Navigation überspringen

Vorhersage von Kreditabschreibungen mit Azure HDInsight Spark-Clustern

Ein abgeschriebener Kredit ist ein Kredit, bei dem ein Kreditgeber (üblicherweise ein Kreditinstitut) erklärt, dass die Schuldsumme wahrscheinlich nicht eingetrieben werden kann. Dies ist in der Regel der Fall, wenn der Kreditnehmer mit der Rückzahlung erheblich in Verzug ist. Angesichts der Tatsache, dass umfangreiche Abschreibungen sich negativ auf die Bilanz eines Kreditinstituts auswirken, überwachen diese Institute das Abschreibungsrisiko häufig sehr genau, um zu verhindern, dass Kredite abgeschrieben werden müssen. Mithilfe von Azure HDInsight R Server können Kreditinstitute Machine Learning-basierte Predictive Analytics-Verfahren einsetzen, um die Wahrscheinlichkeit zu prognostizieren, dass Kredite abgeschrieben werden müssen, und um Berichte für die Analyseergebnisse erstellen, die in HDFS- und Hive-Tabellen gespeichert werden.

Loan ChargeOff Prediction with Azure HDInsight Spark ClustersA charged off loan is a loan that is declared by a creditor (usually a lending institution) that an amount of debt is unlikely to be collected, usually when the loan repayment is severely delinquent by the debtor. Given that high chargeoff has negative impact on lending institutions' year end financials, lending institutions often monitor loan chargeoff risk very closely to prevent loans from getting charged-off. Using Azure HDInsight R Server, a lending institution can leverage machine learning predictive analytics to predict the likelihood of loans getting charged off and run a report on the analytics result stored in HDFS and hive tables.

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Loan ChargeOff Prediction with Azure HDInsight Spark ClustersA charged off loan is a loan that is declared by a creditor (usually a lending institution) that an amount of debt is unlikely to be collected, usually when the loan repayment is severely delinquent by the debtor. Given that high chargeoff has negative impact on lending institutions' year end financials, lending institutions often monitor loan chargeoff risk very closely to prevent loans from getting charged-off. Using Azure HDInsight R Server, a lending institution can leverage machine learning predictive analytics to predict the likelihood of loans getting charged off and run a report on the analytics result stored in HDFS and hive tables.

Zugehörige Lösungsarchitekturen

Loan ChargeOff Prediction with SQL ServerThis solution demonstrates how to build and deploy a machine learning model with SQL Server 2016 with R Services to predict if a Bank loan will need to be charged off within next 3 months

Kreditausbuchungsprognose mit SQL Server

Mit dieser Lösung wird veranschaulicht, wie Sie ein Machine Learning-Modell mit SQL Server 2016 mit R Services erstellen, um zu prognostizieren, ob für ein Bankdarlehen innerhalb der kommenden drei Monate eine Ausbuchung zu verzeichnen sein wird.

Loan Credit Risk with SQL ServerUsing SQL Server 2016 with R Services, a lending institution can make use of predictive analytics to reduce number of loans they offer to those borrowers most likely to default, increasing the profitability of their loan portfolio.

Bonitätsrisiko eines Kredits mit SQL Server

Mit SQL Server 2016 mit R Services können Kreditinstitute mithilfe von Predictive Analytics die Anzahl von Darlehen reduzieren, die Kreditnehmern mit hoher Verzugswahrscheinlichkeit angeboten werden, und auf diese Weise die Rentabilität ihres Kreditportfolios steigern.