Idées de solution
Cet article présente une idée de solution. Si vous souhaitez que nous développions le contenu avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, adressez-nous vos commentaires GitHub.
À l’aide de SQL Server 2016 ou d’une version ultérieure avec Machine Learning Services, un établissement de prêt peut utiliser l’analyse prédictive pour réduire le nombre de prêts qu’il offre aux emprunteurs les plus susceptibles de ne pas pouvoir rembourser, ce qui lui permet d’augmenter la rentabilité de son portefeuille de prêts.
Architecture
Téléchargez un fichier Visio de cette architecture.
Dataflow
- Connectez-vous à votre source de données (SQL Server) et utilisez votre IDE préféré pour développer des modèles Python et/ou R.
- Lorsque le modèle est prêt, publiez-le sur SQL Server ou visualisez les données dans Power BI.
- Si vous souhaitez gérer votre modèle dans un espace de travail entièrement fonctionnel, vous pouvez également le déployer sur un espace de travail Azure Machine Learning.
Si vous n’avez pas d’espace de travail configuré, comme une base de données ou un environnement IDE, vous pouvez utiliser Azure Data Science Virtual Machines. Vous pouvez utiliser une version de Windows ou Linux pour exécuter vos composants.
Composants
- Machine Learning Services SQL Server. SQL Server stocke les données du prêteur et de l’emprunteur. L’analytique basée sur R fournit des modèles d’apprentissage et prédits et des résultats prédits pour la consommation.
- Data Science Virtual Machines. Data Science Virtual Machines fournit un tableau de bord interactif avec une visualisation qui utilise des données stockées dans SQL Server pour déterminer des décisions sur les prédictions. Il fournit également d’autres outils couramment utilisés pour les applications de science des données.
- Power BI. Power BI fournit un tableau de bord interactif avec une visualisation qui utilise des données stockées dans SQL Server pour déterminer des décisions sur les prédictions.
Détails de la solution
Si nous avions une boule de cristal, nous nous contenterions de prêter de l’argent à quelqu’un dont nous serions certains qu’il nous remboursera. Un établissement de prêt peut tirer parti de l’analyse prédictive pour réduire le nombre de prêts qu’il offre aux emprunteurs les plus susceptibles de ne pas pouvoir rembourser, ce qui lui permet d’augmenter la rentabilité de son portefeuille de prêts. Cette solution utilise des données simulées pour une petite institution financière de prêt personnel, créant un modèle pour aider à détecter si l’emprunteur sera dans l’incapacité de rembourser.
Perspective commerciale
Les utilisateurs professionnels passent en revue les scores prédits pour les aider à déterminer s’il faut accorder un prêt. Ils ajustent les prédictions à l’aide du tableau de bord Power BI pour voir le nombre de prêts et le montant total en dollars économisé dans différents scénarios. Le tableau de bord inclut un filtre basé sur des centiles des scores prédits. Lorsque toutes les valeurs sont sélectionnées, les utilisateurs professionnels affichent tous les emprunts de l’exemple de test et peuvent inspecter les informations sur le nombre d’entre eux qui sont en défaut. Ensuite, en vérifiant simplement le centile supérieur (100), ils accèdent aux informations sur les emprunts dont le score prédit s’inscrit dans le 1 % supérieur. La vérification de plusieurs cases contiguës leur permet de trouver un seuil de coupure convenable à utiliser comme critère d’acceptation de prêt à l’avenir.
Perspective du scientifique des données
SQL Server Machine Learning Services apporte le calcul aux données en exécutant R ou Python sur l’ordinateur qui héberge la base de données. Cela inclut un service de base de données qui s’exécute en dehors du processus SQL Server et communique de façon sécurisée avec le runtime R ou Python.
Cette solution vous guide tout au long des étapes de création et d’affinage des données, de formation des modèles R ou Python, et d’exécution d’un scoring sur l’ordinateur SQL Server. La table de base de données avec le score final dans SQL Server indique un score prédit pour chaque emprunteur potentiel. Ces données sont ensuite visualisées dans Power BI.
Les scientifiques des données qui testent et développent des solutions peuvent exploiter leur environnement de développement intégré R sur leur ordinateur client, tout en transmettant les calculs à l’ordinateur SQL Server. Les solutions terminées sont déployées sur SQL Server 2019 en incorporant des appels à destination de R dans des procédures stockées. Ces solutions peuvent ensuite être automatisées avec SQL Server Integration Services et SQL Server Agent.
Contributeurs
Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.
Auteur principal :
- Kathryn Papandrew | Directrice, Spécialiste GBB
Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.