Réinventer la banque mobile grâce au Machine learning
Quelques secondes pour effectuer des analyses complexes contre 6 heures
Delta Lake a remplacé 14 bases de données
Amélioration de l'engagement sur l'application
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.
La science et l’ingénierie des données ont eu du mal à exploiter les données
La science et l’ingénierie des données ont eu du mal à exploiter les données
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.
Analyses et ML plus rapides et plus sécurisées à grande échelle
Analyses et ML plus rapides et plus sécurisées à grande échelle
Grâce à l'utilisation du NLP et du Machine Learning, HSBC est en mesure de comprendre rapidement l'intention de chaque transaction dans son application PayMe. Cette large gamme d'informations est ensuite utilisée pour informer divers cas d'utilisation, des recommandations aux clients, en passant par la réduction des activités anormales.
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.
Des informations plus riches mènent à l’application #1
Des informations plus riches mènent à l’application #1
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.
Des pipelines de données plus rapides : automatisation des processus et réduction du temps de traitement des données, qui passe de six heures à six secondes pour les analytiques complexes.
De la description à la prédiction : désormais capable d'entraîner des modèles sur l’ensemble de ses données, l'équipe a déployé des modèles prédictifs pour optimiser divers cas d’usage.
De 14 bases de données à un Delta Lake : passage de 14 réplicas de bases de données en lecture à un seul stockage de données unifié avec Delta Lake.
PayMe est l'application n° 1 à Hong Kong : 60 % de parts de marché à Hong Kong.
Amélioration de l'engagement des consommateurs : la capacité à tirer parti de la science du réseau pour comprendre les relations avec les clients a entraîné une amélioration de 4.5 fois des niveaux d'engagement avec l'application PayMe.
