В высококонкурентной среде финтеха пользовательский и клиентский опыт становятся ключевыми драйверами роста бизнеса. Для микрофинансовых организаций и банков прозрачность условий, удобство цифровых каналов и интуитивно понятные сценарии оформления продуктов напрямую влияют на лояльность аудитории и итоговую конверсию.
Стандартный аудит сложных банковских экосистем требует значительного времени на рутинный анализ экранов. Чтобы оптимизировать этот процесс и сфокусироваться на поиске неочевидных инсайтов, мы в Rocket Tech применили гибридный подход: объединили глубокую экспертизу UX-дизайнера и UX-исследователя с аналитическими мощностями большой языковой модели (LLM). В этом кейсе мы расскажем, как этот метод помог нам провести аудит для компании KMF.
Клиент и бизнес-задача
KMF — крупный игрок на рынке микрокредитования. В рамках проекта перед нами стояла цель повысить эффективность сайта kmf.kz как канала привлечения и конверсии за счёт выявления и приоритизации UX/UI-проблем.
Ключевые направления для улучшений включали в себя:
- Рост заявок на продукты (кредиты и депозиты).
- Снижение отказов на формах и в калькуляторах.
- Улучшение понимания условий продуктов и прозрачности предложений.
- Повышение удобства навигации и мобильного пользовательского опыта (mobile-first).
- Укрепление доверия к бренду и восприятия банка в цифровом канале.
Подход: Синергия UX-специалистов и LLM
Для работы над проектом мы пошли по пути точечного усиления команды. UX-исследователь и UX-дизайнер подключили отдельную LLM, доверив ей роль мощного ассистента для первичного скоринга и сравнения интерфейсов.
Методология аудита строилась на следующих шагах:
- Составление списка эвристических правил и критериев для оценки UX/CX.
- Снятие скриншотов нужных интерфейсов KMF и конкурентов.
- Проверка скриншотов KMF по списку критериев для оценки UX/CX в LLM.
- Проверка скриншотов конкурентных интерфейсов по списку критериев для оценки UX/CX в LLM.
- Выделение проблем KMF и хороших решений конкурентов в сфере UX/CX нейросетью.
- Ручная перепроверка интерфейсов в динамике и результатов из LLM нашими специалистами для отсева ложных срабатываний и учета контекста.
- Составление финальных рекомендаций для KMF.
Ключевые инсайты исследования
Связка аналитики через LLM и ручной экспертной валидации позволила нам абстрагироваться от частностей и выявить системные паттерны в пользовательских сценариях. Мы классифицировали найденные зоны роста по степени их влияния на финальную конверсию.
Критические барьеры в воронках (Высокая критичность)
Это сценарии, в которых пользователь сталкивается с непреодолимым препятствием и не может завершить целевое действие самостоятельно. Наш гибридный подход помог выявить:
- «Слепые» зоны валидации: Ситуации, когда система реагирует на действия пользователя сообщением об ошибке, но не объясняет причины их появления и не дает рекомендаций по их исправлению. Мы предложили фреймворк понятной обратной связи, который снижает процент брошенных заявок.
- Проблемы казахоязычной версии интерфейса: Аудит подсветил локальные разрывы в консистентности перевода интерфейсов, которые могут негативно влиять на доверие аудитории, предпочитающей государственный язык.
- Технические блокираторы: Были обнаружены сбои в логике прогрузки ключевых CTA-элементов, из-за которых обрывался путь пользователя к установке приложения и оформлению продукта.
Разрывы пользовательского опыта (Средняя критичность)
Недочеты, которые не блокируют процесс полностью, но увеличивают когнитивную нагрузку и заставляют пользователя тратить лишние усилия:
- Разрывы омниканального опыта: Мы нашли точки, где переход клиента с веба в мобильное приложение выглядел тупиковым и предложили рекомендации для исправления.
- Неочевидные UI-паттерны: Нейросеть и эксперты обратили внимание на элементы интерфейса (например, в калькуляторах), чье визуальное состояние вводило в заблуждение и не соответствовало реальному функционалу.
- Снижение контроля в сложных сценариях: В многошаговых процессах (например, при подаче заявки на кредит) пользователям не хватало прозрачности и понимания своего прогресса. Мы рекомендовали внедрить контекстные подсказки, чтобы снизить тревожность при оформлении финансовых продуктов.
Итоги для бизнеса
Использование отдельной LLM в качестве инструмента скоринга позволило команде Rocket Tech кратно ускорить анализ десятков экранов сайта и приложения KMF, а также интерфейсов конкурентов. Благодаря тому, что рутинная проверка эвристик легла на плечи нейросети, UX-исследователь и UX-дизайнер смогли уделить максимум внимания качественной ручной проверке гипотез в динамике.
В результате клиент получил не просто список визуальных правок, а структурированный фреймворк рекомендаций, основанный на данных и передовых UX-практиках финтеха. Внедрение этих изменений позволит KMF устранить барьеры в конверсионных воронках, сделать финансовые продукты понятнее для пользователя и укрепить цифровое лидерство компании на рынке.
