Gamifikasi di sektor perbankan. Mengapa bank dan sistem pembayaran membutuhkan gamification
Pada bulan Maret 2017, kami didekati oleh klien yang mungkin paling sulit untuk seluruh keberadaan layanan kami, yang mewakili kepentingan satu bank besar, yang memiliki jaringan cabang yang cukup besar di seluruh Rusia. Kami selalu senang kepada setiap klien, tetapi kali ini spesialis kami harus menghadapi birokrasi perbankan yang khas, yang belum pernah kami temui dengan klien kami. Namun, perlu dicatat bahwa kesulitan yang kami alami ketika bekerja dengan bank ini memiliki penjelasannya sendiri - organisasi yang begitu serius tidak dapat membuat perubahan di situs webnya tanpa mempertimbangkan masing-masing yang kami usulkan.
Di bawah ini kami akan menjelaskan secara lebih rinci semua kesulitan yang kami temui dalam kerjasama dengan spesialis TI dan manajemen bank dan bagaimana kami meningkatkan lalu lintas situs lebih dari dua kali dalam 7 bulan.
Pertemuan pertama
Kenalan pertama dengan situs (dan karyawan departemen PR bank) terjadi pada Maret 2017. Pada saat itu, situs tersebut memiliki lalu lintas yang sangat baik dari mesin pencari, karena bank itu sendiri dan domain pada waktu itu telah ada selama sekitar 10 tahun dan selama ini spesialis PR dari lembaga keuangan ini secara aktif bekerja sama. menargetkan situs Internet dan iklan offline, yang memberi situs kepercayaan dan di masa depan itu banyak membantu kami dengan promosi.
Hasil langsung dari bertahun-tahun kerja spesialis PR bank adalah bahwa banyak tautan alami ditempatkan di situs, yang, bersama dengan domain lama, dapat memuluskan fakta bahwa tidak ada yang terlibat dalam pengoptimalan internal. dari situs.
Juga, bank memiliki jumlah cabang yang cukup di wilayah Rusia, yang tercermin dalam struktur situs webnya, pekerjaan yang juga harus memakan waktu.
Pengembangan situs web
Audit situs SEO
Kami memulai audit situs kami dengan memeriksa halaman duplikat dan tag meta. Dalam praktik kami, kami terus-menerus menemukan situs dengan halaman duplikat, tag meta atau konten, dan situs bank tidak terkecuali. Sebuah mesin yang cukup kompeten dari sudut pandang keamanan menghasilkan beberapa lusin halaman duplikat dan bahkan lebih banyak halaman dengan tag meta Judul dan Deskripsi duplikat (sebagai contoh, halaman bagian dan halaman bagian memiliki judul dan deskripsi halaman yang sama, yang dalam hal optimasi internal, secara umum , omong kosong).
Setelah memeriksa situs untuk duplikat, saatnya untuk mulai mencari kesalahan dalam konten. Untuk kredit copywriter bank dan spesialis PR, mereka hampir tidak pernah ditemukan. "Hampir" berarti bahwa bug utama yang kami temukan adalah format teks yang buruk, judul yang hilang, atau tag meta yang hilang untuk gambar. Semua komentar pada setiap halaman dimasukkan ke dalam file kerja untuk diskusi selanjutnya tentang perubahan dengan perwakilan pelanggan.
Juga, di situs tersebut, "remah roti" micro-markup, yang telah menjadi cukup populer dalam beberapa tahun terakhir, tidak diperhatikan. Untuk situs web bank yang memiliki beberapa bagian dan subbagian, keberadaan markup seperti itu, meskipun bukan persyaratan wajib, tetap sangat diinginkan.
Item terakhir pada daftar kesalahan adalah item tentang tautan internal yang buruk antar halaman. Terlepas dari kenyataan bahwa beberapa halaman meminta untuk ditautkan dengan tautan satu sama lain, pada kenyataannya, hal seperti ini tidak dilakukan oleh manajer konten bank.
Di situlah kita selesai dengan kesalahan optimasi SEO di situs.
