Ide solusi
Artikel ini adalah ide solusi. Jika Anda ingin kami memperluas konten dengan informasi lebih lanjut, seperti potensi kasus penggunaan, layanan alternatif, pertimbangan implementasi, atau panduan harga, beri tahu kami dengan memberikan umpan balik GitHub.
Dengan menggunakan SQL Server 2016 atau yang lebih baru dengan Layanan Pembelajaran Mesin, lembaga pinjaman dapat menggunakan analitik prediktif untuk mengurangi jumlah pinjaman yang mereka tawarkan kepada peminjam yang kemungkinan besar default, meningkatkan profitabilitas portofolio pinjaman mereka.
Arsitektur
Unduh file Visio arsitektur ini.
Aliran data
- Sambungkan ke sumber data Anda (SQL Server) dan gunakan IDE pilihan Anda untuk mengembangkan model Python dan/atau R.
- Saat model siap, terbitkan untuk SQL Server atau memvisualisasikan data di Power BI.
- Jika Anda ingin mengelola model di ruang kerja yang berfungsi penuh, Anda juga dapat menyebarkannya ke ruang kerja Azure Machine Learning.
Jika Anda tidak memiliki ruang kerja yang disiapkan, seperti database atau IDE, Anda bisa menggunakan Azure Data Science Virtual Machines. Anda dapat menggunakan versi Windows atau Linux untuk menjalankan komponen Anda.
Komponen
- SQL Server Layanan Pembelajaran Mesin. SQL Server menyimpan data pemberi pinjaman dan peminjam. Analitik berbasis R menyediakan pelatihan dan model yang diprediksi, dan hasil yang diprediksi untuk dikonsumsi.
- Data Science Virtual Machines. Data Science Virtual Machines menyediakan dasbor interaktif dengan visualisasi yang menggunakan data yang disimpan dalam SQL Server untuk mendorong keputusan tentang prediksi. Ini juga menyediakan alat lain yang umumnya digunakan untuk aplikasi ilmu data.
- Power BI. Power BI menyediakan dasbor interaktif dengan visualisasi yang menggunakan data yang disimpan dalam SQL Server untuk mendorong keputusan tentang prediksi.
Detail solusi
Jika kami memiliki bola kristal, kami hanya akan meminjamkan uang kepada seseorang yang kami kenal akan membayar kami kembali. Lembaga penyalur pinjaman dapat memanfaatkan analitik prediktif untuk mengurangi jumlah pinjaman yang mereka tawarkan kepada para peminjam yang kemungkinan besar gagal, meningkatkan profitabilitas portofolio pinjaman mereka. Solusi ini menggunakan data simulasi untuk lembaga keuangan pinjaman pribadi kecil, membangun model untuk membantu mendeteksi apakah peminjam akan gagal membayar pinjaman.
Perspektif bisnis
Pengguna bisnis meninjau skor yang diprediksi untuk membantu mereka menentukan apakah akan memberikan pinjaman. Mereka menyempurnakan prediksi dengan menggunakan Dasbor Power BI untuk melihat jumlah pinjaman dan jumlah total dolar yang disimpan dalam skenario yang berbeda. Dasbor menyertakan filter berdasarkan persentil dari skor yang diprediksi. Ketika semua nilai dipilih, pengguna bisnis melihat semua pinjaman dalam sampel pengujian dan dapat memeriksa informasi tentang berapa banyak dari mereka yang default. Kemudian, dengan memeriksa hanya persentil teratas (100), mereka menelusuri paling detail informasi tentang pinjaman dengan skor yang diprediksi di 1% teratas. Mencentang beberapa kotak berkelanjutan memungkinkan pengguna ini untuk menemukan titik cutoff yang nyaman mereka gunakan sebagai kriteria penerimaan pinjaman di masa mendatang.
Perspektif ilmuwan data
SQL Server Layanan Pembelajaran Mesin membawa komputasi ke data dengan menjalankan R atau Python di komputer yang menghosting database. Ini termasuk layanan database yang berjalan di luar proses SQL Server dan berkomunikasi dengan aman dengan runtime R atau Python.
Solusi ini berjalan melalui langkah-langkah untuk membuat dan menyempurnakan data, melatih model R atau Python, dan melakukan penilaian pada mesin SQL Server. Tabel database skor akhir di SQL Server memberikan skor yang diprediksi untuk setiap peminjam potensial. Data ini kemudian divisualisasikan di Power BI.
Ilmuwan data yang sedang menguji dan mengembangkan solusi dapat bekerja dari kenyamanan R IDE mereka di mesin klien mereka, sambil mendorong komputasi ke mesin SQL Server. Solusi lengkap disebarkan ke SQL Server 2019 dengan menyematkan panggilan ke R dalam prosedur tersimpan. Solusi ini kemudian dapat diotomatisasi lebih lanjut dengan SQL Server Integration Services - SSIS dan agen SQL Server.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Kathryn Papandrew | Direktur, Spesialis GBB
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.