Risco de crédito financeiro com o SQL Server

Máquinas Virtuais de Ciência de Dados
SQL Server
Power BI

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

usando o SQL Server 2019 com Machine Learning Services, uma instituição de empréstimo pode usar a análise preditiva para reduzir o número de empréstimos que eles oferecem a esses emprestadores mais prováveis de padrão, aumentando a lucratividade do seu portfólio de empréstimos.

Arquitetura

Diagrama de arquitetura Baixe um SVG dessa arquitetura.

Fluxo de Dados

inicie uma versão Windows ou Linux do Máquina Virtual de Ciência de Dados do Azure. Conecte-se à fonte de dados. Use o IDE preferencial para desenvolver modelos de Python e R. quando o modelo estiver pronto, publique-o em SQL Server, Azure Machine Learning ou Power BI.

Visão geral

Se tivéssemos uma bola de cristal, só Emprestamos dinheiro para alguém que sabíamos nos pedirmos de volta. Uma instituição de empréstimo pode fazer uso de análise preditiva para reduzir o número de empréstimos que eles oferecem a esses emprestadores de maior probabilidade de padrão, aumentando a lucratividade de seu portfólio de empréstimos. Essa solução usa dados simulados para uma pequena instituição financeira de empréstimo pessoal, criando um modelo para ajudar a detectar se o tomador padrão de um empréstimo.

Perspectiva de negócios

O usuário comercial usa as pontuações previstas para ajudar a determinar se deve ou não conceder um empréstimo. ele ajusta sua previsão usando o painel Power BI para ver o número de empréstimos e o valor total de dólar salvo em cenários diferentes. O painel inclui um filtro com base em percentuais das pontuações previstas. Quando todos os valores são selecionados, ele exibe todos os empréstimos no exemplo de teste e pode inspecionar informações sobre quantos deles foram padronizados. Em seguida, verificando apenas o percentual superior (100), ele faz uma busca detalhada sobre os empréstimos com uma pontuação prevista nos maiores 1%. Marcar várias caixas contínuas permite que ele encontre um ponto de corte confortável para usar como um critério de aceitação de empréstimo futuro.

Use o botão experimentar agora abaixo para exibir o painel de Power BI.

Perspectiva do cientista de dados

SQL Server serviços de Machine Learning traz a computação para os dados executando o R no computador que hospeda o database. ele inclui um serviço de banco de dados que é executado fora do processo de SQL Server e se comunica com segurança com o tempo de execução de R.

esta solução percorre as etapas para criar e refinar dados, treinar modelos de R e executar a pontuação na máquina SQL Server. a tabela de banco de dados classificada final no SQL Server fornece uma pontuação prevista para cada empréstimo potencial. Esses dados são visualizados em Power BI.

os cientistas de dados que estão testando e desenvolvendo soluções podem trabalhar da conveniência de seu IDE R em seu computador cliente, ao mesmo tempo em que enviam a computação para a máquina SQL Server. as soluções concluídas são implantadas no SQL Server 2019 inserindo chamadas para R em procedimentos armazenados. essas soluções podem ser ainda mais automatizadas com SQL Server Integration Services e SQL Server agent.

Use o botão implantar abaixo para criar uma máquina virtual que inclua os dados, o código do R, o código do SQL e um banco de dado do SQL Server 2016 (empréstimos) que contém a solução completa.

Componentes

  • SQL Server Machine Learning Services: o SQL Server armazena os dados de empréstimo e de empréstimo. A análise baseada em R oferece treinamento e modelos previstos, bem como resultados previstos para consumo.
  • o DSVM fornece um painel interativo com visualização que usa dados armazenados em SQL Server para impulsionar decisões sobre as previsões.
  • Power BI fornece um painel interativo com visualização que usa dados armazenados em SQL Server para impulsionar decisões sobre as previsões.

Confira também