Audit teknis
Dari sisi teknis optimasi situs, semuanya ternyata jauh lebih menyedihkan, karena, seperti yang kami tulis di atas, mesin yang cukup kuat dalam hal keamanan, sangat lemah dalam hal optimasi. Termasuk teknis.
Hal pertama yang kami periksa adalah kecepatan unduh. Sayangnya, dia meninggalkan banyak hal yang diinginkan. Tidak, situs tersebut, tentu saja, dimuat, tetapi kecepatannya sangat rendah dibandingkan situs pesaing. Dua faktor menyebabkan hal ini: gambar berat di situs dan kehadiran beberapa modul di template yang memperlambat pemuatan.
Poin kedua yang diperhatikan oleh SEO kami adalah tidak adanya file robots.txt dan sitemap.xml di direktori root situs. Setelah beberapa klarifikasi dari admin bank, ternyata mereka tidak ada sama sekali. Nah, kami menambahkan satu item lagi ke file kerja untuk percakapan selanjutnya dengan klien.
Poin ketiga adalah mencari semua tautan keluar dari halaman situs dan menganalisis masing-masing. Pada dasarnya, tautan rusak ditemukan (baik ke halaman internal situs maupun ke situs eksternal).
"Kusen" keempat dari portal klien adalah tata letak adaptif berkualitas buruk. Terlihat bahwa ketika bekerja dengan situs di ponsel cerdas, beberapa blok dipindahkan dan kesalahan lainnya keluar. Menariknya, semuanya baik-baik saja di tablet.
Poin kelima yang kami miliki adalah memeriksa halaman situs untuk "berat" (sederhananya, sehingga situs tidak memiliki halaman seperti itu, kode yang akan melebihi 200 kilobyte). Ke depan, kami akan mengatakan bahwa halaman seperti itu ditemukan dan bahkan segera (dibandingkan dengan item lain) diperbaiki oleh administrator bank ke arah penurunan "berat".
Pada lima poin ini, masalah teknis telah selesai, dan kami melanjutkan untuk menyusun inti semantik.
Inti semantik
Pembuatan inti semantik untuk halaman yang ada dimulai dengan fakta bahwa struktur situs dibuat, dimulai dengan halaman utama dan diakhiri dengan halaman tingkat bersarang kedua. Untuk setiap halaman, kami mengelompokkan beberapa kueri frekuensi tinggi dan menengah yang relevan, beberapa di antaranya telah ditempatkan di dalamnya dalam satu atau lain bentuk, dan sisanya perlu ditempatkan.
Kami memulai proses pengumpulan frasa kunci dengan menganalisis konten di situs web klien kami, kemudian beralih ke pengumpulan semantik dari halaman serupa dari situs web pesaing dan menyelesaikan kompilasi inti kueri dengan bekerja secara menyeluruh dengan layanan pengumpulan kata kunci. Dengan demikian, kami memiliki beberapa ratus kata kunci yang relevan dan kompetitif di tangan kami yang perlu ditempatkan di halaman bank yang ditujukan untuk individu dan badan hukum, dan masih ada beberapa grup kueri yang menjanjikan untuk halaman tambahan yang dapat dibuat.
Pengoptimalan internal berfungsi
Setelah melakukan dua audit dan menyusun inti semantik situs, spesialis kami, bersama dengan spesialis TI dan manajer bank, mulai bekerja di situs.
Hal pertama yang kami kerjakan bersama adalah memperbaiki kesalahan teknis. Yang paling mudah adalah meningkatkan kecepatan loading website. Gambar volumetrik dioptimalkan oleh kami di Photoshop, yang hampir separuh ukuran akhirnya, dan modul yang menghambat pekerjaan situs dihapus sebagian, sebagian ditulis ulang oleh spesialis TI bank. Akibatnya, kecepatan unduh situs klien mulai menyamai situs bank Rusia terbesar. Kami juga dengan cepat memecahkan masalah tidak adanya file robots.txt dan peta situs: kami mengirim instruksi untuk bot pencarian dalam bentuk file ke spesialis TI bank melalui surat, dan pada hari yang sama kami melihat file ini di lokasi. Bank menolak untuk menulis modul terpisah untuk peta situs, lebih memilih solusi gratis dari salah satu layanan online.
