Idee sulla soluzione
Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.
Usando SQL Server 2016 o versioni successive con Machine Learning Services, un istituto di credito può usare l'analisi predittiva per ridurre il numero di prestiti offerti ai mutuatari che sono più probabile per impostazione predefinita, aumentando la redditività del proprio portafoglio di prestiti.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- Connettersi all'origine dati (SQL Server) e usare l'IDE preferito per sviluppare modelli Python e/o R.
- Quando il modello è pronto, pubblicarlo in SQL Server o visualizzare i dati in Power BI.
- Se si vuole gestire il modello in un'area di lavoro completamente funzionale, è anche possibile distribuirla in un'area di lavoro di Azure Machine Learning.
Se non si dispone di un'area di lavoro configurata, ad esempio un database o un IDE, è possibile usare Azure Data Science Macchine virtuali. È possibile usare una versione di Windows o Linux per eseguire i componenti.
Componenti
- Machine Learning Services per SQL Server. SQL Server archivia i dati del servizio di credito e del prestito. L'analisi basata su R fornisce modelli di training e stima e risultati stimati per l'utilizzo.
- Data Science Macchine virtuali. Data Science Macchine virtuali fornisce un dashboard interattivo con la visualizzazione che usa i dati archiviati in SQL Server per guidare le decisioni sulle stime. Fornisce anche altri strumenti comunemente usati per le applicazioni di data science.
- Power BI. Power BI offre un dashboard interattivo con la visualizzazione che usa i dati archiviati in SQL Server per guidare le decisioni sulle stime.
Dettagli della soluzione
Se avessimo una palla di cristallo, avremmo solo prestito denaro a qualcuno che sapevamo ci rimetterebbe. Un istituto di credito può usare l'analisi predittiva per ridurre il numero di prestiti offerti a tali mutui più probabilmente per impostazione predefinita, aumentando la redditività del proprio portafoglio di prestiti. Questa soluzione usa i dati simulati per un piccolo istituto finanziario di prestito personale, creando un modello per rilevare se il prestito verrà predefinito in un prestito.
Prospettiva aziendale
Gli utenti aziendali esaminano i punteggi stimati per aiutarli a determinare se concedere un prestito. Ottimizzano le stime usando il dashboard di Power BI per visualizzare il numero di prestiti e l'importo totale del dollaro salvato in scenari diversi. Il dashboard include un filtro basato sui percentile dei punteggi stimati. Quando vengono selezionati tutti i valori, gli utenti aziendali visualizzano tutti i prestiti nell'esempio di test e possono esaminare le informazioni sul numero di valori predefiniti. Quindi, controllando solo il percentile superiore (100), esegue il drill-down per informazioni sui prestiti con un punteggio stimato nel primo 1%. Il controllo di più caselle continue consente a questi utenti di trovare un punto di interruzione con cui è comodo usare come criteri di accettazione del prestito futuri.
Prospettiva del data scientist
SQL Server Machine Learning Services porta il calcolo ai dati eseguendo R o Python nel computer che ospita il database. Include un servizio di database che viene eseguito all'esterno del processo di SQL Server e comunica in modo sicuro con il runtime R o Python.
Questa soluzione illustra i passaggi per creare e perfezionare i dati, eseguire il training di modelli R o Python ed eseguire il punteggio nel computer SQL Server. La tabella di database con punteggio finale in SQL Server fornisce un punteggio stimato per ogni potenziale prestito. Questi dati vengono quindi visualizzati in Power BI.
I data scientist che stanno testando e sviluppando soluzioni possono lavorare dalla praticità dell'IDE R nel computer client, eseguendo il push del calcolo nel computer SQL Server. Le soluzioni completate vengono distribuite in SQL Server 2019 incorporando chiamate a R nelle stored procedure. Queste soluzioni possono quindi essere ulteriormente automatizzate con SQL Server Integration Services e SQL Server agente.
Autori di contributi
Questo articolo viene gestito da Microsoft. È stato originariamente scritto dai collaboratori seguenti.
Autore principale:
- Kathryn Papandrew | Direttore, Specialist GBB
Per visualizzare profili LinkedIn non pubblici, accedere a LinkedIn.