Témoignage de client

Réinventer la banque mobile grâce au Machine learning

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

image d'arrière-plan

“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

Figurant parmi les plus grandes banques internationales, HSBC introduit une nouvelle façon de gérer les paiements numériques sur les appareils mobiles. La banque a développé PayMe, une application sociale qui facilite les transactions sans espèces entre les consommateurs et leur réseau, instantanément et en toute sécurité. Avec plus de 39 millions de clients, HSBC devait surmonter une évolutivité limitée qui l'empêchait de prendre des décisions fondées sur les données. Avec Databricks, la banque est aujourd'hui capable d'utiliser l'analytique des données et le machine learning à grande échelle pour alimenter des cas d'usage centrés sur le client : personnalisation, recommandations, science du réseau et détection de la fraude.

Data science and engineering struggled to leverage data

HSBC comprend l'opportunité considérable que représentent les données et l'analytique pour mieux servir ses plus de 39 millions de clients. Entrevoyant la possibilité de réinventer les paiements mobiles, l'institution a développé PayMe, une application de paiement sociale. Depuis son lancement sur le marché domestique de Hong Kong, l'application est devenue n° 1 dans la région, avec plus de 1,8 million d’utilisateurs.

Afin d'offrir à sa clientèle en pleine croissance la meilleure expérience de paiement mobile possible, HSBC s'est tournée vers les données et le machine learning pour permettre divers cas d’usage souhaités tels que la détection d’activités frauduleuses, la vue client à 360° pour éclairer les décisions marketing, la personnalisation, etc. Mais créer des modèles capables de satisfaire ces cas d'usage de façon sécurisée, rapide et évolutive n'est pas une mince affaire.

  • Les données n'étaient pas à jour en raison de la lenteur des pipelines de données : les systèmes hérités empêchaient la banque de traiter et d'analyser les données à grande échelle. Il fallait exporter et échantillonner manuellement les données, ce qui prenait beaucoup de temps. Pour toutes ces raisons, les données qui parvenaient à l'équipe de data science dataient de plusieurs semaines : toute prédiction devenait impossible.
  • Exportation des données et masquage manuels : les anciens processus nécessitaient un formulaire d'approbation manuel pour chaque demande de données – le risque d'erreur était grand. Le processus de masquage manuel prenait beaucoup de temps et ne respectait pas les règles strictes de qualité et de protection des données.
  • Data science inefficace : les data scientists travaillaient en silos sur leurs propres machines et environnements personnalisés . Ils ne pouvaient pas réellement explorer les données brutes et former des modèles à grande échelle. Ce contexte impactait la collaboration et ralentissait considérablement l’itération sur les modèles.
  • Les data analysts ne parvenaient pas à exploiter tout le potentiel des données : ils avaient besoin d’accéder à des sous-ensembles de données structurées pour créer de la business intelligence et produire des rapports.

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.

Avec Azure Databricks, ils peuvent unifier l'analytique de données à travers la data engineering, la data science et l'analyse.

  • Gain d'efficacité opérationnelle : des fonctionnalités comme la mise à l’échelle automatique des clusters et la prise en charge de Delta Lake ont amélioré les opérations, de l’ingestion de données à la gestion de l’ensemble du cycle de vie du machine learning.
  • Masquage des données en temps réel avec Delta Lake : Databricks et Delta Lake ont permis à HSBC de fournir, en toute sécurité et en temps réel, des données de production anonymisées aux équipes de data science et aux data analysts.
  • Des pipelines de données performants et évolutifs avec Delta Lake : les équipes traitent désormais les données en temps réel à des fins d’analytique en aval et de machine learning.
  • Collaboration entre data science et data engineering : les données sont découvertes plus rapidement, les fonctionnalités sont conçues par itération et les modèles sont développés et entraînés à grande vitesse.

Richer insights leads to the #1 app

Databricks fournit à HSBC une plateforme d’analytique de données unifiée qui centralise tous les aspects de son processus d’analyse, du data engineering à la production de modèles ML délivrant des informations commerciales plus riches.

  • 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.