Gezintiyi Atla

SQL Server ile Kredi Zarar Kaydı Tahmini

Bu çözüm, bir banka kredisinin gelecek üç ay içinde zarar olarak kaydedilip edilmeyeceğini tahmin etmek için SQL Server 2016 ile R Services kullanarak makine öğrenme modeli oluşturup dağıtmayı gösterir.

Açıklama

Not: Bu çözümü zaten dağıttıysanız dağıtımınızı görüntülemek için buraya tıklayın.

Tahmini Sağlama Süresi: 20 Dakika

Devam etmeden önce DURUN. Bu sanal makineyi ilk defa dağıtmadan önce buraya tıklayarak Azure Aboneliğinizdeki Veri Bilimi Sanal Makinesi’nin Kullanım Koşullarını kabul etmeniz gerekir.

Genel Bakış

Burada borç veren kurumların kredi zarar kaydı tahmin verileriyle donatılmasına yönelik birden çok avantaj sunulmuştur. Bir krediyi zarar olarak kaydetmek, bankanın ödemesi çok gecikmiş bir kredi için başvuracağı son çaredir. Müşterilerin kredi ödemelerini sürdürmeleri ve böylelikle kredinin zarar olarak kaydedilmesinin önlenmesi için bir kredi yetkilisi, eldeki tahmin verileriyle, düşük faiz oranları ya da daha uzun geri ödeme süresi gibi teşvik edici teklifler sunabilir. Bu türden tahmin verilerini elde etmek için, kredi sendikaları veya bankalar, müşterilerin ödeme geçmişleri ve gerçekleştirilmiş basit istatistiksel gerileme analizini temel alan verileri bazen kendileri oluşturur. Bu yöntemin, veri derleme hatasına olan eğilimi yüksektir ve istatistiksel olarak doğru bir tercih değildir.

Bu çözüm şablonda, kredi verileri üzerine tahmine dayalı analizleri çalıştırmak ve zarar kaydı olasılığına puanlama yapmak için uçtan uca çözüm gösterilir. Bir PowerBI raporunda ayrıca kredi borçlarının ve zarar kaydı olasılığı tahmininin analizleri ve eğilimi anlatılır.

İşletme Yöneticisi Perspektifi

Bu kredi zarar kaydı tahmini, sanal kredi geçmişi verilerini kullanarak, yakın gelecekte (gelecek üç ay içinde) kredi zararının olasılığını tahmin eder. Puan ne kadar yüksek olursa, gelecekte kredinin zarar kaydının yapılma olasılığı o kadar yüksek olur.

Analiz verileriyle, kredi yöneticisine şube konumları tarafından sağlanan zarar kaydı kredilerinin eğilimleri ve analizleri sunulur. Zarar etme riski yüksek olan kredilerin özellikleri, kredi yöneticilerinin o belirli coğrafi bölgede kredi tekliflerine yönelik iş planı oluşturmalarında yardımcı olur.

SQL Server R Services, veritabanıyla aynı bilgisayarda R çalıştırarak verilere işlem uygular. SQL Server işlemi dışında çalıştırılan ve R çalışma zamanıyla güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.

Bu çözüm şablonunda, bir sanal veri kümesinin oluşturulup temizlenme, R modellerinin eğitilmesi için çeşitli algoritmalar kullanma, en iyi performansa sahip modelin seçilme ve zarar kaydı tahminlerinin gerçekleştirilme ve tahmin sonuçlarının SQL Server’a geri kaydedilme şekli anlatılır. Bir PowerBI raporu tahmin sonuç tablosuna bağlanır ve kullanıcıyla birlikte tahmine dayalı analizler üzerine etkileşimli raporları gösterir.

Veri Bilimcisi Perspektifi

SQL Server R Services, veritabanını barındıran bilgisayarda R çalıştırarak verilere işlem uygular. SQL Server işlemi dışında çalıştırılan ve R çalışma zamanıyla güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.

Bu çözümde, SQL Server makinesinde verilerin oluşturulup geliştirilmesi, R modellerinin eğitilmesi ve puanlamaların gerçekleştirilmesinin anlatıldığı adımlar gösterilir. Son tahmin sonuçları SQL Server’da depolanır. Gelecek üç ayın kredi zarar kaydı analizinin ve zarar tahmininin bir özetini içeren bu veriler daha sonra PowerBI’da görselleştirilir. (Özelliği açıklamak için bu şablonda gösterilen sanal veri)

Çözümleri test edip geliştiren veri bilimcileri, işlemleri SQL Server makinesine uygularken, istemci makinelerinde uygun oldukları R IDE’lerinden çalışabilir. Tamamlanmış çözümler, saklı yordamlardaki R’ye çağrı eklenilerek SQL Server 2016’ya dağıtılır. Bu çözümler daha sonra SQL Server Integration Services ve SQL Server aracısıyla otomatikleştirilebilir.

Dağıt düğmesine tıklayarak otomasyonu test ettiğinizde, çözümün tamamı Azure aboneliğinizde kullanılabilir hale getirilir.

Fiyatlandırma

Dağıtım için kullanılan Azure aboneliğiniz bu çözümde kullanılan hizmetler için tüketim maliyetine neden olur. Bu maliyet, varsayılan sanal makine için yaklaşık olarak saatte $1.15 tutarında olur.

Lütfen çözümü etkin olarak kullanmadığınız sırada sanal makine örneğinizi durdurduğunuzdan emin olun. Sanal makineyi çalıştırmak daha yüksek maliyetlere neden olur.

Kullanmıyorsanız lütfen çözümü silin.

Bildirim

© 2017 Microsoft Corporation. Tüm hakları saklıdır. Buradaki bilgiler “olduğu gibi” sağlanmıştır ve bildirim yapılmaksızın değiştirilebilir. Microsoft, işbu bilgilerle ilgili açık veya zımni herhangi bir garanti vermez. Çözüm oluşturulurken üçüncü taraf verileri kullanılmıştır. Benzer veri kümeleri oluşturmak için ilgili lisansları edinmek ve bunlara uymak dahil olmak üzere başkalarının haklarına saygılı olma sorumluluğu sizindir.

İlgili çözüm mimarileri

SQL Server ile Kredi Verme Riski

Borç veren bir kurum, SQL Server 2016 ile R Services kullanarak, borçlarını ödememe olasılığı yüksek olan borç alanlara teklif ettikleri kredilerin tutarını azaltmak için tahmine dayalı analizlerden faydalanabilir. Böylece kredi portföylerinin karlılığını artırabilirler.