Direkt zum Hauptinhalt
Kundenbericht

Mobile-Banking neu gedacht – mit ML

6

Sekunden für komplexe Analysen im Vergleich zu 6 Stunden

1

Delta Lake hat 14 Datenbanken ersetzt

4.5x

Verbesserung der Interaktion mit der App

hsbc-hh-header-image
ANWENDUNGSFALL DER PLATTFORM: Delta Lake,data science,machine learning,ETL
CLOUD: Azure

Wir haben erhebliche Verbesserungen bei der Geschwindigkeit festgestellt, mit der wir Daten für die Analyse zur Verfügung haben. Wir haben eine Reihe von Jobs, die früher 6 Stunden dauerten und nun nur noch 6 Sekunden dauern.“

– 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.

Datenwissenschaft und Technik hatten Schwierigkeiten, Daten zu nutzen

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.

Schnellere und sicherere Analysen und ML in großem Maßstab

Durch die Nutzung von NLP und maschinellem Lernen kann HSBC die Absicht hinter jeder Transaktion in der PayMe-App schnell verstehen. Dieses breite Informationsspektrum wird dann verwendet, um verschiedene Anwendungsfälle zu informieren, von Empfehlungen an Kunden bis hin zur Reduzierung anomaler Aktivitäten.

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.

Umfassendere Einblicke führen zur #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.

  • Schnellere Datenpipelines: Automatisierung von Prozessen und Verarbeitung von mehr Daten, optimiert von 6 Stunden auf 6 Sekunden für komplexe Analysen.

  • Von beschreibend hin zu vorhersagend: Dank der Fähigkeit, Modelle anhand ihres gesamten Datensatzes zu trainieren, kann HSBC jetzt Prognosemodelle bereitstellen, die in verschiedene Anwendungsfälle einfließen.

  • 1 Delta Lake statt 14 Datenbanken: Wechsel von 14 Read-Replica-Datenbanken zu einem einzigen einheitlichen Datenspeicher mit Delta Lake.

  • PayMe ist die beliebteste App in Hongkong: Mit einem Anteil von 60 % des Hongkonger Marktes ist PayMe die beliebteste App.

  • Verbesserte Kundenbindung: Die Fähigkeit, Netzwerkwissenschaft zu nutzen, um Kundenbeziehungen zu verstehen, hat zu einer 4,5-fachen Verbesserung der Kundenbindung mit der PayMe-App geführt.