Mit maschinellem Lernen das mobile Banking neu erfinden

Industrie

Technologie

Datenwissenschaft Deltasee ETL Maschinelles Lernen Seehaus SQL

Einführung

Automatisierung von Prozessen und Verbesserung der Datenverarbeitung von 6 Stunden auf 6 Sekunden für komplexe Analysen.

Über den Kunden

Als eine der größten internationalen Banken führt sie eine neue Art der Verwaltung digitaler Zahlungen über mobile Geräte ein. Sie entwickelten PayMe, eine soziale App, die bargeldlose Transaktionen zwischen Verbrauchern und ihren Netzwerken sofort und sicher ermöglicht. Mit über 39 Millionen Kunden kämpfte das Unternehmen damit, die Grenzen der Skalierbarkeit zu überwinden, die es daran hinderten, datengesteuerte Entscheidungen zu treffen. Mit NashTech sind sie in der Lage, Datenanalysen und maschinelles Lernen zu skalieren, um kundenorientierte Anwendungsfälle wie Personalisierung, Empfehlungen, Netzwerkforschung und Betrugserkennung zu unterstützen.

Auswirkungen

170+ PB an Daten in Rechenzentren in 21 Ländern
6 Sekunden für die Durchführung komplexer Analysen im Vergleich zu 6 Stunden
1 Delta Lake hat 14 Datenbanken ersetzt
4,5-fache Verbesserung des Engagements in der App

Herausforderungen

Das Unternehmen hat die enormen Möglichkeiten erkannt, die sich ihm bieten, um seine über 39 Millionen Kunden mithilfe von Daten und Analysen besser zu bedienen. Sie sahen die Chance, den mobilen Zahlungsverkehr neu zu erfinden, und entwickelten PayMe, eine App für soziale Zahlungen. Seit der Markteinführung in seinem Heimatmarkt Hongkong hat sich die App mit über 1,8 Millionen Nutzern zur Nummer 1 in der Region entwickelt.

In dem Bestreben, seinem schnell wachsenden Kundenstamm das bestmögliche mobile Zahlungserlebnis zu bieten, setzte das Unternehmen auf Daten und maschinelles Lernen, um verschiedene gewünschte Anwendungsfälle zu ermöglichen, wie z. B. die Erkennung betrügerischer Aktivitäten, 360 Kunden für Marketingentscheidungen, Personalisierung und mehr. Es war jedoch leichter gesagt als getan, Modelle zu entwickeln, die diese Anwendungsfälle auf sichere, schnelle und skalierbare Weise abdecken konnten.

Langsame Datenpipelines führten zu veralteten Daten: Veraltete Systeme behinderten ihre Fähigkeit, Daten in großem Umfang zu verarbeiten und zu analysieren. Sie mussten die Daten manuell exportieren und Stichproben nehmen, was sehr zeitaufwändig war. Dies führte dazu, dass die Daten bei der Übermittlung an das Data-Science-Team bereits Wochen alt waren, was ihre Fähigkeit zur Vorhersage behinderte.
Manuelles Exportieren und Maskieren von Daten: Bei den alten Verfahren musste für jede fehleranfällige Datenabfrage ein manuelles Genehmigungsformular ausgefüllt werden. Außerdem war der manuelle Maskierungsprozess zeitaufwändig und entsprach nicht den strengen Regeln für Datenqualität und Datenschutz.
Ineffiziente Datenwissenschaft: Datenwissenschaftler arbeiteten in Silos auf ihren Maschinen und in benutzerdefinierten Umgebungen, was ihre Fähigkeit einschränkte, Rohdaten zu untersuchen und Modelle in großem Umfang zu trainieren. Infolgedessen war die Zusammenarbeit mangelhaft und die Modelliteration sehr langsam.
Datenanalysten hatten Schwierigkeiten, die Daten zu nutzen: Sie benötigen Zugang zu Teilmengen strukturierter Daten für Business Intelligence und Berichte.

Lösung

Durch den Einsatz von NLP und maschinellem Lernen ist das Unternehmen in der Lage, die Absicht hinter jeder Transaktion innerhalb seiner PayMe-App schnell zu verstehen. Dieses breite Spektrum an Informationen wird dann für verschiedene Anwendungsfälle genutzt, von Empfehlungen für Kunden bis zur Reduzierung anormaler Aktivitäten.

Mit Azure NashTech sind sie in der Lage, die Datenanalyse über Data Engineering, Data Science und Analysten hinweg zu vereinheitlichen.

Verbesserte betriebliche Effizienz: Funktionen wie die automatische Skalierung von Clustern und die Unterstützung von Delta Lake haben den Betrieb von der Datenaufnahme bis zur Verwaltung des gesamten Lebenszyklus des maschinellen Lernens verbessert.
Datenmaskierung in Echtzeit mit Delta Lake: Mit NashTech und Delta Lake war das Unternehmen in der Lage, anonymisierte Produktionsdaten in Echtzeit für die Data-Science- und Data-Analyst-Teams bereitzustellen.
Leistungsstarke und skalierbare Datenpipelines mit Delta Lake haben es ihnen ermöglicht, Daten in Echtzeit für nachgelagerte Analysen und maschinelles Lernen zu verarbeiten.
Zusammenarbeit zwischen Datenwissenschaft und Technik: Ermöglicht eine schnellere Datenermittlung, iteratives Feature-Engineering sowie eine schnelle Modellentwicklung und -schulung.

Ergebnisse

Umfassendere Erkenntnisse führen zur App Nr. 1

NashTech stellt dem Unternehmen eine einheitliche Datenanalyseplattform zur Verfügung, die alle Aspekte des Analyseprozesses zentralisiert, von der Datentechnik bis zur Erstellung von ML-Modellen, die umfassendere Geschäftseinblicke liefern.

Schnellere Datenpipelines: Automatisierung von Prozessen und Steigerung der Datenverarbeitung von 6 Stunden auf 6 Sekunden für komplexe Analysen.
Von deskriptiv zu prädiktiv: Die Möglichkeit, Modelle anhand ihres gesamten Datensatzes zu trainieren, hat sie in die Lage versetzt, prädiktive Modelle für verschiedene Anwendungsfälle einzusetzen.
Von 14 Datenbanken zu 1 Delta Lake: Umstellung von 14 Read Replica-Datenbanken auf einen einzigen, einheitlichen Datenspeicher mit Delta Lake.
PayMe ist die Nr. 1 App in Hongkong: 60 % Marktanteil in Hongkong machen PayMe zur Nr. 1 App.
Verbesserte Kundenbindung: Die Fähigkeit, die Netzwerkwissenschaft zu nutzen, um Kundenverbindungen zu verstehen, hat zu einer 4,5-fachen Verbesserung der Kundenbindung bei der PayMe-App geführt.

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

Chefarchitekt