機械学習の活用で
モバ@ @ルバンキングを刷新

世界有数の国際的な金融機関である汇丰はモバイルデバイスでの電子決済に新たな管理方法を導入し,この分野を牽引しています。人気のソーシャルアプリPayMeは,利用者同士でのキャッシュレス取引を即時かつセキュアに行うことを目的として汇丰が開発したものです。3900年汇丰は万人以上もの顧客にサービスを提供するうえで,スケーラビリティの限界に直面するようになり,そのことがデータ駆動型の意思決定を妨げていました。汇丰は砖の導入により,データ分析と機械学習のスケーリングが可能になり,パーソナライゼーション,レコメンデーション,ネットワークサイエンス,不正検出など,顧客中心のユースケースに対応できるようになりました。

デタサエンスとデタエンジニアリングにデタを有効活用できていなかった

汇丰はデータと分析を有効活用することで,3900人万人以上の顧客に対してよりよいサービスを提供できることを認識していました。そこで，電子決済に新たな可能性を見出し，ソ，シャルアプリのPayMeを開発しました。PayMeは,汇丰の最大の市場である香港での発表以来,180人万人以上のユーザーを獲得し,同地域でナンバーワンのアプリとなっています。

急速に成長している顧客基盤に可能な限り最高のモバイル決済のエクスペリエンスを提供するために,汇丰はデータと機械学習を活用し,不正行為の検出,マーケティングの意思決定を支援する客户360,パーソナライゼーションなど,さまざまなユースケースを展開しています。しかし,これらのユースケースをセキュアで高速,かつスケーラブルな方法で実現できるモデルを構築することは簡単ではありませんでした。

• データパイプラインが低速なため処理に時間がかかる:従来のシステムは,データを大規模に処理,分析する能力が欠けており,データのエクスポートやサンプル作成は手作業で行う必要があったため,時間がかかっていた。データサイエンス部門にそのデータが届いたときには,すでに数週間前の古いデータになっており,予測能力を妨げていた。
• 手作業によるデータのエクスポートとマスキング:従来のプロセスでは,データリクエストごとに手作業で承認フォームに入力する必要があり,エラーが発生しやすかった。さらに,手作業でのマスキング処理は時間がかかるだけでなく,厳格なデータ品質や保護ルールも守られていなかった。
• 非効率的なデータサイエンス:データサイエンティストは,独自のマシンやカスタム環境で作業していたためサイロ化が常態化しており,生データの探索や大規模なモデルのトレーニングが制限されていた。そのため，コラボレ，ションが不十分で，モデルの反復も非常に遅かった。
• データアナリストがデータを有効活用できていなかった:ビジネスインテリジェンスやレポート作成のためには構造化データのサブセットにアクセスする必要があった。