Segalanya menjadi sedikit lebih rumit dengan penghapusan tautan keluar dari situs. Meski jumlahnya sedikit, prosesnya memakan waktu sekitar satu minggu. Mengapa demikian - kita tidak tahu. Namun, saat bank menghapus tautan yang kami tunjukkan, kami sendiri berhasil membuat tata letak adaptif berkualitas tinggi untuk ponsel cerdas, yang kami uji di bank selama seminggu lagi.
Jadi, dalam dua minggu kami berhasil menyelesaikan masalah teknis situs dan langsung mengerjakan kontennya.
Pekerjaan pada konten dimulai dengan fakta bahwa klien dengan tegas menolak untuk membuat halaman baru di situs, lebih memilih untuk meninggalkan struktur lama. Oleh karena itu, kami hanya perlu menyusun rekomendasi terperinci untuk manajer PR bank, setelah itu mereka harus mengubah konten di setiap halaman atau menghapus halaman duplikat. Faktanya, semua rekomendasi diringkas ke kata kunci apa dan dalam jumlah berapa yang perlu ditulis dalam teks itu sendiri dan diskusi tentang bagaimana tag meta Judul dan Deskripsi seharusnya terlihat (kami menulis di atas bahwa mereka digandakan) dan tag H1-H3 .
Kami mengikuti skema yang sama dalam kasus interlinking manual halaman situs di antara mereka sendiri - kami hanya mengirim rekomendasi halaman mana untuk menempatkan tautan dan berlabuh dengan URL untuk tautan tersebut.
Proses ini memakan waktu sekitar dua minggu lagi, sementara semua persetujuan untuk mengubah konten di situs melewati rantai dari kami ke manajer bank yang bertanggung jawab. Omong-omong, bank mendengarkan sebagian besar rekomendasi kami dan mengubah konten seperti yang kami sampaikan kepada mereka.
Faktor komersial
Terlepas dari yang lainnya, kami menganalisis faktor komersial di situs web bank. Di sisi positifnya, situs tersebut sudah memiliki fungsi panggilan balik dan obrolan bawaan dengan operator dukungan, dan setiap penawaran setoran dan pinjaman memiliki kalkulatornya sendiri. Pada sisi negatifnya, tidak mungkin untuk menghubungi operator layanan dukungan menggunakan pesan instan populer, dan halaman "Kontak" tidak memiliki kartu Yandex atau Google bawaan dengan lokasi bank. Sebagian besar, kerugian ini dihilangkan setelah pekerjaan utama di situs selesai.
Juga, dengan pengajuan kami, karyawan bank menghapus informasi usang tentang lembaga keuangan ini di Yandex.Directory dan Google Bisnisku dan menambahkan yang sekarang.
Kesimpulan
Tangkapan layar Yandex.Metrica di bawah ini menunjukkan seberapa banyak kami berhasil meningkatkan lalu lintas situs dan berapa lama waktu yang dibutuhkan.
Awalnya, penghitung metrik dipasang oleh admin situs pada bulan Desember 2016 (ini tidak terlihat di tangkapan layar). Selanjutnya, selama 2,5 bulan, metrik hanya menghitung statistik, dan sudah sejak akhir Maret (seperti yang kami tulis di atas), tim kami mulai bekerja di situs. Menurut pendapat kami, hasilnya bisa jauh lebih baik jika bukan karena koordinasi yang konstan dari semua tindakan kami dengan manajer bank, pekerjaan karyawan bank untuk memperbaiki kesalahan, koordinasi apa yang telah mereka lakukan dengan karyawan kami, dan sejenisnya. Akibatnya, prosesnya, yang bisa memakan waktu paling lama dua minggu, berlangsung selama satu setengah bulan (jika tidak lebih). Di sisi lain, manajer puncak bank juga dapat dipahami - mereka sama sekali tidak memiliki hak untuk mengizinkan orang asing bekerja di situs web, lebih memilih untuk memercayai spesialis TI mereka.
