Navigation überspringen

Kreditausbuchungsprognose mit SQL Server

Die vorliegende Lösung zeigt, wie Sie ein Machine Learning-Modell mit SQL Server 2016 mit R Services verwenden, um zu prognostizieren, ob ein Bankdarlehen innerhalb der kommenden drei Monate ausgebucht werden wird.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Geschätzte Bereitstellungszeit: 20 Minuten

EINEN MOMENT NOCH, BITTE! Vor der erstmaligen Bereitstellung dieser VM müssen Sie die Nutzungsbedingungen des virtuellen Data Science-Computers in Ihrem Azure-Abonnement annehmen. Zu diesem Zweck klicken Sie hier.

Übersicht

Kreditinstitute können auf vielfältige Weise von Vorhersagedaten zu Kreditabschreibungen profitieren. Die Abschreibung ist für die Bank der letzte Ausweg bei erheblich in Verzug stehenden Krediten. Mithilfe der Vorhersagedaten kann der Kreditbetreuer maßgeschneiderte Anreize wie z.B. niedrigere Zinsen oder einen längeren Rückzahlungszeitraum anbieten, um dem Kunden die Zahlung der Raten zu ermöglichen und auf diese Weise die Abschreibung des Kredits zu verhindern. Kreditgenossenschaften und Banken stellen solche Daten häufig manuell auf Grundlage des bisherigen Zahlungsverlaufs des Kunden zusammen und führen dann eine einfache statistische Regressionsanalyse durch. Dieses Verfahren ist jedoch hochgradig anfällig für Fehler bei der Datenzusammenstellung und auch statistisch nicht fundiert.

Die hier beschriebene Lösungsvorlage veranschaulicht eine konsistente Lösung zur Durchführung von Predictive Analytics für die Kreditdaten und zur Erzeugung einer Bewertung der Abschreibungswahrscheinlichkeit. Ein Power BI-Bericht zeigt ferner exemplarisch Analyse und Trends bei den Darlehen und die prognostizierte Ausbuchungswahrscheinlichkeit.

Geschäftsleiterperspektive

Diese Kreditabschreibungsvorhersage verwendet simulierte Kreditverlaufsdaten, um die Wahrscheinlichkeit einer Kreditabschreibung in der unmittelbaren Zukunft (d.h. in den kommenden drei Monaten) vorherzusagen. Je höher die Bewertung ist, desto höher ist die Wahrscheinlichkeit einer späteren Kreditabschreibung.

Gemeinsam mit den Analysedaten erhält der Kreditbetreuer auch die Trends und Analyse zu abgeschriebenen Krediten nach Filialstandort. Anhand der Eigenschaften von Krediten mit hohem Ausbuchungsrisiko können Kreditbetreuer Geschäftspläne für Darlehensangebote in der betreffenden Region erstellen.

Mit SQL Server R Services kann R auf demselben Computer ausgeführt werden, der auch die Datenbank hostet – so kommt Compute direkt zu den Daten. Enthalten ist ein Datenbankdienst, der außerhalb des SQL Server-Prozesses ausgeführt wird und sicher mit der R-Runtime kommuniziert.

Diese Lösungsvorlage beschreibt exemplarisch, wie Sie Simulationsdaten erstellen und bereinigen, verschiedene Algorithmen zum Trainieren der R-Modelle verwenden, das leistungsstärkste Modell auswählen, Ausbuchungsprognosen erstellen und die Prognoseergebnisse wieder in SQL Server speichern. Ein Power BI-Bericht stellt eine Verbindung zur Tabelle mit den Prognoseergebnissen her und zeigt interaktive Predictive Analytics-Berichte beim Benutzer an.

Data Scientist-Perspektive

Mit SQL Server R Services wird R auf demselben Computer ausgeführt, der auch die Datenbank hostet – so kommt Compute direkt zu den Daten. Enthalten ist ein Datenbankdienst, der außerhalb des SQL Server-Prozesses ausgeführt wird und sicher mit der R-Runtime kommuniziert.

Diese Lösung beschreibt exemplarisch die Schritte zum Erstellen und Verfeinern von Daten, zum Trainieren der R-Modelle und zum Durchführen von Bewertungen auf dem SQL Server-Computer. Die endgültigen Prognoseergebnisse werden dann in SQL Server gespeichert. Diese Daten werden dann in Power BI visualisiert. Die Visualisierung umfasst auch eine Zusammenfassung der Kreditausbuchungsanalyse und die Ausbuchungsprognose für die kommenden drei Monate. (Die Simulationsdaten werden in dieser Vorlage angezeigt, um das Feature zu veranschaulichen.)

Data Scientists, die Lösungen testen und entwickeln, können in der gewohnten Umgebung ihrer R-IDE auf ihrem Clientcomputer arbeiten und alle Computevorgänge dem SQL Server-Computer überlassen. Die fertigen Lösungen werden dann auf SQL Server 2016 durch Einbetten von R-Aufrufen in gespeicherte Prozeduren bereitgestellt. Mithilfe von SQL Server Integration Services und dem SQL Server-Agent lassen sich diese Lösungen nachfolgend noch weiter automatisieren.

Klicken Sie auf die Schaltfläche „Bereitstellen“, um die Automation zu testen. Daraufhin wird die gesamte Lösung in Ihrem Azure-Abonnement bereitgestellt.

Preise

Für die mit dieser Lösung verwendeten Dienste fallen Kosten an, mit denen das Azure-Abonnement belastet wird, das Sie für die Bereitstellung verwenden. Diese Kosten liegen bei ca. $1.15 pro Stunde für die Standard-VM.

Achten Sie darauf, Ihre VM-Instanz zu beenden, wenn Sie die Lösung nicht verwenden. Durch Ausführung der VM fallen höhere Kosten an.

Löschen Sie daher die Lösung, wenn Sie diese nicht verwenden.

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.

Zugehörige Lösungsarchitekturen

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.