Prognose for ettergivelse av lån med SQL Server

Denne løsningen demonstrerer hvordan du bygger og distribuerer en maskinlæringsmodell med SQL Server 2016 for å forutsi om et banklån blir ettergitt i løpet av de neste 3 månedene.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Estimert klargjøringstid: 20 minutter

STOPP før du fortsetter må du godta brukervilkårene til Data Science Virtual Machine på Azure-abonnementet ditt før du distribuerer denne virtuelle maskinene for første gang ved å klikke her.

Oversikt

Her har du flere fordeler som kreditorer får fra prognosedata for ettergitte lån. Ettergivelse av et lån er en banks siste utvei for et ubetalt lån, med tilgjengelige prognosedata kan kreditoren tilby tilpassede insentiver som lavere rente eller lengre tilbakebetalingstid for å hjelpe kunder med å fortsette med tilbakebetalingen av lån og derved unngå ettergivelse. For å få denne typen prognosedata vil kreditorer og banker ofte manuelt samle inn dataene basert på kundens tidligere betalingshistorikk og utføre en enkel statistisk regresjonsanalyse. Denne metoden er veldig utsatt for datainnsamlingsfeil og er ikke statistisk stabil.

Denne løsningsmalen demonstrerer en løsning som gjør slutt på manuell prediktiv analyse av lånedata og produserer en score basert på sannsynlighet for ettergivelse av lån. En PowerBI-rapport vil også gjennomgå analysen og trendene til kredittlån og prognosen for sannsynlighet for ettergivelse av lån.

Business Manager-perspektiv

Denne prognosen for sannsynligheten for ettergivelse av lån bruker simulerte historiske lånedata for å forutse hvor sannsynlig det er for at et lån blir ettergitt nær fremtid (de neste tre månedene). Desto høyere scoren er, desto større sannsynlighet er det for at lånet blir ettergitt i fremtiden.

Med analysedataene blir kreditoren også presentert med trendene og analysene for ettergitte lån etter bransjelokasjoner. Karakteristikkene til lån som har høy risiko for å bli ettergitt hjelper kreditorer med å sette opp en forretningsplan for lånetilbud i det spesifikke geografiske området.

SQL Server R-tjenester bringer beregning til dataene ved å kjøre R på samme datamaskin som databasen. Det inkluderer en databasetjeneste som kjører utenfor SQL Server-prosessen og kommuniserer sikkert med R-kjøretiden.

Denne løsningsmalen går igjennom hvordan du oppretter og rengjør et sett med simulerte data, bruker forskjellige algoritmer for å lære opp R-modellene, velger den beste ytelsesmodellen og utfører prediksjoner for ettergivelse av lån og lagrer resultatene av disse tilbake til SQL Server. En PowerBI-rapport kobles til den prediktive resultatstabellen og viser interaktive rapporten med brukeren på den prediktive analysen.

Perspektivet til dataforskere

SQL Server R-tjenester bringer beregning til dataene ved å kjøre R på datamaskinen som drifter databasen. Det inkluderer en databasetjeneste som kjører utenfor SQL Server-prosessen og kommuniserer sikkert med R-kjøretiden.

Denne løsningen går igjennom trinnene for å opprette og raffinere data, opplære R-modeller og utføre scoring på SQL Server-maskinen. De endelige prognoseresultatene lagres i SQL Server. Disse dataene visualiseres så i PowerBI, som også inneholder et sammendrag over analysen for ettergivelse av lån og en prognose for ettergivelse i de neste tre månedene. (Simulerte data vises i denne malen for å illustrere funksjonen)

Dataforskere som tester og utvikler løsninger kan jobbe behagelig fra sine R IDE på deres klientmaskiner, mens de skyver databehandlingen til SQL Server-maskinen. De fullførte løsningene distribueres til SQL Server 2016 ved å bygge inn oppkall til R i lagrede prosedyrer. Disse løsningene kan deretter automatiseres videre med SQL Server Integration Services og SQL Server-agent.

Klikk på Distribuer-knappen for å teste automatiseringen, hele løsningen blir deretter tilgjengelig i Azure-abonnementet ditt.

Priser

Azure-abonnementet som brukes for distribusjonen blir belastet for forbruk av tjenestene som brukes i denne løsningen, omtrent $1.15/timer for den standard virtuelle maskinen.

Påse at du stopper VM-forekomsten når du ikke bruker løsningen aktivt. Kjøring av den virtuelle maskinen vil påløpe høyere kostnader.

Slett løsningen hvis du ikke bruker den.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Lånekredittrisiko med SQL Server

Ved bruk av SQL Server 2016 med R Services, kan en låneinstitusjon benytte prediktiv analyse for å redusere antallet lån som de tilbyr til de lånetakere som mest sannsynligvis vil misligholde og derved øke lønnsomheten på låneporteføljen.