Hingga saat ini, satu-satunya hasil dari pekerjaan yang dilakukan di situs adalah, seperti yang telah kami katakan, hanya peningkatan lalu lintas sebesar 2,3 kali. Kami tidak memiliki data tentang peningkatan basis klien.
Pada forum FinMachine pertama yang diadakan pada hari Jumat, Maxim Eremenko, Direktur Departemen Pemodelan Risiko Sberbank, dan Andrey Chertok, Kepala R&D di Ilmu Data, berbicara tentang bagaimana bank terbesar di negara ini menggunakan pembelajaran mesin, antara lain, untuk menghasilkan klaim dan menemukan mitra bisnis untuk klien mereka.
Maxim Eremenko: Saat ini, kami telah sepenuhnya mendekati masalah mendeteksi dan kemudian memprediksi pola perilaku pemegang kartu. Dengan menganalisis aktivitas pemegang kartu, kami telah belajar untuk mengidentifikasi pola-pola ini.
Andrey Chertok: Sebagai bagian dari partisipasi dalam salah satu proyek bank, kami mendeteksi pola perilaku nasabah bank dalam transaksinya. Model pertama dikaitkan dengan analisis deskriptif perilaku transaksional. Misalnya, klien tidak memiliki pembelian yang terkait dengan mobil - mereka muncul. Ini berarti dia membeli mobil, dan sekarang dimungkinkan, misalnya, untuk menawarkan produk atau layanan klien seperti itu yang berguna bagi pemilik mobil.
Tugas selanjutnya adalah memprediksi peristiwa tertentu, termasuk fakta pembelian. Selain pola, dengan munculnya kode MCC tertentu, dimungkinkan untuk mengekstrak cerita yang cukup menarik dari data, termasuk yang terkait dengan aktivitas akumulatif pemegang kartu. Artinya, kita melihat klien bank mana yang menyimpan uang dan memperingatkan mereka atau pembelian besar lainnya. Ini dapat sangat meningkatkan model. Bank dapat memberikan penawaran yang lebih luas. Namun, ini berarti bahwa model seperti itu harus terus-menerus beradaptasi.
Pada slide, kita melihat tiga kasus yang cukup dapat dipahami: membeli mobil, memperbaiki apartemen / membeli furnitur, dan biaya perawatan. Ini sangat berharga jika umpan balik pada produk yang ditawarkan kepadanya dimungkinkan dari klien. Oleh karena itu, perlu dibuat model yang dapat mempertimbangkan umpan balik ini. Dalam banyak hal, ini adalah prinsip yang sama yang mendasari model pembelajaran penguatan yang sekarang mulai kita kembangkan.
Reinforcement learning yang sekarang sedang dikembangkan oleh OpenAI dan DeepMind antara lain adalah cikal bakal AI yang mereka inginkan. Tidak ada model dunia yang dimasukkan ke dalam sistem terlebih dahulu, dan sistem sebenarnya tidak tahu apa-apa tentangnya. Sistem mulai berinteraksi dengan dunia, untuk menerima umpan balik, yang disebut hadiah. Sistem kemudian menyesuaikan perilakunya berdasarkan seberapa baik atau buruk imbalan yang diterima. Dalam hal produk perbankan, reward adalah, misalnya, seberapa menarik atau tidak menariknya suatu penawaran tertentu dari bank bagi nasabah.
Menggunakan metode dengan properti khusus yang memberikan pembelajaran penguatan, kita dapat mengadaptasi algoritma ini secara real time. Dari pendekatan baru, juga dapat dicatat bahwa baru-baru ini sebuah artikel oleh DeepMind yang sama diterbitkan di Nature, di mana mereka berbicara tentang bagaimana elemen mesin Turing diperkenalkan ke dalam jaringan saraf. Akibatnya, jaringan saraf dapat memiliki memori, yang tidak dimiliki jaringan saraf pada tahap ini.
