Passer la navigation

Prédiction des pertes sèches sur prêt avec SQL Server

Cette solution montre comment créer et déployer un modèle Machine Learning avec SQL Server 2016 et R Services pour prédire si un prêt bancaire devra être compté comme pertes sèches dans les trois mois à venir.

Prédiction des pertes sèches sur prêt avec SQL ServerCette solution montre comment créer et déployer un modèle Machine Learning avec SQL Server 2016 et R Services pour prédire si un prêt bancaire devra subir des pertes sèches dans les trois mois à venir.

Clause d’exclusion de responsabilité

© 2017 Microsoft Corporation. Tous droits réservés. Ces informations sont fournies en l’état et sont susceptibles de changer sans préavis. Microsoft n’accorde aucune garantie expresse ou implicite en lien avec les informations fournies ici. Des données tierces ont été utilisées pour générer la solution. Vous êtes tenu de respecter les droits des autres utilisateurs, y compris obtenir et vous conformer aux licences pertinentes afin de créer des jeux de données similaires.

Prédiction des pertes sèches sur prêt avec SQL ServerCette solution montre comment créer et déployer un modèle Machine Learning avec SQL Server 2016 et R Services pour prédire si un prêt bancaire devra subir des pertes sèches dans les trois mois à venir.

Architectures de solution associées

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.

Risque lié aux prêts avec SQL Server

En utilisant SQL Server 2016 avec R Services, un établissement de prêt peut utiliser des analytiques prédictives pour réduire le nombre de prêts proposés aux emprunteurs qui sont le plus susceptibles de ne pas pouvoir honorer leurs emprunts, en augmentant la profitabilité de son portefeuille de prêts.