Voorspelling van oninbaar worden van lening met SQL Server

In deze oplossing wordt getoond hoe u een machine learning-model bouwt en implementeert met SQL Server 2016 met R Services, om te voorspellen of er binnen drie maanden een banklening moet worden aangerekend.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Geschatte inrichtingstijd: 20 minuten

STOP voordat u verdergaat! U moet de Gebruiksvoorwaarden van de Data Science Virtual Machine van uw Azure-abonnement accepteren voordat u deze VM voor het eerst gaat implementeren. Klik hier.

Overzicht

Het verschaffen van voorspellingsgegevens over oninbare leningen biedt leningverstrekkers meerdere voordelen. Een lening oninbaar maken is het laatste redmiddel dat een bank zal inzetten bij een ernstig achterstallige lening. Met een overzicht van de voorspellingsgegevens kan de functionaris die over leningen gaat gepersonaliseerde stimulansen aanbieden, zoals een lager rentetarief of langere terugbetalingsperioden, zodat klanten aan hun betalingen voor de lening kunnen blijven voldoen. Hiermee wordt dus voorkomen dat de lening oninbaar wordt. Om dit soort voorspellingsgegevens te verkrijgen, stellen kredietinstellingen of banken gegevens vaak handmatig samen op basis van de betaalgeschiedenis van klanten en voeren ze een simpele statistische regressieanalyse uit. Bij deze, niet erg statistisch waterdichte, methode kunnen er gemakkelijk fouten voorkomen bij het samenstellen van de gegevens.

Deze oplossingssjabloon toont een end-to-endoplossing voor het uitvoeren van voorspellende analyse van leninggegevens en voor het genereren van een beoordeling van de kans op oninbaar worden. Aan de hand van een Power BI-rapport loopt u stapsgewijs door de analyse en trend van kredietleningen en de voorspelling van de kans op oninbaar worden.

Vanuit het perspectief van de bedrijfsmanager

Voor de voorspelling van het oninbaar worden van deze lening worden gesimuleerde leninggeschiedenisgegevens gebruikt om te voorspellen hoe groot de kans is dat de lening in de directe toekomst (de komende drie maanden) oninbaar wordt. Hoe hoger de score, hoe hoger de kans dat de lening in de toekomst oninbaar wordt.

Aan de hand van de analysegegevens krijgt de leningmanager ook meteen een overzicht van de trends en analyses van de oninbare leningen per filiaal. Eigenschappen van de leningen met een hoog risico dat ze oninbaar worden, helpen leningmanagers bedrijfsplannen op te stellen voor het aanbieden van leningen in die specifieke geografische locatie.

In deze oplossing brengt SQL Server R Services de rekenkracht voor de gegevens door R uit te laten voeren op de computer waarop ook de database zich bevindt. Het omvat een databaseservice die buiten het SQL Server-proces wordt uitgevoerd en die veilig met de R-runtime communiceert.

In deze oplossingssjabloon wordt u stapsgewijs door het maken en opschonen van een set gesimuleerde gegevens geleid. U gebruikt diverse algoritmen om de R-modellen te trainen, het beste prestatiemodel te selecteren en voorspellingen doen over oninbaar worden en de beste voorspellingsresultaten op te slaan naar de SQL Server. Een Power BI-rapport maakt verbinding met de tabel met voorspellingsresultaten en toont de gebruiker interactieve rapporten over de voorspellende analysegegevens.

Vanuit het perspectief van de datawetenschapper

SQL Server R Services brengt de rekenkracht voor de gegevens door R uit te voeren op de computer waarop de database wordt gehost. Het omvat een databaseservice die buiten het SQL Server-proces wordt uitgevoerd en die veilig met de R-runtime communiceert.

In deze oplossing krijgt u stapsgewijze instructies voor het maken en verfijnen van gegevens, het trainen van R-modellen en het uitvoeren van beoordelingen op de SQL Server-machine. De uiteindelijke voorspellingsresultaten worden opgeslagen in SQL Server. Deze gegevens worden vervolgens in Power BI gevisualiseerd. Hier vindt u ook een samenvatting van de analyse van het oninbaar worden van de leningen en een voorspelling van het oninbaar worden voor de komende drie maanden. (In deze sjabloon worden gesimuleerde gegevens getoond om de functie te illustreren)

Datawetenschappers die oplossingen testen en ontwikkelen, kunnen gemakkelijk werken vanaf hun R IDE op hun clientmachine en tegelijkertijd het computerwerk naar de SQL Server-machine doorsturen. De voltooide oplossingen worden geïmplementeerd naar SQL Server 2016 door oproepen naar R te integreren in opgeslagen procedures. Deze oplossingen kunnen vervolgens verder worden geautomatiseerd met SQL Server Integration Services en SQL Server-agent.

Klik op de knop Implementeren om de automatisering te testen. De gehele oplossing wordt dan beschikbaar gesteld in uw Azure-abonnement.

Prijzen

Bij uw Azure-abonnement dat voor de implementatie is gebruikt worden verbruikskosten in rekening gebracht voor de services die in deze oplossing zijn gebruikt, circa $1.15 per uur voor de standaard-VM.

Zorg ervoor dat u het gebruik van uw VM-exemplaar stopt wanneer u de oplossing niet actief gebruikt. Voor het uitvoeren van de VM worden hogere kosten berekend.

Verwijder de oplossing als u deze niet gebruikt.

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

Gerelateerde architecturen voor oplossingen

Leningkredietrisico met SQL Server

Met SQL Server 2016 met R Services kan een leninginstantie gebruikmaken van voorspellende analyses om het aantal leningen dat zij doorgaans standaard aan dergelijke leners verstrekken te verminderen, waardoor de winstgevendheid van hun leningenportfolio wordt verbeterd.