Kasus 2. Optimalisasi saluran penjualan
Andrey Chertok: Dalam hal ini, kami menganalisis aktivitas transaksional, mencari kelompok pelanggan dengan pola perilaku tertentu. Namun dalam kasus ini, kami tidak mengaitkannya dengan prediksi peristiwa apa pun. Misalnya, kami dapat menemukan klien yang sering terbang, bepergian ke luar negeri, dan sering mengonversi mata uang. Berdasarkan ini, kami membuat penawaran kepada pelanggan tersebut lebih efisien.
Slide menunjukkan pola apa yang dapat kami temukan dan produk apa yang dapat kami tawarkan dalam kasus ini. Secara umum, cerita yang jelas - teknik pengelompokan tertentu diasumsikan di sini. Proyeksi data, misalnya.
Kasus 3. Optimalisasi peredaran uang tunai
Andrey Chertok: Sberbank memiliki jaringan ATM, cabang, dan skema yang luas untuk bekerja dengan klien korporat. Dengan demikian, tugas muncul untuk memprediksi permintaan uang tunai besok. Semakin akurat kami membuat ramalan ini, semakin akurat kami dapat mendistribusikan uang ini. Di satu sisi, penting agar uang tidak menganggur di ATM, tetapi sebaliknya kita dapat menyimpannya di deposito jangka pendek. Di sisi lain, kami berusaha untuk menghindari kerugian reputasi - uang habis lebih awal dari yang direncanakan, dan ATM berhenti bekerja, dan klien tetap tidak puas.
Ini membutuhkan model yang dapat menangani kesalahan asimetris. Model pertama sangat sederhana dan didasarkan pada metode klasik analisis deret waktu yang terkait dengan pemulusannya. Sekarang diperlukan pendekatan yang lebih akurat dan metode pembelajaran mesin sudah digunakan secara aktif. Secara alami, metode seperti itu harus adaptif, karena permintaan bergantung pada faktor makroekonomi dan parameter seperti lokasi ATM di kota dan ramalan cuaca. Menggabungkan fitur yang berbeda memberikan hasil yang lebih signifikan daripada menggunakan model pembelajaran mesin lainnya.
Kasus 4. Pemodelan probabilitas default untuk usaha kecil secara real time
Maxim Eremenko: Pada tahun 2014, semua orang membicarakan Big Data. Pada tahun 2015, pembelajaran mesin menjadi mengganggu dan di ujung tanduk. Pembelajaran mendalam telah menjadi tren utama tahun ini. Tahun depan, jelas, mereka akan berbicara tentang pembelajaran penguatan.
Berbeda dengan tiga tren sebelumnya, pembelajaran penguatan mudah dicoba di platform terbuka. Kecerdasan buatan terbuka, didanai oleh Elon Musk, dan platform DeepMind belajar dari permainan komputer menggunakan API terbuka yang dapat digunakan untuk membobol kode permainan.
Kami mendapatkan pertarungan dua algoritma. Jika di tahun 80-an dan 90-an kita bermain Pacman, sekarang mesin yang mengontrolnya dan algoritma ini bisa dimodifikasi. DeepMind mengambil jalan ini sedikit lebih jauh dan, bersama dengan Blizzard, membangun sebuah algoritma untuk StarCraft.
Algoritma dilatih sedemikian rupa untuk merasionalisasikannya untuk masalah yang cukup diterapkan. Di masa depan, mereka dapat secara efektif mengatur tugas-tugas yang terkait, misalnya, untuk menerjemahkan informasi tekstual ke dalam vektor.
Tugas semacam itu adalah dasar dari mesin Google Word2vec, yang menerjemahkan dari informasi tekstual menjadi vektor, pencarian, dan semua analisis semantik dari teks yang menjadi dasarnya.
