Grywalizacja w bankowości. Dlaczego banki i systemy płatności potrzebują grywalizacji?
W marcu 2017 roku zgłosił się do nas prawdopodobnie najtrudniejszy klient w całej historii naszego serwisu, który reprezentował interesy jednego dużego banku, posiadającego znaczną sieć oddziałów na terenie całej Rosji. Zawsze chętnie witamy każdego klienta, jednak tym razem nasi specjaliści musieli uporać się z typową biurokracją bankową, z jaką nigdy wcześniej nie spotkaliśmy się u żadnego z naszych klientów. Nie można jednak nie zauważyć, że trudności, jakich doświadczyliśmy we współpracy z tym bankiem, miały swoje wytłumaczenie – tak poważna organizacja nie mogła dokonać zmian na swojej stronie internetowej bez rozważenia każdej z zaproponowanych przez nas zmian.
Poniżej opiszemy bardziej szczegółowo wszystkie trudności, jakie napotkaliśmy we współpracy ze specjalistami IT i zarządem banku oraz jak ponad dwukrotnie zwiększyliśmy ruch na stronie w ciągu 7 miesięcy.
Pierwsza znajomość
Nasza pierwsza znajomość z serwisem (i pracownikami działu PR banku) miała miejsce w marcu 2017 roku. W tamtym czasie strona miała bardzo dobry ruch z wyszukiwarek, ze względu na fakt, że sam bank i domena istniały wówczas już około 10 lat i przez cały ten czas aktywnie współpracowali specjaliści ds. PR tej instytucji finansowej ukierunkowane witryny internetowe i reklamy offline, co dało witrynie zaufanie, a w przyszłości bardzo nam pomogło podczas promocji.
Bezpośrednim efektem wieloletniej pracy zespołu PR banku było to, że na stronie znalazło się mnóstwo naturalnych linków, co w połączeniu ze starą domeną udało się nieco załagodzić fakt, że nikt nie zajmował się wewnętrzną optymalizacją witryny.
Bank posiadał także wystarczającą liczbę oddziałów w regionach Rosji, co znalazło odzwierciedlenie w strukturze jego strony internetowej, nad którą praca również musiała zająć trochę czasu.
Pracuj na stronie
Audyt SEO witryny
Audyt witryny rozpoczęliśmy od sprawdzenia jej pod kątem duplikatów stron i metatagów. W naszej praktyce stale spotykamy się z witrynami ze zduplikowanymi stronami, metatagami czy treścią i strona internetowa banku nie jest tu wyjątkiem. Silnik, całkiem kompetentnie wykonany z punktu widzenia bezpieczeństwa, wygenerował kilkadziesiąt zduplikowanych stron i jeszcze więcej stron ze zduplikowanymi metatagami Tytuł i Opis (na przykład sekcja i strony sekcji miały te same tytuły i opisy stron, co z punktu z punktu widzenia optymalizacji wewnętrznej, w ogóle bzdura).
Po sprawdzeniu witryny pod kątem duplikatów czas zacząć szukać błędów w treści. Trzeba przyznać, że copywriterom i specjalistom ds. PR banku nie udało się znaleźć prawie żadnego. „Prawie” oznacza, że głównymi błędami, które znaleźliśmy, było złe formatowanie tekstu, brakujące tytuły lub brakujące metatagi obrazów. Wszystkie komentarze na każdej stronie zamieściliśmy w pliku roboczym w celu późniejszego omówienia zmian z przedstawicielami klienta.
Również strona nie została zauważona, co stało się słusznie popularne w ostatnie lata mikroznaczniki „bułka tarta”. W przypadku strony internetowej banku, która składa się z kilku sekcji i podsekcji, obecność takich znaczników, choć nie jest wymogiem obowiązkowym, jest jednak wysoce pożądana.
Ostatnia pozycja na naszej liście błędów dotyczyła złego wewnętrznego linkowania pomiędzy stronami. Pomimo tego, że niektóre strony proponowały wzajemne powiązanie, tak naprawdę menadżerowie treści banku nic takiego nie zrobili.
W tym miejscu skończymy z błędami optymalizacji SEO na stronie internetowej.
