Kundenbericht

Mobile-Banking neu gedacht – mit ML

6

Seconds to perform complex analytics compared to 6 hours

1

Delta Lake has replaced 14 databases

4.5x

Improvement in engagement on the app

Hintergrundbild

“We’ve seen major improvements in the speed we have data available for analysis. We have a number of jobs that used to take 6 hours and now take only 6 seconds.”

– Alessio Basso, Chief Architect, HSBC

Als eine der größten internationalen Banken nutzt HSBC eine neue Möglichkeit, digitale Zahlungen auf Mobilgeräten zu verwalten. Der Anbieter entwickelte PayMe, eine Social-App, die bargeldlose Transaktionen zwischen Verbrauchern und ihren Netzwerken sofort und sicher ermöglicht. Mit über 39 Millionen Kunden hatte HSBC Schwierigkeiten, Beschränkungen bei der Skalierbarkeit zu überwinden, die die Bank daran hinderten, datengesteuerte Entscheidungen zu treffen. Mit Databricks kann HSBC jetzt Data Analytics und Machine Learning skalieren und für kundenorientierte Anwendungsfälle wie Personalisierung, Empfehlungen, Netzwerkwissenschaft und Betrugserkennung nutzen.

Data science and engineering struggled to leverage data

HSBC ist sich der enormen Möglichkeiten bewusst, ihren Service für über 39 Millionen Kunden mithilfe von Daten und Analytics zu verbessern. HSBC ergriff dann die Möglichkeit, mobile Zahlungen neu zu erfinden, und entwickelte PayMe, eine App für Zahlungen in sozialen Netzwerken. Seit der Einführung auf dem Heimatmarkt von Hongkong ist die Bank mit über 1,8 Millionen Benutzern die Nummer 1 in der Region geworden.

Um dem schnell wachsenden Kundenstamm bestmögliche mobile Zahlungstransaktionen zu bieten, setzte das Unternehmen für verschiedene wichtige Anwendungsfälle Daten und Machine Learning ein, um unter anderem fundierte Marketingentscheidungen zu treffen und Personalisierung anzubieten. Beispiele derartiger Anwendungsfälle sind die Erkennung betrügerischer Aktivitäten oder Customer 360. Das Erstellen von Modellen, die diese Anwendungsfälle auf sichere, schnelle und skalierbare Weise bereitstellen konnten, war jedoch einfacher gesagt als getan.

  • Langsame Datenpipelines führten zu alten Daten: Legacy-Systeme beeinträchtigten die Fähigkeit, Daten im großen Maßstab zu verarbeiten und zu analysieren. HSBC musste die Daten manuell exportieren und abfragen, was sehr zeitaufwendig war. Dies führte dazu, dass die Daten bei der Bereitstellung an das Data Science-Team Wochen alt waren, was ihnen die Möglichkeit von Prognosen nahm.
  • Manuelles Exportieren und Maskieren von Daten: Bei Legacy-Prozessen musste für jede Datenanforderung ein manuelles Genehmigungsformular ausgefüllt werden, was fehleranfällig war. Darüber hinaus war der manuelle Maskierungsprozess zeitaufwendig und entsprach nicht den strengen Regeln für Datenqualität und Datenschutz.
  • Ineffiziente Data Science: Data Scientists arbeiteten in Silos auf eigenen Computern und in benutzerdefinierten Umgebungen, was ihre Fähigkeit einschränkte, Rohdaten zu untersuchen und Modelle in großem Maßstab zu trainieren. Infolgedessen war die Zusammenarbeit schlecht und die Iteration von Modellen sehr langsam.
  • Datenanalysten hatten Schwierigkeiten, Daten zu nutzen: Sie brauchten Zugriff auf Teilmengen strukturierter Daten für Business Intelligence und Reporting.

Faster and more secure analytics and ML at scale

Through the use of NLP and machine learning, HSBC is able to quickly understand the intent behind each transaction within their PayMe app. This wide range of information is then used to inform various use cases from recommendations to customers to reducing anomalous activity.

Mit Azure Databricks sind nun einheitliche Datenanalysen für Data-Engineering-, Data-Science- und Analysten-Teams möglich.

  • Verbesserte betriebliche Effizienz: Funktionen wie die automatische Skalierung von Clustern und die Unterstützung von Delta Lake haben die Abläufe von der Datenerfassung bis zur Verwaltung des gesamten ML-Lebenszyklus verbessert.
  • Datenmaskierung in Echtzeit mit Delta Lake: Mit Databricks und Delta Lake konnte HSBC anonymisierte Produktionsdaten in Echtzeit für Data-Science- und Datenanalystenteams auf sichere Weise bereitstellen.
  • Leistungsstarke und skalierbare Datenpipelines mit Delta Lake: Dadurch konnte die Bank Daten für nachgelagerte Analytics und Machine Learning in Echtzeit verarbeiten.
  • Zusammenarbeit über Data Science und Data Engineering hinweg: Dies ermöglicht eine schnellere Datenermittlung, iteratives Feature Engineering sowie Entwicklung und Training von Modellen in rasantem Tempo.

Richer insights leads to the #1 app

Databricks bietet HSBC eine einheitliche Datenanalyseplattform, die alle Aspekte des Analyseprozesses zentralisiert, vom Data Engineering bis zur Produktion von ML-Modellen, die umfassendere Geschäftseinblicke liefern.

  • Faster data pipelines: Automating processes and increased data processing from 6 hours to 6 seconds for complex analytics.
  • Descriptive to predictive: Ability to train models against their entire dataset, has empowered them to deploy predictive models to feed various use cases.
  • From 14 databases to 1 Delta Lake: Moved from 14 read replica databases to a single unified data store with Delta Lake.
  • PayMe is #1 app in Hong Kong: 60% market share of the Hong Kong market making PayMe the #1 app.
  • Improved consumer engagement: Ability to leverage network science to understand customer connections has resulted in a 4.5x improvement in engagement levels with the PayMe app.