Tetapi kasus itu sendiri adalah sedikit tentang sesuatu yang lain. Kami melihat klien aktif dari portofolio kami di segmen B2B dan B2C, dengan memberikan perhatian khusus pada usaha kecil yang secara aktif melakukan pertukaran pembayaran. Dan ketika bekerja dengan mereka, kami mencoba untuk meninggalkan penilaian kredit klasik, dari analisis laporan keuangan dan melakukan pemeriksaan risiko berkualitas tinggi mengenai reputasi penerima manfaat, manajer, dan parameter serupa lainnya. Sebagai gantinya, kami mulai menggunakan beberapa jenis metrik agregat, hanya mengandalkan transaksi - pada kenyataannya, melakukan penilaian analitis berdasarkan data yang tersedia di bank.
Hasilnya, ternyata model berdasarkan penilaian kredit, yang mengurutkan pelanggan menurut probabilitas default, praktis tidak berbeda dalam metrik kuantitatif akurasi dari model klasik. Gini-nya praktis sama di level 60-65%. Tetapi jika informasi bank itu sendiri diperkaya dengan data eksternal, katakanlah, dari jejaring sosial dan digunakan untuk pemeringkatan, maka akurasinya dapat lebih ditingkatkan.
Dalam praktiknya, ini berarti bahwa tidak perlu membuang waktu untuk menilai risiko dari sudut pandang analisis klasik. Anda dapat memproses data yang ada dalam sistem dan mendapatkan metrik kualitas yang sama relevannya secara statistik.
Model ini sekarang hanya dapat digunakan untuk membentuk daftar proposal yang telah disetujui sebelumnya. Jika klien mengatakan, "oke, saya setuju," maka prosesnya lebih rumit. Seiring waktu, jika kita melihat bahwa kualitas aliran tetap pada tingkat saat ini atau lebih tinggi, dan model menunjukkan akurasi prediksi yang lebih tinggi, maka itu dapat digunakan sebagai semacam alternatif.
Kasus 5. Algoritma Pemrosesan Bahasa Alami untuk menganalisis dan menghasilkan klaim
Maxim Eremenko: Sebagai bagian dari penggunaan alat untuk bekerja dengan teks atau Pemrosesan Bahasa Alami, kami dihadapkan pada fakta bahwa Sberbank menghabiskan cukup banyak sumber daya manusia dan waktu untuk menganalisis klaim dan menyiapkan mitra. Pada saat yang sama, analisis sebagian besar informasi penggugat, dan klaim itu sendiri terhadap Sberbank, dapat diotomatisasi. Jangan gunakan tenaga kerja orang yang mengemudi dalam informasi tentang data paspor di bagian operasi pernyataan klaim, tetapi Anda dapat mengekstrak semua ini: tanggal lahir, data paspor, detail, dan bagian operasi. Pada tahap kedua, untuk menyiapkan tandingan klaim, kami menyarankan untuk menggunakan template tertentu sebagai pengoptimalan.
Kasus 6. DefinisiB2PitaB2B-rantai
Maxim Eremenko: Untuk pengguna B2B aktif, Anda tidak hanya dapat membuat penilaian risiko kredit, tetapi juga memilih pola khas mitranya. Jika kami melihat perusahaan dengan profil aktivitas ekonomi yang serupa dalam portofolio, sementara keduanya termasuk dalam kelompok yang kira-kira sama, yaitu, mereka bukan investasi besar dan usaha kecil, maka, berdasarkan pola ini, kami memilih mitra dan merekomendasikan hubungan yang mana. bisa menarik bagi mereka.
Kasus 7. Algoritma untuk chatbot @SberbankML_Bot
Maxim Eremenko: Chatbot kami masih baru belajar, tetapi juga melakukan beberapa hal yang sudah banyak yang tahu caranya, misalnya meneruskan melalui API ke sumber terbuka seperti Wikipedia. Jika Anda bertanya siapa Gref atau Putin, dia akan menjawab.
