Rischio di credito su prestiti con SQL Server

Data Science Virtual Machine
SQL Server
Power BI

Idea della soluzione

Se si desidera vedere questo articolo con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o linee guida sui prezzi, è possibile inviare commenti e suggerimenti GitHub!

Usando SQL Server 2019 con Machine Learning Services, un ente creditizio può usare l'analisi predittiva per ridurre il numero di prestiti offerti a questi debitori con maggiore probabilità di in default, aumentando la redditività del portafoglio di prestiti.

Architettura

Diagramma dell'architettura Scaricare un SVG di questa architettura.

Flusso di dati

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

Panoramica

Se si avesse una sfera di cristallo, si prestava solo denaro a qualcuno che si era a sapere che ci avrebbe rimborsato. Un ente creditizio può usare l'analisi predittiva per ridurre il numero di prestiti offerti a questi debitori con maggiore probabilità di in default, aumentando la redditività del portafoglio di prestiti. Questa soluzione usa dati simulati per un piccolo istituto finanziario di prestito personale, creando un modello che consente di rilevare se il prestito verrà utilizzato per impostazione predefinita per un prestito.

Prospettiva aziendale

L'utente aziendale usa i punteggi stimati per determinare se concedere o meno un prestito. Per ottimizzare la stima, usa il dashboard Power BI per visualizzare il numero di prestiti e l'importo totale in dollari risparmiati in scenari diversi. Il dashboard include un filtro basato sui percentili dei punteggi stimati. Quando tutti i valori sono selezionati, visualizza tutti i crediti nell'esempio di test e può esaminare le informazioni sul numero di valori predefiniti. Quindi, controllando solo il percentile superiore (100), esegue il drill-down delle informazioni sui prestiti con un punteggio previsto nel primo 1%. Il controllo di più caselle continue consente di trovare un punto di cutoff con cui è a suo agio per l'uso come criteri di accettazione del prestito futuro.

Usare il pulsante Prova adesso di seguito per visualizzare il dashboard Power BI dashboard.

Scienziato dei dati prospettiva

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

Questa soluzione illustra i passaggi per creare e perfezionare i dati, eseguire il training dei modelli R ed eseguire l'assegnazione dei punteggi SQL Server macchina virtuale. La tabella del database con punteggio finale in SQL Server un punteggio stimato per ogni potenziale debitore. Questi dati vengono quindi Power BI.

I data scientist che stanno testando e sviluppando soluzioni possono lavorare in base alla praticità dell'IDE R nel computer client, durante il push del calcolo SQL Server macchina virtuale. Le soluzioni completate vengono distribuite SQL Server 2019 incorporando le chiamate a R nelle stored procedure. Queste soluzioni possono quindi essere ulteriormente automatizzate con SQL Server Integration Services e SQL Server agent.

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

Componenti

  • SQL Server Machine Learning Servizi:SQL Server i dati del creditore e del debitore. L'analisi basata su R offre training e modelli stimati, nonché risultati stimati per l'utilizzo.
  • DSVM offre un dashboard interattivo con visualizzazione che usa i dati archiviati SQL Server per prendere decisioni sulle stime.
  • Power BI un dashboard interattivo con visualizzazione che usa i dati archiviati SQL Server per prendere decisioni sulle stime.

Vedi anche