Ocenianie ryzyka pożyczek przy użyciu programu SQL Server

Maszyny wirtualne Data Science Virtual Machine
SQL Server
Power BI

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub opinie!

Korzystając SQL Server 2019 r. z usługami Machine Learning Services, instytucję finansową można wykorzystać do analizy predykcyjnej w celu zmniejszenia liczby pożyczek oferowanych tym osobom, które najprawdopodobniej nie spowodują ich spłaty, co zwiększa rentowność portfela pożyczek.

Architektura

Diagram architektury Pobierz format SVG tej architektury.

Przepływ danych

Uruchom usługę Azure Windows lub Linux w wersji Data Science Virtual Machine. Połączenie do źródła danych. Używaj preferowanego środowiska IDE do tworzenia modeli w językach Python i R. Gdy model będzie gotowy, opublikuj go w SQL Server, Azure Machine Learning lub Power BI.

Omówienie

Gdybyśmy mieli piłkę z skrypcie, pozykalibyśmy pieniądze tylko dla kogoś, kto wiedział, że spłac nas z powrotem. Instytucja, która jest w stanie wykorzystać analizę predykcyjną, może zmniejszyć liczbę pożyczek udzielanych tym osobom, które najprawdopodobniej nie spowodują ich spłaty, co zwiększa zyskowność portfela pożyczek. To rozwiązanie wykorzystuje symulowane dane dla małej osobistej instytucji finansowej pożyczek, budowania modelu, który pomoże wykryć, czy pomocnik nie spłaca pożyczki.

Perspektywa biznesowa

Użytkownik biznesowy używa przewidywanych wyników, aby określić, czy udzielić pożyczki. Dostraja swoje przewidywanie przy użyciu pulpitu nawigacyjnego Power BI, aby zobaczyć liczbę pożyczek i łączną kwotę zaoszczędioną w różnych scenariuszach. Pulpit nawigacyjny zawiera filtr oparty na percentylach przewidywanych wyników. Po wybraniu wszystkich wartości sprawdza wszystkie pożyczki w próbce testowej i może sprawdzać, ile z nich jest domyślnych. Następnie, sprawdzając tylko najwyższy percentyl (100), podsunął informacje o pożyczkach z przewidywanym wynikiem w 1% najlepszym. Zaznaczenie wielu pól ciągłych umożliwia mu znalezienie punktu cichu, z którym jest w stanie korzystać jako przyszłe kryteria akceptacji pożyczki.

Użyj przycisku Wypróbuj teraz poniżej, aby wyświetlić pulpit Power BI nawigacyjny.

badacze dancyh perspektywa

SQL Server Machine Learning Services przetwarza dane, uruchamiając r na komputerze, który hostuje bazę danych. Obejmuje usługę bazy danych, która działa poza SQL Server i bezpiecznie komunikuje się ze środowiskiem uruchomieniowym języka R.

To rozwiązanie przeprowadza przez kroki tworzenia i uściślania danych, trenowania modeli R i oceniania na SQL Server maszynowym. Końcowa tabela z ocenami baz danych w SQL Server daje przewidywany wynik dla każdego potencjalnego zagrożenia. Te dane są następnie wizualizowane w Power BI.

Naukowcy zajmujący się testowaniem i opracowywaniem rozwiązań mogą pracować z wygodą środowiska IDE W R na komputerze klienckim, jednocześnie wypychając obliczenia na maszynę SQL Server . Ukończone rozwiązania są wdrażane do SQL Server 2019 r. przez osadzanie wywołań do R w procedurach składowanych. Te rozwiązania można następnie dodatkowo zautomatyzować za pomocą SQL Server Integration Services i SQL Server agenta.

Użyj poniższego przycisku Wd wdrażaj, aby utworzyć maszynę wirtualną zawierającą dane, kod R, kod SQL i bazę danych SQL Server 2016 (Pożyczek), która zawiera pełne rozwiązanie.

Składniki

  • SQL Server Machine Learning Services:SQL Server przechowuje dane pożyczkodawcy i klienta. Analiza oparta na r zapewnia trenowania i przewidywane modele, a także przewidywane wyniki użycia.
  • DsVM udostępnia interaktywny pulpit nawigacyjny z wizualizacją, która używa danych przechowywanych w SQL Server do podejmowania decyzji dotyczących przewidywań.
  • Power BI udostępnia interaktywny pulpit nawigacyjny z wizualizacją, która używa danych przechowywanych w SQL Server do podejmowania decyzji dotyczących przewidywań.

Zobacz też