Kami memiliki komitmen internal kepada bos kami bahwa pada musim panas 2017 bot akan dapat melakukan percakapan tentang perbankan, ditambah lagi akan memiliki kemampuan kognitif dasar dan akan dapat mempertahankan komunikasi tentang topik abstrak. Saat ini, botnya berbasis di Telegram, tetapi kami sudah mengembangkan messenger kami sendiri [ke mana akan dipindahkan].
Kasus 8. Algoritma kami tidak hanya dapat belajar sendiri, tetapi juga menulis puisi
Maxim Eremenko: Ini adalah proyek yang lebih menghibur. Kami mengambil jaringan saraf berulang berdasarkan puisi Pushkin, Lermontov dan sedikit obrolan Jira dari pengembang itu sendiri, dan melatih sistem untuk menulis puisi. Pada awalnya, dia tidak mengatasi dengan baik bahkan dengan tetrameter iambik, tetapi bahkan sajak mulai muncul. Sekarang dia berhasil menulis puisi bahkan tentang Sberbank.
Simulator keuangan membantu orang melihat bagian dalam bank
Ke bookmark
Perwakilan dari Home Credit Bank memberi tahu situs web tentang bagaimana perusahaan mengembangkan game online "Your Own Banker", yang memungkinkan pemain merasa seperti direktur bank. Berkat simulator, audiens dapat memahami dengan tepat cara kerja lembaga keuangan, yang memungkinkannya terlibat dalam merek.
Ide untuk mengembangkan game keuangan online muncul di bank pada tahun 2015. Perusahaan telah menetapkan tujuan untuk membuat orang tertarik pada perbankan, melibatkan mereka dalam merek, dan dengan cara yang menyenangkan menceritakan tentang prinsip-prinsip dasar kerja bank.
“Pengalaman menunjukkan bahwa orang lebih bersedia untuk berinteraksi dengan apa yang mereka pahami. Dan permainan kami memberi orang kesempatan untuk melihat bank dari dalam: para pemain sendiri yang menentukan bagaimana bank "mereka" akan bekerja, dan kemudian sistem secara otomatis menghitung untung atau rugi, ”kata Maria Burak, direktur departemen pemasaran dan komunikasi pemasaran di Home Credit Bank.
Manajemen bank dibagi menjadi sembilan bidang (produk kredit, risiko, layanan pelanggan, dan sebagainya). Memilih item menu, pemain harus menjawab pertanyaan atau mengatur nilai indikator keuangan.
Setelah pengguna menentukan kebijakan organisasi, sistem akan menghitung seberapa sukses bank tersebut dan berapa banyak yang dapat diperoleh (atau kalah) oleh pemain.
Game ini diluncurkan pada pertengahan 2016. Sejak dibuka, lebih dari 32 ribu orang telah mengikutinya. “Awalnya, kami berharap pada akhir 2016 setidaknya 10 ribu orang telah menyelesaikan permainan. Akibatnya, kami telah melampaui rencana awal kami lebih dari tiga kali, ”catat Burak.
Menurut direktur departemen pemasaran, sekitar 20% pemain bermain beberapa kali, mencoba meningkatkan hasil mereka. Penonton terdiri dari klien bank, pelanggan grupnya di jejaring sosial, orang-orang yang datang melalui repost pemain lain, serta karyawan bank.
“Game online tidak memiliki kumpulan hadiah dan perusahaan tidak membayar untuk promosi. Pemain tertarik melalui situs web dan komunitas resmi bank di jejaring sosial. Kami juga membuat milis dengan proposal untuk memainkan "Bankir saya sendiri" kepada klien dan karyawan bank kami, ”catatnya.
Menurut Burak, dengan cara ini bank menyelesaikan beberapa tugas penting sekaligus: menarik minat pada merek, meningkatkan kesadaran dan literasi keuangan para pemain, dan juga melibatkan mereka dalam proses permainan.
Maria BurakDirektur Departemen Komunikasi Pemasaran dan Pemasaran Home Credit Bank Kami tidak memiliki tugas untuk mengiklankan produk bank. Kami ingin mengubah sikap orang terhadap bisnis perbankan secara umum - untuk berbicara tentang maksud dan tujuan, untuk menjelaskan bagaimana bank mencapai hasil mereka. Ini lebih terkait dengan sisi citra masalah daripada penjualan produk.