Audyt techniczny
Z strona techniczna optymalizacja strony, wszystko okazało się znacznie smutniejsze, ponieważ, jak pisaliśmy powyżej, silnik, który był dość mocny z punktu widzenia bezpieczeństwa, był bardzo słaby z punktu widzenia optymalizacji. W tym techniczne.
Pierwszą rzeczą, którą sprawdziliśmy, była prędkość pobierania. Ona niestety pozostawiała wiele do życzenia. Nie, strona oczywiście została załadowana, ale jej prędkość była zauważalnie gorsza w porównaniu do witryn konkurencji. Doprowadziły do tego dwa czynniki: duże obrazy na stronie i obecność niektórych modułów w szablonie, które spowalniały ładowanie.
Drugą kwestią, którą zauważyli nasi specjaliści SEO, jest brak plików robots.txt i sitemap.xml w katalogu głównym witryny. Po wyjaśnieniach ze strony administratorów banku okazało się, że w ogóle ich nie było. No cóż, dodajmy jeszcze jedną pozycję do pliku roboczego na potrzeby kolejnych rozmów z klientami.
Trzeci punkt to wyszukanie wszystkich linków wychodzących ze stron serwisu i przeanalizowanie każdego z nich. W większości znajdowano niedziałające linki (zarówno do stron wewnętrznych serwisu, jak i do stron zewnętrznych).
Czwartym „ościeżem” portalu klienta był kiepskiej jakości układ adaptacyjny. Zauważono, że podczas pracy z witryną na smartfonach niektóre bloki się przesunęły i pojawiły się inne błędy. Zazwyczaj na tabletach wszystko było w porządku.
Piątym punktem, który mieliśmy, było sprawdzenie stron witryny pod kątem „wagi” (w prostszym ujęciu, aby witryna nie zawierała stron, których kod przekracza 200 kilobajtów). Patrząc w przyszłość, załóżmy, że takie strony zostały znalezione i nawet szybko (w porównaniu z innymi pozycjami) skorygowane przez administratorów banku w kierunku zmniejszenia „wagi”.
W tych pięciu punktach wyczerpały się problemy techniczne i przystąpiliśmy do kompilacji rdzenia semantycznego.
Rdzeń semantyczny
Tworzenie rdzenia semantycznego dla istniejących stron rozpoczęło się od stworzenia struktury witryny, zaczynając od strona główna i kończąc na stronach drugiego poziomu zagnieżdżenia. Pod każdą stroną zgrupowaliśmy kilka odpowiednich zapytań o wysokiej i średniej częstotliwości, z których część została już na nich w tej czy innej formie opublikowana, a resztę trzeba było umieścić.
Proces zbierania fraz kluczowych rozpoczęliśmy od analizy treści na stronach naszych klientów, następnie przeszliśmy do zbierania semantyki z podobnych stron witryn konkurencji, a tworzenie rdzenia zapytań zakończyliśmy po dokładnej pracy z usługami zbierania słów kluczowych. Tym samym mieliśmy pod ręką kilkaset trafnych i konkurencyjnych słów kluczowych, które należało umieścić na stronach banku przeznaczonych dla osób prywatnych i osoby prawne, a wciąż istniało kilka obiecujących grup zapytań, dla których można było stworzyć dodatkowe strony.
Wewnętrzne prace optymalizacyjne
Po przeprowadzeniu dwóch audytów i skompletowaniu rdzenia semantycznego serwisu, nasi specjaliści we współpracy ze specjalistami IT i menadżerami banków rozpoczęli prace nad serwisem.
Pierwszą rzeczą, nad którą wspólnie pracowaliśmy, było poprawienie błędów technicznych. Najłatwiej było zwiększyć prędkość ładowania witryny. Trójwymiarowe obrazy zoptymalizowaliśmy w Photoshopie, co zmniejszyło ich ostateczny rozmiar prawie o połowę, a moduły spowalniające pracę serwisu zostały częściowo usunięte, a częściowo przepisane przez samych informatyków banku. W rezultacie strona klienta zaczęła dorównywać szybkością ładowania stron internetowych największych rosyjskich banków. Szybko rozwiązaliśmy także problem braku pliku robots.txt i mapy serwisu: wysłaliśmy pocztą instrukcje dotyczące botów wyszukiwawczych w formie pliku do informatyków banku i jeszcze tego samego dnia zobaczyliśmy ten plik na stronie . Bank odmówił napisania osobnego modułu dla mapy serwisu, preferując darmowe rozwiązanie z jednego z serwisów internetowych.
