Risque lié aux prêts avec SQL Server

Data Science Virtual Machine
SQL Server
Power BI

Idée de solution

Si vous souhaitez nous voir développer cet article avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le nous savoir avec les Commentaires de GitHub.

À l’aide de SQL Server 2019 avec Machine Learning Services, un établissement de prêt peut tirer parti de l’analyse prédictive pour réduire le nombre de prêts qu’il offre aux emprunteurs les plus susceptibles de ne pas pouvoir rembourser, ce qui lui permet d’augmenter la rentabilité de son portefeuille de prêts.

Architecture

Diagramme d’architecture Télécharger une SVG de cette architecture.

Data Flow

Démarrez une version Windows ou Linux d’Azure Data Science Virtual Machine. Connectez-vous à la source de données. Utilisez l’IDE de votre choix pour développer des modèles Python et R. Lorsque le modèle est prêt, publiez-le sur SQL Server, Azure Machine Learning ou Power BI.

Vue d’ensemble

Si nous avions une boule de cristal, nous nous contenterions de prêter de l’argent à quelqu’un dont nous serions certains qu’il nous remboursera. Un établissement de prêt peut tirer parti de l’analyse prédictive pour réduire le nombre de prêts qu’il offre aux emprunteurs les plus susceptibles de ne pas pouvoir rembourser, ce qui lui permet d’augmenter la rentabilité de son portefeuille de prêts. Cette solution utilise des données simulées pour une petite institution financière de prêt personnel, créant un modèle pour aider à détecter si l’emprunteur sera dans l’incapacité de rembourser.

Perspective commerciale

L’utilisateur se sert des scores prédits pour déterminer s’il convient ou non d’accorder un prêt. Il ajuste sa prédiction à l’aide du tableau de bord Power BI pour voir le nombre de prêts et le montant total en dollars économisé dans différents scénarios. Le tableau de bord inclut un filtre basé sur des centiles des scores prédits. Lorsque toutes les valeurs sont sélectionnées, il affiche tous les emprunts de l’exemple de test et peut inspecter les informations sur le nombre d’entre eux qui sont en défaut. Ensuite, en vérifiant simplement le centile supérieur (100), il accède aux informations sur les emprunts dont le score prédit s’inscrit dans le 1 % supérieur. La vérification de plusieurs cases contiguës lui permet de trouver un seuil de coupure convenable à utiliser comme critère d’acceptation de prêt à l’avenir.

Utilisez le bouton Essayer maintenant ci-dessous pour afficher le tableau de bord Power BI.

Perspective du scientifique des données

SQL Server Machine Learning Services apporte le calcul aux données en exécutant R sur l’ordinateur qui héberge la base de données. Cela inclut un service de base de données qui s’exécute en dehors du processus SQL Server et communique de façon sécurisée avec le runtime R.

Cette solution vous guide tout au long des étapes de création et d’affinage des données, de formation des modèles R et d’exécution d’un scoring sur l’ordinateur SQL Server. La table de base de données avec le score final dans SQL Server indique un score prédit pour chaque emprunteur potentiel. Ces données sont ensuite visualisées dans Power BI.

Les scientifiques des données qui testent et développent des solutions peuvent exploiter leur environnement de développement intégré R sur leur ordinateur client, tout en transmettant les calculs à l’ordinateur SQL Server. Les solutions terminées sont déployées sur SQL Server 2019 en incorporant des appels à destination de R dans des procédures stockées. Ces solutions peuvent ensuite être automatisées avec SQL Server Integration Services et SQL Server Agent.

Utilisez le bouton Déployer ci-dessous pour créer une machine virtuelle incluant les données, le code R, le code SQL et une base de données SQL Server 2016 (Prêts) contenant la solution complète.

Composants

  • SQL Server Machine Learning Services : SQL Server stocke les données du prêteur et de l’emprunteur. L’analytique basée sur R fournit des modèles d’apprentissage et prédits, ainsi que des résultats prédits pour la consommation.
  • Data Science Virtual Machine fournit un tableau de bord interactif avec une visualisation qui utilise des données stockées dans SQL Server pour déterminer des décisions sur les prédictions.
  • Power BI fournit un tableau de bord interactif avec une visualisation qui utilise des données stockées dans SQL Server pour déterminer des décisions sur les prédictions.

Voir aussi