Navigation überspringen

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.

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

Hätten wir eine magische Kristallkugel, dann würden wir Darlehen natürlich nur solchen Kunden gewähren, bei denen wir wüssten, dass die Rückzahlung gewährleistet ist. Mithilfe von Predictive Analytics kann ein Kreditinstitut die Anzahl der Darlehen reduzieren, die Kreditnehmern mit hoher Verzugswahrscheinlichkeit angeboten werden, und auf diese Weise die Rentabilität seines Kreditportfolios steigern. Diese Lösung verwendet Simulationsdaten für ein kleines Privatkreditinstitut, um auf Grundlage eines eigenentwickelten Modells die Verzugswahrscheinlichkeit eines Kreditnehmers zu erkennen.

Geschäftliche Perspektive

Anhand der prognostizierten Werte kann der geschäftliche Benutzer ermitteln, ob ein Darlehen gewährt werden kann oder nicht. Mithilfe des Power BI-Dashboards kann er seine Vorhersage verfeinern, um die Anzahl der Darlehen und den eingesparten Gesamtbetrag für verschiedene Szenarios anzuzeigen. Das Dashboard umfasst einen Filter, der auf den Perzentilen der prognostizierten Werte beruht. Wenn alle Werte ausgewählt sind, werden alle Darlehen in der Teststichprobe angezeigt, und der Benutzer kann Informationen zu der Frage der Verzugshäufigkeit untersuchen. Danach überprüft er das oberste Perzentil (100) und zeigt Detailinformationen zu Darlehen mit einem prognostizierten Wert im obersten Prozent an. Durch Aktivieren mehrerer aufeinanderfolgender Kontrollkästchen kann er dann einen Grenzwert ermitteln, der ihm als künftiges Akzeptanzkriterium für Darlehen geeignet erscheint.

Klicken Sie unten auf die Schaltfläche „Jetzt ausprobieren“, um das Power BI-Dashboard anzuzeigen.

Data Scientist-Perspektive

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 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 fertige Datenbanktabelle in SQL Server enthält eine Bewertungsprognose für jeden potentiellen Käufer. Diese Daten werden dann in Power BI veranschaulicht.

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 unten auf die Schaltfläche „Bereitstellen“, um einen virtuellen Computer zu erstellen, der die Daten, den R- und SQL-Code sowie eine SQL Server 2016-Datenbank („Loans“) umfasst, die die vollständige Lösung enthält.

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

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.