Ide, model, konsep visual permainan - semuanya diciptakan dan dikembangkan di dalam bank. Agensi yang terlibat hanya menggambar dan memprogram pencarian. Prototipe untuk membuat pencarian online adalah permainan papan pelatihan, juga dibuat oleh karyawan bank kami.
Ini juga disebut "Bankir saya sendiri". Mekanisme permainannya jauh lebih rumit: Anda harus bermain dalam tim dalam beberapa putaran. Pelatihan permainan papan lengkap memakan waktu dari beberapa jam hingga satu hari penuh. Dalam versi online, hasilnya dapat dicapai lebih cepat: dalam beberapa menit. Perlu dicatat bahwa kami tidak mempromosikan produk Home Credit Bank di dalam game.
Omong-omong, selama keberadaan game, ia juga memiliki pemegang rekornya sendiri. Permainan dapat dimainkan dalam jumlah yang tidak terbatas. Satu orang bermain 127 kali, menghasilkan untung dan rugi. Dia membuat rekor absolut - 42.209.768.000 rubel, yang belum dipecahkan, meskipun beberapa orang dapat mendekatinya dan "menghasilkan" 42.135.451.000 rubel.
Promosi produk perbankan dan pembentukan kebutuhan mereka.
“Gamifikasi adalah salah satu tren pemasaran paling populer saat ini. Dan masuk akal bagi kami, sebagai bank dengan audiens yang aktif dan maju, untuk mendukungnya dengan menawarkan promosi kepada klien kami di mana mekanisme permainan diimplementasikan pada tingkat teknologi yang tepat dan sebagian besar dipersonalisasi. "- Kirill Bobrov, wakil presiden Tinkoff Bank untuk menarik klien
Akibatnya, banyak pengguna mendapatkan pengalaman pertama mendapatkan bunga atas uang yang hanya ada di bank. Pelanggan memahami dari pengalaman mereka sendiri bahwa rekening tabungan adalah produk yang sederhana dan menguntungkan. Dan ini merupakan langkah awal menuju pembukaan deposito atau deposito, dan menuju perluasan pemahaman produk perbankan secara umum.
Hasil tidak langsung juga merupakan penggunaan reguler bank online oleh pengguna, karena hanya di sana Anda dapat melihat kemajuan Anda.
Apalagi hasil yang dicapai secara tidak langsung dengan bantuan mekanik permainan, disajikan dalam bentuk cerita tentang gaya hidup aktif, yang jauh lebih menarik bagi audiens tertentu daripada kesempatan untuk menyimpan dan menerima minat (ini ditawarkan oleh bank mana pun) atau panggilan untuk menggunakan bank online.
“Gamifikasi adalah topik yang luar biasa. Ini semua tentang keterlibatan. Membosankan bertransaksi di bank, bosan menggunakan produk perbankan. Dan orang suka bersaing, orang suka bersaing. Itu duduk di dalam dan sangat dalam. Dan Anda dapat memanfaatkan kualitas orang-orang ini. Bagaimana melakukannya di bank? Ada beberapa kasus. Tapi keyakinan saya yang mendalam adalah mereka yang belajar melibatkan kliennya secara aktif, termasuk menggunakan gamification, bisa menghasilkan banyak uang."- Ivan Pyatkov, Direktur Departemen Layanan dan Penjualan Jarak Jauh, Bank of Moscow
Pendekatan tipikal:
- Program loyalitas dengan poin, miles, dan cashback sebagai hadiah.
- Pembelajaran kontekstual interaktif fitur baru. Skrip selamat datang.
- Quests dan kontes untuk klien.
- Pembuatan layanan sederhana yang bermanfaat dengan elemen permainan: PFM, akumulasi untuk tujuan.
- Game promo viral mengumumkan produk baru dengan cara yang menghibur.