Reinventando o mobile banking com ML
Segundos para realizar análises complexas versus seis horas
O Delta Lake substituiu 14 bancos de dados
Melhoria no engajamento no aplicativo
“Vimos grandes melhorias na pontualidade da disponibilidade de dados para análise. Muitas tarefas que antes levavam seis horas agora levam seis segundos.”
Como um dos maiores bancos internacionais, o HSBC apresenta uma nova forma de gerenciar pagamentos digitais em dispositivos móveis. O banco desenvolveu o PayMe, um aplicativo social que facilita transações sem dinheiro entre consumidores e sua rede, de forma instantânea e segura. Com mais de 39 milhões de clientes, o HSBC teve que superar as limitações de escalabilidade que o impediam de tomar decisões baseadas em dados. Com a Databricks, o banco agora pode usar análise de dados e machine learning em escala para potencializar casos de uso centrados no cliente: personalização, recomendações, ciência de rede e detecção de fraude.
Data science e data engineering têm lutado para explorar os dados
Data science e data engineering têm lutado para explorar os dados
O HSBC entende a enorme oportunidade que os dados e análises representam para atender melhor seus mais de 39 milhões de clientes. Vendo a possibilidade de reinventar os pagamentos móveis, a instituição desenvolveu o PayMe, um aplicativo social de pagamentos. Desde seu lançamento no mercado doméstico de Hong Kong, o aplicativo se tornou o número 1 na região, com mais de 1,8 milhão de usuários.
A fim de oferecer à sua crescente base de clientes a melhor experiência de pagamento móvel possível, o HSBC buscou o machine learning e os dados para permitir vários casos de uso desejados, como detecção de atividade fraudulenta, visão 360º dos clientes para informar decisões de marketing, personalização e muito mais. Entretanto, criar modelos que pudessem atender a esses casos de uso de maneira segura, rápida e escalável não foi pouca coisa.
Os dados não estavam atualizados devido a pipelines de dados lentos: sistemas obsoletos impediam o banco de processar e analisar dados em grande escala. Os dados tinham que ser exportados e amostrados manualmente, o que consumia muito tempo. Por todos esses motivos, os dados que chegavam à equipe de data science tinham várias semanas, o que bloqueou sua capacidade de previsão.
Exportação e mascaramento manual de dados: os processos legados exigiram um formulário de aprovação manual para cada solicitação de dados, e o risco de erro era alto. Além disso, o processo de mascaramento manual era demorado e não seguia as regras rígidas de qualidade e proteção de dados.
Data science ineficiente: os data scientists trabalhavam em silos em suas próprias máquinas e ambientes personalizados. Na verdade, eles não podiam explorar os dados brutos e treinar modelos em grande escala. Esse contexto impactou a colaboração e retardou consideravelmente a iteração nos modelos.
Os analistas de dados não estavam aproveitando todo o potencial dos dados: eles precisavam de acesso a subconjuntos de dados estruturados para criar business intelligence e produzir relatórios.
Análises mais rápidas e seguras e ML em escala
Análises mais rápidas e seguras e ML em escala
Através do uso de NLP e machine learning, o HSBC consegue entender rapidamente a intenção de cada transação em seu aplicativo PayMe. Essa ampla gama de informações é usada para informar vários casos de uso, desde recomendações a clientes até a redução de atividades irregulares.
Com o Azure Databricks, o banco pode unificar as análises de dados em data engineering, data science e analistas.
Eficiência operacional aprimorada: recursos como dimensionamento automático de clusters e compatibilidade com Delta Lake melhoraram as operações, desde a ingestão de dados até o gerenciamento de todo o ciclo de vida do machine learning.
Mascaramento de dados em tempo real com Delta Lake: a Databricks e o Delta Lake permitiram que o HSBC entregasse com segurança dados de produção anônimos em tempo real para equipes de análise de dados e data science.
Pipelines de dados poderosos e escaláveis com Delta Lake: as equipes agora processam dados em tempo real para análise downstream e machine learning.
Colaboração entre data science e data engineering: os dados são descobertos mais rapidamente, os recursos são projetados iterativamente e os modelos são desenvolvidos e treinados em alta velocidade.
Informações mais ricas levam ao aplicativo nº 1
Informações mais ricas levam ao aplicativo nº 1
A Databricks oferece ao HSBC uma plataforma de análise de dados unificada que centraliza todos os aspectos de seu processo de análise, desde data engineering até a produção de modelos de ML que fornecem insights de negócios mais ricos.
Pipelines de dados mais rápidos: automatização de processos e redução do tempo de processamento de dados de seis horas para seis segundos para análises complexas.
Da descrição à previsão: é possível treinar modelos em todos os seus dados, a equipe implantou modelos preditivos para otimizar vários casos de uso.
De 14 bancos de dados para 1 Delta Lake: passando de 14 réplicas de banco de dados de leitura para um único armazenamento de dados unificado com Delta Lake.
PayMe é o aplicativo nº 1 em Hong Kong: 60% de participação de mercado em Hong Kong.
Melhor envolvimento do consumidor: permite aproveitar a ciência da rede para entender o relacionamento com o cliente resultou em uma melhoria de 4,5 vezes nos níveis de envolvimento com o aplicativo PayMe.