Sprawa nieco się skomplikowała po usunięciu linków wychodzących z witryny. Mimo że było ich niewielu, proces ciągnął się około tygodnia. Nie wiemy, dlaczego tak jest. Jednak podczas gdy bank usuwał wskazane przez nas linki, nam udało się stworzyć wysokiej jakości układ adaptacyjny dla smartfonów, który bank testował przez kolejny tydzień.
Tym samym w ciągu dwóch tygodni udało nam się uporać z problemami technicznymi serwisu i od razu przejść do pracy nad treścią.
Prace nad treścią rozpoczęły się od tego, że klient kategorycznie odmówił tworzenia nowych stron w serwisie, woląc opuścić starą strukturę. W związku z tym pozostało nam jedynie przygotować szczegółowe rekomendacje dla PR managerów banku, po których musieliby oni zmienić treść na każdej stronie lub usunąć zduplikowane strony. Tak naprawdę wszystkie rekomendacje sprowadzały się do tego, jakie słowa kluczowe i w jakiej ilości powinny znaleźć się w samym tekście oraz omówienia, jak powinny wyglądać metatagi Title i Opis (pisaliśmy powyżej, że się zdublowały) oraz tagi H1-H3 .
Ten sam schemat zastosowaliśmy w przypadku ręcznego łączenia stron serwisu ze sobą - wysyłaliśmy po prostu rekomendacje, na której stronie umieścić link oraz kotwicę z adresem URL linku.
Proces ten trwał jeszcze około dwóch tygodni, podczas gdy wszystkie zgody na zmianę treści na stronie przeszły przez łańcuch od nas do odpowiedzialnych menadżerów banku. Swoją drogą bank wysłuchał zdecydowanej większości naszych rekomendacji i zgodnie z naszymi podpowiedziami zmienił treść.
Czynniki komercyjne
Oprócz wszystkiego innego analizowaliśmy czynniki komercyjne na stronie internetowej banku. Plusem jest to, że strona miała już wbudowaną funkcję oddzwaniać i porozmawiaj z operatorem wsparcia, a także dla każdej wpłaty i oferta kredytowa miał swój własny kalkulator. Z minusów nie można było skontaktować się z operatorami usług wsparcia za pomocą popularnych komunikatorów internetowych, a strona „Kontakty” nie miała wbudowanej mapy Yandex lub Google z lokalizacją banku. W większości te wady zostały wyeliminowane po zakończeniu głównych prac na budowie.
Ponadto, zgodnie z naszą sugestią, pracownicy banku usunęli nieaktualne informacje o tej instytucji finansowej z Yandex.Directory i Google Moja Firma i dodali aktualne informacje.
Wniosek
Poniższy zrzut ekranu Yandex.Metrica pokazuje, jak bardzo udało nam się zwiększyć ruch w witrynie i na jak długo.
Początkowo licznik metryczny został zainstalowany przez administratorów witryny w grudniu 2016 r. (nie jest to widoczne na zrzucie ekranu). Następnie przez 2,5 miesiąca metryka po prostu liczyła statystyki i już od końca marca (jak pisaliśmy powyżej) nasz zespół zaczął pracować nad stroną. Naszym zdaniem wynik mógłby być znacznie lepszy, gdyby nie ciągła koordynacja wszystkich naszych działań z menadżerami banku, praca pracowników banku nad poprawianiem błędów, koordynacja tego, co zrobili z naszymi pracownikami i tym podobne. W rezultacie proces, który mógł zająć najwyżej dwa tygodnie, trwał półtora miesiąca (jeśli nie dłużej). Z drugiej strony można zrozumieć też najwyższą kadrę menadżerską banku – oni po prostu nie mają prawa pozwalać na pracę na stronie obcym, woląc zaufać swoim informatykom.
