Все статьи
Исследование скорингового процесса для Alatau City Bank
40 сессий, 97 инсайтов, 11 барьеров: как мы протестировали кредитный флоу банка и ускорили аналитику с помощью ИИ.
Кейс
Discovery
AI
~ 10 мин чтения
Чтобы найти проблемы в кредитной воронке Alatau City Bank, мы пригласили 40 респондентов. Анализировать 40 часов видео вручную — долго и дорого, поэтому мы делегировали рутину нашему внутреннему ИИ-сервису Product Insight Lab. Рассказываем, как автоматизация позволила найти неочевидные инфраструктурные барьеры продукта.
Вводные данные проекта
- Клиент: Alatau City Bank.
- Задача: выявить причины оттока пользователей в процессе подачи заявки на кредит в приложении.
- Метод: количественное модерируемое юзабилити-тестирование.
- Масштаб: 40 респондентов, Алматы, 2026 год.
- Инструмент: собственный ИИ-сервис Product Insight Lab.
С чем пришел заказчик
Банк сформулировал гипотезу: воронка оформления кредита в мобильном приложении работает неэффективно. Дашборды фиксировали потерю пользователей на конкретных этапах. Клиенту требовалось подтвердить гипотезу и получить приоритезированный список барьеров.
Почему количественный метод и реальный продукт
Классическое качественное исследование на 8–12 человек находит интерфейсные барьеры. Но оно не показывает масштаб проблемы. Без данных о частотности команда не понимает, какую ошибку исправлять первой.
Мы организовали тестирование на 40 респондентах. На такой выборке частотность барьера становится аргументом для принятия бизнесовых решений.
Участники проходили сценарий на собственных смартфонах в релизной версии приложения. Это позволило учесть разнообразие устройств, качество мобильной связи и освещение.
Скрининг участников
Мы отбирали респондентов под сценарий первого обращения за кредитом. Требования к выборке:
- Граждане Казахстана из Алматы в возрасте от 18 до 65 лет.
- Пользователи банковских услуг, готовые рассматривать кредитование.
- Отсутствие действующих кредитов в банке-заказчике.
- Положительная кредитная история без просрочек.
- Готовность подать реальную заявку в приложении без финального оформления.
Чистая кредитная история — ключевое методологическое требование. Отказы банка не должны были списываться на статус «плохого заемщика». Участники проходили настоящий скоринг банка. Это позволило протестировать самый сложный участок воронки — этап получения решения, который невозможно сымитировать на тестовом стенде.
Как проходили сессии
Мы провели 40 очных сессий в UX-лаборатории Rocket Tech. Респондент держал свой телефон. Внешняя камера записывала экран устройства, хват и движения пальцев. Модератор не подсказывал шаги. Он удерживал участника в сценарии и фиксировал моменты, когда ожидание расходилось с реальностью.
Product Insight Lab: ИИ-конвейер для аналитики
Анализ 40 часов видео — главное препятствие для частых количественных исследований. Ручная транскрибация, разметка реплик и подсчет частотности сжигают бюджет и сроки. Мы делегировали эти задачи ИИ-сервису Product Insight Lab от Rocket Tech.
Как работает алгоритм:
- Транскрибация с таймкодами. Видео переводится в текст. Система разделяет реплики по спикерам и привязывает их к секундам на записи.
- Первичная разметка. Алгоритм ищет фрагменты-кандидаты: вопросы к интерфейсу, паузы, комментарии об ошибках.
- Кластеризация паттернов. ИИ сводит схожие наблюдения из разных сессий в единые группы. Это исключает человеческий фактор — алгоритм не забывает формулировки из первых интервью к концу выборки.
- Формирование болей. Паттерны собираются в описания конкретных проблем.
- Подсчет частотности. Сервис считает, в скольких сессиях из 40 проявилась каждая проблема. Это база для честной приоритизации.
- Прослеживаемость. Каждое утверждение в отчете связано ссылкой с исходным таймкодом. Мы задокументировали 97 наблюдений, любое из которых можно перепроверить в один клик.
Роль исследователя
ИИ забрал рутину, но оставил человеку принятие решений. UX-исследователь валидировал кластеры, удалял ложные срабатывания, описывал механику поведения и формулировал продуктовые рекомендации.
Этап обработки данных сократился с расчетных 60 часов до фактических 12 часов. Стоимость аналитики снизилась на 80%. Мы инвестировали освободившийся ресурс в глубину анализа — подняли и перепроверили сквозные связи между разными барьерами.
Как мы приоритизировали находки
Команда не может взять в работу сразу 11 барьеров. Мы ранжировали их по двум метрикам:
- Частотность — сколько участников из 40 столкнулись с проблемой.
- Критичность — может ли человек решить проблему сам, и уходит ли он из воронки.
Мы разделили эти понятия. Частая, но небольшая проблема может вызывать раздражение в моменте. Редкая, но критичная проблема может приводить к уходу клиента к конкуренту — поэтому их стоит приоритизировать в бэклоге.
Результаты исследования: агрегированные данные
Мы количественно подтвердили гипотезу заказчика. Предполагаемая проблема оказалась самой массовой — она затронула более половины участников. Всего мы нашли 11 барьеров на пяти этапах воронки.
Однако самую высокую ценность проекту принесли барьеры, которых не было в гипотезах банка. Их невозможно обнаружить через продуктовую аналитику или экспертный аудит:
- Инфраструктурный сбой. Несколько респондентов подряд не могли пройти шаг идентификации. В аналитике банка это выглядело как ошибка пользователей. Таймкоды показали, что сбой локализован во времени — это сигнал о нестабильности бэкенда.
- Архитектура ошибок. Затруднения с валидацией или доступом к данным сбрасывали сценарий в самое начало. Мелкие недоработки складывались в системный паттерн. Заказчику требовался не редизайн экранов, а изменение архитектуры обработки ошибок.
- Барьер доверия. Часть людей отказывалась предоставлять данные из-за соображений приватности. Улучшение интерфейса здесь не работает. Продукту требовался альтернативный путь.
- Прозрачность коммуникации. Респонденты не понимали финансовую терминологию. Клиенты уходили сравнивать условия на внешние площадки, из которых могли уйти к конкурентам.
Импакт для продукта
Банк получил готовый к спринтам бэклог:
- Приоритизированный список из 11 барьеров с точной частотностью.
- 97 задокументированных инсайтов с видеоподтверждениями.
- Разделение задач для команд. Часть проблем передали дизайнерам интерфейсов, часть — бэкенд-разработчикам, часть ушла на уровень бизнес-требований.
Главный инсайт: самая массовая проблема находилась на финальном шаге воронки. Пользователь уже потратил максимум усилий на заполнение заявки. Устранение барьера в этой точке даст бизнесу наибольшую конверсионную отдачу.
Что в итоге
Совмещение экспертного подхода со специализированными сервисами меняет стандарт UX-исследований. ИИ снял рутинную нагрузку с исследователей, позволив сфокусироваться на архитектурных связях продукта. Заказчик получил достоверные данные для роста конверсии без переплат за ручной аналитический труд.
Проведём такое же исследование для вашего продукта
Rocket Tech проводит количественные и качественные продуктовые исследования в собственной AI UX-лаборатории в Алматы: юзабилити-тестирование, глубинные интервью, тестирование прототипов и релизных продуктов, дневниковые исследования, A/B-эксперименты.
Подробнее о видах исследований для ваших продуктов — на странице Discovery.
Опубликовано: 23 сентября 2026
Рекомендуемые статьи