Hopp over navigasjon

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.

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

Hvis vi hadde en krystallkule ville vi bare ha gitt lån til de som med sikkerhet ville betale oss tilbake. En låneinstitusjon kan benytte prediktiv analyse for å redusere antallet lån som de tilbyr til de lånetakere som mest sannsynligvis ikke vil kunne tilbakebetale og derved øke lønnsomheten på låneporteføljen. Denne løsningen bruker simulerte data for en liten finansiell institusjon som tilbyr personlig lån, den bygger en modell som hjelper oss med å vise om låntakeren vil misligholde et lån.

Forretningsperspektiv

Forretningsbrukeren benytter de forutsagte poengsummene for å hjelpe med å avgjøre om et lån skal innvilges eller ikke. Denne forutsigelsen finjusteres ved hjelp av PowerBI Dashboard for å se antallet lån og totalbeløpet som spares under forskjellige scenarier. Dashbordet inkluderer et filter som er basert på prosentandeler av den forutsagte poengsummen. Når alle verdiene er valgt, vises alle lånene i testeksempelet og informasjonen kan da inspiseres for hvor mange av dem som misligholder. Deretter, ved å bare markere den øverste prosentandelen (100) kan det deretter drilles ned i informasjonen om lån med en forutsagt poengsum i de øverste 1 %. Ved å markere flere bokser er det mulig å sette et grensepunkt som kan brukes som et fremtidig komfortabelt kriterium for godkjenning av lån.

Bruk knappen «Prøv nå» nedenforfor å vise PowerBI Dashboard.

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. Den endelige scorede databasetabellen i SQL Server gir en forutsagt poengsum for hver potensiell låntaker. Disse dataene blir så visualisert i PowerBI.

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.

Bruk knappen «Distribuer» nedenfor for å opprette en virtuell maskin som inkluderer dataene, R-kode, SQL-kode og en SQL Server 2016-database (Lån) som inneholder den fullstendige løsningen.

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

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