Na razie jedynym efektem prac prowadzonych na stronie jest, jak już powiedzieliśmy, jedynie 2,3-krotny wzrost ruchu. Nie posiadamy danych o zwiększeniu bazy klientów.
Na pierwszym forum FinMachine, które odbyło się w piątek, dyrektor działu modelowania ryzyka Sbierbanku Maxim Eremenko i szef działu badań i rozwoju w dziedzinie Data Science Andrey Chertok opowiedzieli, jak największy bank Kraje wykorzystują uczenie maszynowe między innymi do generowania roszczeń i wyszukiwania partnerów biznesowych dla swoich klientów.
Maksym Eremenko: NA w tej chwili W pełni podeszliśmy do problemu wykrywania, a następnie przewidywania wzorców zachowań posiadaczy kart. Analizując aktywność posiadaczy kart, nauczyliśmy się identyfikować te wzorce.
Andriej Chertok: W ramach udziału w jednym z projektów banku wykrywamy wzorce zachowań klientów banku na podstawie dokonywanych przez nich transakcji. Pierwsze modele były związane z analizą opisową zachowań transakcyjnych. Klient np. nie miał zakupów związanych z samochodem - pojawiły się. Oznacza to, że kupił samochód i teraz można np. zaoferować takiemu klientowi produkty lub usługi przydatne dla właścicieli samochodów.
Kolejnym zadaniem jest przewidzenie określonych zdarzeń, w tym samego faktu zakupu. Oprócz wzorców wraz z pojawieniem się niektórych kodów MCC możliwe stało się wydobycie wystarczającej ilości informacji z danych ciekawe historie, w tym związane z działalnością oszczędnościową posiadaczy kart. Oznacza to, że widzimy, którzy klienci banku oszczędzają pieniądze i zapobiegają niektórym dużym zakupom. Może to znacznie ulepszyć modele. Bank może zapewnić szerszą ofertę. Oznacza to jednak, że modele takie muszą być stale dostosowywane.
Na slajdzie widzimy trzy dość jasne przypadki: zakup samochodu, remont mieszkania/zakup mebli oraz koszty leczenia. Jest to szczególnie cenne, jeśli klient może przekazać opinię na temat oferowanych mu produktów. Dlatego konieczne jest stworzenie modeli, które będą to uwzględniać. informacja zwrotna. Pod wieloma względami jest to ta sama zasada, która leży u podstaw modeli uczenia się przez wzmacnianie, które obecnie zaczynamy rozwijać.
Uczenie się przez wzmacnianie, nad którym obecnie pracują m.in. OpenAI i DeepMind, jest zwiastunem sztucznej inteligencji, takiej, jaką chcą ją widzieć. System nie jest preinstalowany w żadnym modelu świata, a system właściwie nic o tym nie wie. System zaczyna wchodzić w interakcję ze światem, otrzymywać informacje zwrotne, tzw. nagrody. Następnie system dostosowuje swoje zachowanie w zależności od tego, jak dobre lub złe zostały otrzymane nagrody. W przypadku produktów bankowych nagrodą jest np. to, jak interesująca lub nieinteresująca okaże się dla klientów dana oferta banku.
Stosując metody o określonych właściwościach, które umożliwiają uczenie się przez wzmacnianie, możemy dostosowywać te algorytmy w czasie rzeczywistym. Wśród nowych podejść można również zauważyć, że niedawno w Nature ukazał się artykuł tego samego DeepMinda, w którym mowa jest o tym, jak elementy maszyny Turinga zostały wprowadzone do sieci neuronowej. Dzięki temu sieć neuronowa mogła posiadać pamięć, której sieciom neuronowym brakuje na tym etapie.
Przypadek 2. Optymalizacja lejka sprzedażowego
Andriej Chertok: W tym przypadku analizujemy aktywność transakcyjną, szukając skupisk klientów o określonych wzorcach zachowań. Ale w tym przypadku nie kojarzymy ich z przewidywaniem jakichkolwiek wydarzeń. Możemy na przykład znaleźć klientów, którzy często latają, podróżują za granicę i często przeliczają waluty. Na tej podstawie skuteczniej kierujemy ofertę do takich klientów.
