Passa al contenuto principale
REFERENZA

Reinventare la banca online con il ML

6

Secondi per eseguire analisi complesse rispetto a 6 ore

1

Delta Lake ha sostituito 14 database

4,5x

Miglioramento dell'engagement sull'app

hsbc-hh-header-image
INDUSTRIA: Servizi finanziari
CASO D'USO DELLA PIATTAFORMA: Delta Lake,Data Science,Machine Learning,etl
Cloud: azure

"Abbiamo notato grandi miglioramenti nella velocità con cui i dati diventano disponibili per l'analisi. Molti lavori che richiedevano 6 ore ora richiedono solo 6 secondi".

– Alessio basso, Chief architect, HSBC

HSBC, una della maggiori banche internazionali, sta introducendo un nuovo modo di gestire i pagamenti digitali su dispositivi mobili. L'istituto ha sviluppato PayMe, un'app social che facilita transazioni digitali fra i consumatori e le loro reti, in modo istantaneo e sicuro. Con oltre 39 milioni di clienti, HSBC faticava a superare i limiti di scalabilità che le impedivano di prendere decisioni guidate dai dati. Grazie a Databricks, la banca è ora in grado di potenziare l'analisi dei dati e il machine learning per alimentare casi d'uso incentrati sul cliente, con personalizzazione, raccomandazioni, scienza delle reti e rilevamento delle frodi.

La scienza dei dati e l'ingegneria faticavano a sfruttare i dati

La scienza dei dati e l'ingegneria faticavano a sfruttare i dati

HSBC è consapevole dell'enorme opportunità di fornire un servizio migliore ai suoi oltre 39 milioni di clienti attraverso dati e analisi. Cogliendo l'occasione di reinventare i pagamenti mobili, ha sviluppato PayMe, un'app di pagamenti social. Dal lancio sul mercato di Hong Kong l'app è diventata la prima nella regione, con oltre 1,8 milioni di utenti.

Nell'ottica di fornire alla propria base di clienti in continua espansione la migliore esperienza di pagamento possibile, l'istituto ha puntato su dati e machine learning per realizzare svariati casi d'uso come il rilevamento di attività fraudolente, la gestione del cliente a 360 gradi per supportare le scelte di marketing, la personalizzazione e altro ancora. Tuttavia, costruire modelli adeguati a questi casi d'uso, che funzionassero in modo sicuro, rapido e scalabile, era più facile a dirsi che a farsi.

  • La lentezza delle pipeline di dati si traduceva in dati obsoleti: i sistemi esistenti frenavano l'elaborazione e l'analisi di dati su larga scala. I dati dovevano essere esportati e campionati manualmente, con grande dispendio di tempo. Di conseguenza, quando arrivavano ai data scientist, i dati erano ormai vecchi di settimane, e questo impediva loro di realizzare attività predittive.

  • Esportazione e mascheramento manuale dei dati: i processi esistenti richiedevano di compilare manualmente un modulo di approvazione per ogni richiesta di dati, aumentando il rischio di errori. Inoltre, il processo di mascheramento manuale richiedeva molto tempo e non rispettava le severe regole di qualità e protezione dei dati.

  • Data science inefficiente: i data scientist lavorano a compartimenti stagni, ciascuno sulla sua macchina e in ambienti personalizzati, con capacità limitate di esplorare i dati grezzi e addestrare modelli su larga scala. La collaborazione risultava quindi scarsa e l'iterazione sui modelli molto lenta.

  • Gli analisti faticavano a sfruttare i dati: serviva un accesso a sottoset di dati strutturati per business intelligence e reportistica.

Analisi più rapide e sicure e ML su larga scala

Analisi più rapide e sicure e ML su larga scala

Grazie all'uso dell'NLP e dell'apprendimento automatico, HSBC è in grado di comprendere rapidamente l'intento di ogni transazione all'interno dell'app PayMe. Questa vasta gamma di informazioni viene poi utilizzata per informare vari casi d'uso, dalle raccomandazioni ai clienti alla riduzione delle attività anomale.

Con Azure Databricks, l'istituto ha unificato l'analisi dei dati per tutte le attività di data engineering, data science e analisi.

  • Maggiore efficienza operativa: funzionalità come la gestione e l'autoscalabilità dei cluster hanno migliorato le attività operative dall'acquisizione dei dati alla gestione dell'intero ciclo di vita del machine learning.

  • Mascheramento dei dati in tempo reale con Delta Lake: con Databricks e Delta Lake, HSBC è riuscita a fornire ai team di data science e analisi, in maniera sicura, dati di produzione anonimizzati in tempo reale.

  • Pipeline di dati performanti e scalabili con Delta Lake: la banca è riuscita a elaborare i dati in tempo reale per l'analisi e il machine learning a valle.

  • Collaborazione per data science e data engineering: consente di velocizzare la scoperta dei dati, ingegnerizzare le feature in modo iterativo, sviluppare e addestrare i modelli in tempi rapidi.

Un'analisi più approfondita porta all'applicazione numero 1

Un'analisi più approfondita porta all'applicazione numero 1

Databricks fornisce a HSBC una piattaforma unificata di analisi dei dati che centralizza tutti gli aspetti del processo di analisi, dall'ingegneria dei dati alla "messa in produzione" dei modelli ML che forniscono informazioni approfondite più ricche.

  • Pipeline di dati più veloci: automazione dei processi ed elaborazione potenziata dei dati da 6 ore a 6 secondi per analisi complesse.

  • Da descrittivo a predittivo: la capacità di addestrare modelli sull'intero set di dati ha consentito all'istituto di implementare modelli predittivi per alimentare svariati casi d'uso.

  • Da 14 database a 1 Delta Lake: passaggio da 14 database di lettura replicati a un singolo datastore unificato con Delta Lake.

  • PayMe è l'app n° 1 a Hong Kong: il 60% di quota di mercato a Hong Kong fa di PayMe l'app n° 1.

  • Miglioramento del coinvolgimento dei consumatori: La capacità di sfruttare la scienza delle reti per comprendere le connessioni dei clienti ha portato a un miglioramento di 4,5 volte dei livelli di coinvolgimento con l'app PayMe.