Rischio di credito su prestiti con SQL Server

Data Science Virtual Machine
SQL Server
Power BI

Soluzione idea

Per ulteriori informazioni, dettagli sull'implementazione, indicazioni sui prezzi o esempi di codice, vedere l'articolo relativo all'espansione di questo articolo con commenti e suggerimenti su GitHub.

Utilizzando SQL Server 2019 con Machine Learning Services, un Istituto di credito può avvalersi dell'analisi predittiva per ridurre il numero di prestiti offerti ai mutuatari più probabilmente predefiniti, aumentando la redditività del portfolio di prestiti.

Architettura

Diagramma dell'architettura scaricare un SVG di questa architettura.

Flusso di dati

Avviare una versione di Windows o Linux del Data Science Virtual Machine di Azure. Effettuare la connessione all'origine dati. Usa l'IDE preferito per sviluppare modelli Python e R. Quando il modello è pronto, pubblicarlo in SQL Server, Azure Machine Learning o Power BI.

Panoramica

Se avessimo una palla di cristallo, avremmo pagato solo denaro per qualcuno che sapevamo. Un Istituto di credito può avvalersi dell'analisi predittiva per ridurre il numero di prestiti offerti ai mutuatari con maggiore probabilità per impostazione predefinita, aumentando il redditività del portafoglio di prestiti. Questa soluzione USA dati simulati per un piccolo istituto finanziario di prestito personale, creando un modello per aiutare a rilevare se il mutuatario utilizzerà per impostazione predefinita un prestito.

Prospettiva aziendale

L'utente aziendale utilizza i punteggi previsti per determinare se concedere o meno un prestito. Ottimizza la stima usando il dashboard Power BI per visualizzare il numero di prestiti e l'importo totale del dollaro salvato in diversi scenari. Il dashboard include un filtro basato sui percentile dei punteggi stimati. Quando tutti i valori sono selezionati, Visualizza tutti i prestiti nell'esempio di test ed è in grado di controllare le informazioni relative al numero di impostazioni predefinite. Quindi controllando solo il percentile superiore (100), esegue il drill-down per ottenere informazioni sui prestiti con un punteggio stimato nell'1% superiore. Il controllo di più caselle continue consente all'IT di trovare un punto di interruzione che è comodo usare come criterio di accettazione del prestito futuro.

Usare il pulsante prova adesso per visualizzare il dashboard Power bi.

Prospettiva data scientist

SQL Server Machine Learning Services consente di portare il calcolo sui dati eseguendo R nel computer che ospita il database. Include un servizio di database che viene eseguito all'esterno del processo di SQL Server e comunica in modo sicuro con il runtime di R.

Questa soluzione illustra i passaggi per creare e perfezionare i dati, eseguire il training di modelli R e assegnare punteggi alla macchina SQL Server. La tabella di database finale con punteggio in SQL Server fornisce un punteggio stimato per ogni potenziale mutuatario. Questi dati vengono quindi visualizzati in Power BI.

I data scientist che si occupano di test e sviluppo di soluzioni possono usare il proprio IDE R nel computer client, mentre eseguono il push del calcolo nel computer SQL Server. Le soluzioni completate vengono distribuite a SQL Server 2019 incorporando le chiamate a R nelle stored procedure. Queste soluzioni possono essere ulteriormente automatizzate con SQL Server Integration Services e SQL Server Agent.

Usare il pulsante Distribuisci di seguito per creare una macchina virtuale che includa i dati, il codice R, il codice SQL e un database SQL Server 2016 (loans) che contiene la soluzione completa.

Componenti

  • SQL Server Machine Learning Services: SQL Server archivia i dati del prestito e del mutuatario. Le analisi basate su R forniscono modelli di training e stimati, nonché risultati stimati per l'utilizzo.
  • DSVM fornisce un dashboard interattivo con visualizzazione che usa i dati archiviati in SQL Server per prendere decisioni sulle stime.
  • Power bi fornisce un dashboard interattivo con visualizzazione che usa i dati archiviati in SQL Server per prendere decisioni sulle stime.

Vedi anche