Megoldási ötletek
Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.
Ha SQL Server 2016-os vagy újabb verziót használja a Machine Learning Services szolgáltatással, a kölcsönt nyújtó intézmények prediktív elemzéssel csökkenthetik a legnagyobb valószínűséggel alapértelmezett hitelfelvevőknek nyújtott hitelek számát, növelve a hitelportfólió jövedelmezőségét.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Csatlakozzon az adatforráshoz (SQL Server), és használja az előnyben részesített IDE-t Python- és/vagy R-modellek fejlesztéséhez.
- Ha a modell elkészült, tegye közzé SQL Server vagy vizualizálja az adatokat a Power BI-ban.
- Ha teljes funkcionalitású munkaterületen szeretné kezelni a modellt, üzembe helyezheti azt egy Azure Machine Learning-munkaterületen is.
Ha nincs beállítva munkaterület, például adatbázis vagy IDE, használhatja az Azure Data Science Virtual Machines. Az összetevők futtatásához windowsos vagy linuxos verziót is használhat.
Összetevők
- SQL Server Machine Learning Services. SQL Server tárolja a hitelező és a hitelfelvevő adatait. Az R-alapú elemzés betanítási és előrejelzett modelleket, valamint előrejelzett eredményeket biztosít a felhasználáshoz.
- Adatelemzési Virtual Machines. A Data Science Virtual Machines egy interaktív irányítópultot biztosít vizualizációval, amely a SQL Server-ben tárolt adatokat használja az előrejelzésekre vonatkozó döntések meghozatalához. Emellett más, adatelemzési alkalmazásokhoz gyakran használt eszközöket is biztosít.
- Power BI. A Power BI interaktív irányítópultot biztosít olyan vizualizációkkal, amelyek a SQL Server tárolt adatokat használják az előrejelzésekre vonatkozó döntések meghozatalához.
Megoldás részletei
Ha lenne egy kristálygömbünk, csak olyannak adnánk kölcsön pénzt, akiről tudjuk, hogy visszafizetne minket. A hitelügyintéző intézmények prediktív elemzéssel csökkenthetik a hitelfelvevőknek nyújtott hitelek számát, ami növeli a hitelportfólió jövedelmezőségét. Ez a megoldás szimulált adatokat használ egy kis személyi kölcsönt használó pénzügyi intézményhez, és létrehoz egy modellt, amely segít megállapítani, hogy a hitelfelvevő alapértelmezés szerint a kölcsönt veszi-e fel.
Üzleti perspektívák
Az üzleti felhasználók áttekintik az előrejelzett pontszámokat, hogy eldöntsék, nyújtanak-e hitelt. Az előrejelzéseket a Power BI irányítópultján finomhangolják a különböző forgatókönyvekben megtakarított hitelek és teljes dollárösszeg megtekintéséhez. Az irányítópult az előrejelzett pontszámok percentilisei alapján tartalmaz egy szűrőt. Ha az összes érték van kiválasztva, az üzleti felhasználók megtekinthetik a tesztelési mintában szereplő összes hitelt, és megvizsgálhatják, hogy hány volt alapértelmezett. Ezután csak a legfelső percentilis (100) ellenőrzésével lefúrják az előrejelzett pontszámmal rendelkező hitelek adatait az első 1%-ban. Ha több folyamatos jelölőnégyzetet ellenőriz, ezek a felhasználók olyan leépítési pontot találnak, amelyet kényelmesen használhatnak későbbi hitelfelvételi feltételként.
Adatelemző perspektívája
SQL Server Machine Learning Services úgy hozza a számítást az adatokhoz, hogy R-t vagy Pythont futtat az adatbázist futtató számítógépen. Tartalmaz egy adatbázis-szolgáltatást, amely a SQL Server folyamaton kívül fut, és biztonságosan kommunikál az R- vagy Python-futtatókörnyezettel.
Ez a megoldás végigvezeti az adatok létrehozásának és finomításának, az R- vagy Python-modellek betanításának, valamint a pontozásnak a SQL Server gépen történő végrehajtásának lépésein. A SQL Server utolsó pontozott adatbázistáblája előrejelzett pontszámot ad az egyes potenciális hitelfelvevők számára. Ezek az adatok ezután a Power BI-ban lesznek megjelenítve.
A megoldásokat tesztelő és fejlesztő adattudósok az R IDE kényelméből dolgozhatnak az ügyfélszámítógépükön, miközben a számítást a SQL Server gépre küldik. A befejezett megoldásokat a rendszer a 2019-SQL Server helyezi üzembe az R-hívások tárolt eljárásokba való beágyazásával. Ezek a megoldások ezután tovább automatizálhatók SQL Server Integration Services és SQL Server ügynök segítségével.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Kathryn Papandrew | Igazgató, speciális GBB
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.