évaluer les prêts pour le client moyen que pour les vendeurs et avons constaté que, tant qu'une entreprise a accès à des données riches sur ses clients, les modèles d'IA peuvent identifier la sensibilité aux prix mieux que les gens. " a déclaré le Dr Christopher Amaral de l'École de gestion de l'Université.

« De nombreuses entreprises disposent de telles données mais n'en font pas le meilleur usage. Mais le passage à des prix discriminatoires ou adaptés grâce à l'IA pourrait potentiellement augmenter considérablement les bénéfices. Tout aussi important, cela pourrait ouvrir les prêts aux personnes qui ont eu du mal à obtenir du crédit. dans le passé, car les approches basées sur l'analyse peuvent identifier les prix qui leur conviennent et également préserver un équilibre entre profits et risques pour un prêteur", a déclaré le Dr Amaral.

L'étude intitulée « L'impact d'une tarification discriminatoire basée sur le risque client :une enquête empirique utilisant des prêts indirects via les réseaux de vente au détail » a montré que l'utilisation d'une tarification basée sur l'analyse basée sur le risque client et l'optimisation des commissions des vendeurs pourraient augmenter les bénéfices de 34 %.

Le co-auteur de l'étude, le Dr Ceren Kolsarici de la Smith School of Business de l'Université Queen's au Canada, a noté que la tarification discriminatoire (fixer le prix d'un prêt en fonction de la cote de crédit d'un client par exemple) n'était pas légale dans tous les pays et que de nombreux les pays ont précisé que les prêts devaient être offerts au même prix à tout consommateur.

"En outre, de nombreuses institutions financières hésitent à adopter l'IA et les prix discriminatoires, peut-être en raison des craintes d'une réaction négative des clients face aux préjugés de l'IA, un phénomène bien connu. Cependant, je dirais que l'utilisation d'une IA basée sur Un apprentissage automatique bien compris et transparent, plutôt qu'une délégation de tarification par les forces de vente, et des données « propres » qui excluent les données démographiques telles que l'âge, le sexe ou la race, ont le potentiel d'atténuer les préjugés humains et IA dans de telles décisions », a-t-elle déclaré.

Le Dr Amaral a déclaré que l'étude, dans un effort pour réduire les biais, s'est concentrée sur des facteurs tels que les cotes de crédit des consommateurs, les ratios prêt/valeur, les types de véhicules financés et le prix du véhicule. Il était également basé sur un client moyen, c'est-à-dire un client ayant une cote de crédit raisonnable plutôt que des notes extrêmes.

L'étude s'est concentrée sur les prêts automobiles, mais le Dr Amaral a déclaré que les résultats pourraient s'appliquer à tout prêt impliquant un actif, comme les appareils électroménagers.

"Cependant, le déploiement dans des secteurs où les relations personnelles sont essentielles aux transactions et à la tarification, comme le commerce interentreprises, présenterait probablement des avantages plus limités", a-t-il déclaré.