Slajdy pokazują, jakie wzory możemy znaleźć i jakie produkty możemy w tym przypadku zaoferować. Generalnie historia jest jasna – zakłada się tu pewne metody związane z grupowaniem. Projekcja danych, np.
Przypadek 3. Optymalizacja obiegu gotówki
Andriej Chertok:Sbierbank ma szeroką sieć bankomatów, oddziałów i schemat współpracy klientów korporacyjnych. W związku z tym pojawia się zadanie przewidzenia jutrzejszego zapotrzebowania na gotówkę. Im dokładniej wykonamy tę prognozę, tym dokładniej, powiedzmy, będziemy mogli rozdysponować te pieniądze. Z jednej strony ważne jest, aby pieniądze nie leżały bezczynnie w bankomatach, ale można je było umieścić na krótkoterminowej lokacie. Z drugiej strony staramy się unikać utraty reputacji – pieniądze kończą się wcześniej niż planowano, bankomat przestaje działać, a klient pozostaje niezadowolony.
Tutaj potrzebujemy modeli, które radzą sobie z błędami asymetrycznymi. Pierwsze modele są bardzo proste i opierają się na klasycznych metodach analizy szeregów czasowych związanych z ich wygładzaniem. Obecnie potrzebne są dokładniejsze podejścia, a metody uczenia maszynowego są już aktywnie wykorzystywane. Naturalnie takie metody muszą mieć charakter adaptacyjny, gdyż popyt zależy zarówno od czynników makroekonomicznych, jak i od takich parametrów, jak lokalizacja bankomatów w mieście czy prognoza pogody. Łączenie heterogenicznych funkcji daje bardziej znaczące wyniki niż użycie innych modeli uczenia maszynowego.
Przypadek 4. Modelowanie prawdopodobieństwa niewypłacalności małych firm w czasie rzeczywistym
Maksym Eremenko: W 2014 roku wszyscy mówili o Big Data. W 2015 r. uczenie maszynowe stało się przełomowe i niebezpieczne. W tym roku głównym trendem było głębokie uczenie się. W przyszłym roku oczywiście będą mówić o uczeniu się przez wzmacnianie.
W przeciwieństwie do trzech poprzednich trendów, uczenie się przez wzmacnianie można łatwo wypróbować na otwartych platformach. Otwarta sztuczna inteligencja, ufundowana przez Elona Muska, oraz platforma DeepMind są szkolone w zakresie gier komputerowych przy użyciu otwartego API, które pozwala dostać się do kodu gry.
Mamy bitwę pomiędzy dwoma algorytmami. Jeśli w latach 80-90 graliśmy w Pac-Mana, teraz steruje nim maszyna i ten algorytm można modyfikować. DeepMind poszedł nieco dalej tą drogą i wspólnie z Blizzardem zbudował algorytm dla StarCrafta.
Algorytmy są trenowane w taki sposób, aby racjonalizować je dla całkowicie zastosowanych problemów. W przyszłości można ich skutecznie szkolić w zakresie zadań związanych np. z tłumaczeniem informacji tekstowych na wektory.
Takie zadania stanowią podstawę silnika Google Word2vec, który realizuje tłumaczenie informacji tekstowych na wektor, wyszukiwanie i całą analizę semantyczną tekstu, na którym jest oparta.
Ale sama sprawa jest trochę inna. Dokonaliśmy przeglądu aktywnych klientów naszego portfela w segmencie B2B i B2C, zwracając szczególną uwagę na małe firmy, które aktywnie wymieniają płatności. Pracując z nimi, staraliśmy się porzucić klasyczną scoring i analizę kredytową sprawozdania finansowe oraz przeprowadzenie jakościowej oceny ryzyk dotyczących reputacji beneficjenta, menedżerów i podobnych parametrów. Zamiast tego zaczęliśmy stosować jakąś metrykę zagregowaną, opierając się wyłącznie na transakcjach – czyli w istocie robiąc scoring analityczny na podstawie danych dostępnych bankowi.
