Идеи, связанные с решением
Эта статья является идеей решения. Если вы хотите расширить содержимое с дополнительными сведениями, такими как потенциальные варианты использования, альтернативные службы, рекомендации по реализации или рекомендации по ценообразованию, сообщите нам, предоставив отзыв на GitHub.
Используя SQL Server 2016 или более поздней версии со службами машинного обучения, кредитное учреждение может использовать прогнозную аналитику, чтобы уменьшить количество кредитов, которые они предлагают заемщикам, которые, скорее всего, по умолчанию, повышают рентабельность своего кредитного портфеля.
Архитектура
Скачайте файл Visio этой архитектуры.
Поток данных
- Подключитесь к источнику данных (SQL Server) и используйте предпочитаемую интегрированную среду разработки для разработки моделей Python и (или) R.
- Когда модель будет готова, опубликуйте ее, чтобы SQL Server или визуализировать данные в Power BI.
- Если вы хотите управлять моделью в полностью функциональной рабочей области, ее также можно развернуть в рабочей области Машинного обучения Azure.
Если у вас нет рабочей области, например базы данных или интегрированной среды разработки, можно использовать Виртуальные машины обработки и анализа данных Azure. Для запуска компонентов можно использовать версию Windows или Linux.
Компоненты
- Службы машинного обучения SQL Server. SQL Server хранит данные кредитора и заемщика. Аналитика на основе R обеспечивает обучение и прогнозируемые модели, а также прогнозируемые результаты потребления.
- Виртуальные машины обработки и анализа данных. Виртуальные машины обработки и анализа данных предоставляет интерактивную панель мониторинга с визуализацией, которая использует данные, хранящиеся в SQL Server для принятия решений по прогнозированию. Он также предоставляет другие средства, которые часто используются для приложений для обработки и анализа данных.
- Power BI. Power BI предоставляет интерактивную панель мониторинга с визуализацией, которая использует данные, хранящиеся в SQL Server для принятия решений по прогнозированию.
Сведения о решении
Если бы у нас был кристаллический шар, мы бы только кредит деньги кому-то, кого мы знали, окупит нас. Кредитное учреждение может использовать прогнозную аналитику для сокращения числа кредитов, которые они предлагают тем заемщикам, скорее всего, по умолчанию, что повышает рентабельность своего кредитного портфеля. Это решение использует имитированные данные для небольшого финансового учреждения личного кредита, создавая модель, чтобы определить, будет ли заемщик по умолчанию по кредиту.
Перспектива бизнеса
Бизнес-пользователи просматривают прогнозируемые оценки, чтобы помочь им определить, следует ли предоставлять кредит. Они точно настраивают прогнозы с помощью панели мониторинга Power BI, чтобы просмотреть количество кредитов и общую сумму доллара, сохраненную в различных сценариях. Панель мониторинга включает фильтр на основе процентилей прогнозируемых оценок. Если выбраны все значения, бизнес-пользователи просматривают все кредиты в образце тестирования и могут проверять сведения о том, сколько из них по умолчанию. Затем, проверив только верхний процентиль (100), они детализируют информацию о кредитах с прогнозируемым показателем в верхней 1%. Проверка нескольких непрерывных полей позволяет этим пользователям найти точку отсечения, которую они комфортно использовать в качестве будущих условий принятия кредита.
Перспектива специалиста по обработке и анализу данных
SQL Server Службы машинного обучения переносят вычислительные ресурсы в данные, запустив R или Python на компьютере, на котором размещена база данных. Она включает службу базы данных, которая выполняется вне процесса SQL Server и безопасно взаимодействует со средой выполнения R или Python.
Это решение описывает шаги по созданию и уточнению данных, обучению моделей R или Python и выполнению оценки на компьютере SQL Server. Окончательная таблица базы данных в SQL Server дает прогнозируемую оценку для каждого потенциального заемщика. Затем эти данные визуализируются в Power BI.
Специалисты по обработке и анализу данных, которые тестируют и разрабатывают решения, могут работать с удобством интегрированной среды разработки R на клиентском компьютере, а также отправлять вычислительные ресурсы на компьютер SQL Server. Готовые решения развертываются в SQL Server 2019 путем внедрения вызовов R в хранимые процедуры. Затем эти решения можно автоматизировать с помощью SQL Server служб Integration Services и агента SQL Server.
Соавторы
Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участниками.
Автор субъекта:
- Кэтрин Папан отозвался | Директор, специалист GBB
Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.