Oplossingsideeën
Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.
Door gebruik te maken van SQL Server 2016 of hoger met Machine Learning Services, kan een kredietinstelling predictive analytics gebruiken om het aantal leningen dat ze aanbieden aan kredietnemers te verminderen die waarschijnlijk standaard worden aangeboden, waardoor de winstgevendheid van hun leningportefeuille wordt verhoogd.
Architectuur
Een Visio-bestand van deze architectuur downloaden.
Gegevensstroom
- Maak verbinding met uw gegevensbron (SQL Server) en gebruik uw favoriete IDE om Python- en/of R-modellen te ontwikkelen.
- Wanneer het model klaar is, publiceert u het naar SQL Server of visualiseert u de gegevens in Power BI.
- Als u uw model in een volledig functionele werkruimte wilt beheren, kunt u het ook implementeren in een Azure Machine Learning-werkruimte.
Als u geen werkruimte hebt ingesteld, zoals een database of IDE, kunt u Azure Data Science Virtual Machines gebruiken. U kunt een Windows- of Linux-versie gebruiken om uw onderdelen uit te voeren.
Onderdelen
- SQL Server Machine Learning Services. SQL Server slaat de kredietgever en de kredietnemergegevens op. R-analyses bieden trainings- en voorspelde modellen en voorspelde resultaten voor verbruik.
- Data Science Virtual Machines. Data Science Virtual Machines biedt een interactief dashboard met visualisatie die gebruikmaakt van gegevens die zijn opgeslagen in SQL Server om beslissingen te nemen over voorspellingen. Het biedt ook andere hulpprogramma's die vaak worden gebruikt voor data science-toepassingen.
- Power BI. Power BI biedt een interactief dashboard met visualisatie die gebruikmaakt van gegevens die zijn opgeslagen in SQL Server om beslissingen te nemen over voorspellingen.
Oplossingsdetails
Als we een kristalbal hadden, zouden we alleen geld lenen aan iemand die we wisten ons terug te betalen. Een kredietinstelling kan gebruikmaken van predictive analytics om het aantal leningen dat ze aan deze kredietnemers aanbieden, te verminderen, waardoor de winstgevendheid van hun leningportefeuille wordt verhoogd. Deze oplossing maakt gebruik van gesimuleerde gegevens voor een kleine financiële instelling voor persoonlijke leningen, het bouwen van een model om te helpen detecteren of de kredietnemer standaard een lening zal hebben.
Bedrijfsperspectief
Zakelijke gebruikers beoordelen de voorspelde scores om hen te helpen bepalen of ze een lening moeten verlenen. Ze stellen voorspellingen nauwkeurig af met behulp van het Power BI-dashboard om het aantal leningen en het totale dollarbedrag te zien dat in verschillende scenario's is opgeslagen. Het dashboard bevat een filter op basis van percentielen van de voorspelde scores. Wanneer alle waarden zijn geselecteerd, bekijken de zakelijke gebruikers alle leningen in het testvoorbeeld en kunnen ze informatie controleren over het aantal standaardwaarden. Door vervolgens alleen het hoogste percentiel (100) te controleren, zoomen ze in op informatie over leningen met een voorspelde score in de top 1%. Als u meerdere doorlopende vakken controleert, kunnen deze gebruikers een grenspunt vinden waarmee ze vertrouwd zijn om te gebruiken als toekomstige acceptatiecriteria voor leningen.
Perspectief van data scientist
SQL Server Machine Learning Services brengt de berekening naar de gegevens door R of Python uit te voeren op de computer waarop de database wordt gehost. Het bevat een databaseservice die buiten het SQL Server proces wordt uitgevoerd en veilig communiceert met de R- of Python-runtime.
Deze oplossing begeleidt de stappen voor het maken en verfijnen van gegevens, het trainen van R- of Python-modellen en het scoren op de SQL Server machine. De uiteindelijke databasetabel in SQL Server geeft een voorspelde score voor elke potentiële kredietnemer. Deze gegevens worden vervolgens gevisualiseerd in Power BI.
Gegevenswetenschappers die oplossingen testen en ontwikkelen, kunnen werken vanuit het gemak van hun R IDE op hun clientcomputer, terwijl ze de berekening naar de SQL Server machine pushen. De voltooide oplossingen worden geïmplementeerd in SQL Server 2019 door aanroepen naar R in opgeslagen procedures in te sluiten. Deze oplossingen kunnen vervolgens verder worden geautomatiseerd met SQL Server Integration Services en SQL Server agent.
Medewerkers
Dit artikel wordt onderhouden door Microsoft. Het is oorspronkelijk geschreven door de volgende inzenders.
Hoofdauteur:
- Kathryn Papandrew | Directeur, Specialist GBB
Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.