W rezultacie okazało się, że model oparty na scoringu kredytowym, który szereguje klientów według prawdopodobieństwa niewykonania zobowiązania, pod względem ilościowych mierników dokładności praktycznie nie różni się od modelu klasyczne modele. Jej Gini jest prawie takie samo na poziomie 60-65%. Jeśli jednak własne informacje banku zostaną wzbogacone o dane zewnętrzne, na przykład z sieci społecznościowych, i wykorzystane do rankingu, dokładność można jeszcze bardziej zwiększyć.
W praktyce oznacza to, że nie ma potrzeby tracić czasu na ocenę ryzyka z punktu widzenia analizy klasycznej. Możesz przetworzyć dane znajdujące się w systemie i uzyskać statystycznie równie istotny miernik jakości.
Modelu tego można obecnie używać wyłącznie do generowania listy wstępnie zatwierdzonych wniosków. Jeśli klient powie: „ok, zgadzam się”, to proces jest bardziej skomplikowany. Z biegiem czasu, jeśli zobaczymy, że jakość strumienia utrzymuje się na dotychczasowym poziomie lub wyższym, a model wykazuje większą dokładność predykcyjną, wówczas można go zastosować jako alternatywę.
Przypadek 5. Algorytmy przetwarzania języka naturalnego do analizy i generowania pozwów
Maksym Eremenko: Korzystając z narzędzi do pracy z tekstem lub przetwarzaniem języka naturalnego, stanęliśmy przed faktem, że Sbierbank jest dość duża liczba poświęca zasoby ludzkie i czasowe na analizę roszczeń i przygotowanie odpowiedzi. Jednocześnie analizę większości informacji powodów i samych pozwów kierowanych do Sbierbanku można zautomatyzować. Nie wykorzystuj pracy osób, które w części operacyjnej wprowadzają informacje o danych paszportowych oświadczenie o żądaniu, ale możesz wyodrębnić to wszystko: datę urodzenia, dane paszportowe, szczegóły i część operacyjną. W drugim etapie, przygotowując odpowiedź na reklamację, zaproponowaliśmy wykorzystanie w ramach optymalizacji konkretnego szablonu.
Przypadek 6. DefinicjaB2ZespółB2Łańcuchy B
Maksym Eremenko: W przypadku aktywnych użytkowników B2B możesz zrobić więcej niż tylko ocenę ryzyko kredytowe, ale także wybrać typowe wzorce swojej partnerki. Jeśli w portfelu zobaczymy firmę o podobnym profilu działalność gospodarcza, a obaj należą w przybliżeniu do tej samej kohorty, czyli nie są to duże inwestycje, a małe firmy, wówczas na podstawie tych wzorców dobieramy partnerów i rekomendujemy, które relacje mogą ich zainteresować.
Przypadek 7. Algorytmy chatbota @SberbankML_Bot
Maksym Eremenko: Nasz chatbot dopiero się uczy, ale robi też pewne rzeczy, które wiele osób już wie, jak na przykład przesyłać dalej poprzez API do otwartych źródeł, takich jak Wikipedia. Jeśli zapytasz go, kim jest Gref lub Putin, odpowie.
Mamy wewnętrzne zobowiązanie wobec naszych szefów, że do lata 2017 bot będzie w stanie prowadzić rozmowę na tematy bankowe, a ponadto będzie miał podstawowe zdolności poznawcze i będzie mógł prowadzić rozmowy na tematy abstrakcyjne. W tej chwili bot opiera się na Telegramie, ale już rozwijamy własnego komunikatora [gdzie zostanie przeniesiony].
Przypadek 8. Nasze algorytmy potrafią nie tylko same się uczyć, ale także pisać wiersze
Maksym Eremenko: To bardziej zabawny projekt. Wzięliśmy rekurencyjną sieć neuronową opartą na wierszach Puszkina, Lermontowa i trochę na czacie Jira samych programistów i przeszkoliliśmy system do pisania wierszy. Początkowo nie radziła sobie dobrze nawet z tetrametrem jambicznym, ale potem zaczął pojawiać się nawet rym. Teraz udaje mu się pisać wiersze nawet o Sbierbanku.
Symulator finansowy pomaga ludziom przyjrzeć się, jak bank działa od środka
Zakładki
Przedstawiciele Home Credit Bank opowiedzieli redaktorom serwisu o tym, jak firma stworzyła grę internetową „Your Own Banker”, dzięki której gracze mogą poczuć się jak dyrektor banku. Dzięki symulatorowi widzowie mogą dokładnie zrozumieć, jak to działa instytucja finansowa, co pozwala na zaangażowanie jej w markę.
Pomysł stworzenia internetowej gry finansowej pojawił się w banku w 2015 roku. Firma postawiła sobie za cel zainteresowanie ludzi bankowy, włącz Cię w markę i w zabawny sposób opowiedz o podstawowych zasadach pracy banku.
„Doświadczenie pokazuje, że ludzie chętniej wchodzą w interakcję z tym, co rozumieją. A nasza gra daje ludziom możliwość spojrzenia na bank od środka: gracze sami ustalają, jak będzie działał „ich” bank, a następnie system automatycznie oblicza zysk lub stratę – mówi Maria Burak, dyrektor działu marketingu i komunikacji marketingowej Home Credit Banku.
Zarządzanie bankiem podzielone jest na dziewięć obszarów ( produkty kredytowe ryzyko, obsługa klienta itd.). Wybierając pozycję menu, gracz musi albo odpowiedzieć na pytanie, albo ustawić wartości wskaźników finansowych.
Po zdefiniowaniu przez użytkownika polityki organizacji, system oblicza, jaki sukces odniesie bank i ile gracz będzie mógł zarobić (lub stracić).
Gra wyszła w połowie 2016 roku. Od momentu otwarcia wzięło w nim udział ponad 32 tysiące osób. „Początkowo spodziewaliśmy się, że do końca 2016 roku w grę będzie grać co najmniej 10 tysięcy osób. W rezultacie ponad trzykrotnie przekroczyliśmy nasze pierwotne plany” – zauważa Burak.
Według dyrektora działu marketingu około 20% graczy grało kilka razy, próbując poprawić swój wynik. Publiczność stanowili klienci banku, subskrybenci jego grup na portalach społecznościowych, osoby, które trafiły poprzez reposty od innych graczy, a także pracownicy banku.
„Gra online nie ma fundusz nagród i firma nie zapłaciła za awans. Graczy przyciągnięto za pośrednictwem strony internetowej i oficjalnych społeczności banku na portalach społecznościowych. Do klientów i pracowników naszego banku wysłaliśmy także mailing z propozycją zabawy w „Własnego Bankiera” – zauważa.
Według Buraka bank rozwiązuje w ten sposób kilka problemów na raz ważne zadania: przyciąga zainteresowanie marką, zwiększa świadomość i świadomość finansową graczy, a także angażuje ich w rozgrywkę.
Marii BurakDyrektor Departamentu Marketingu i Komunikacji Marketingowej Home Credit Bank Nie mieliśmy za zadanie reklamować produktów banku. Chcieliśmy zmienić podejście ludzi do działalność bankowa ogólnie - porozmawiaj o celach i zadaniach, wyjaśnij, w jaki sposób banki osiągają swoje wyniki. Dotyczy to bardziej wizerunkowej strony problemu niż sprzedaży produktu.
Pomysł, model, koncepcja wizualna gry – wszystko zostało wymyślone i opracowane w banku. Zaangażowana agencja jedynie narysowała i zaprogramowała zadanie. Prototypem stworzenia questu online była szkoleniowa gra planszowa, również stworzona przez pracowników naszego banku.
Nazywa się go także „Twoim własnym bankierem”. Mechanika rozgrywki jest znacznie bardziej złożona: trzeba grać w zespołach przez kilka rund. Kompletne ukończenie szkoleniowej gry planszowej zajmuje od kilku godzin do całego dnia. W wersji online efekty można osiągnąć znacznie szybciej: w ciągu kilku minut. Warto zaznaczyć, że w ramach gry nie promujemy w żaden sposób produktów Home Credit Bank.
Nawiasem mówiąc, w czasie istnienia gry miała ona również swoich rekordzistów. W grę można grać nieograniczoną liczbę razy. Jedna osoba zagrała 127 razy i uzyskała zarówno zysk, jak i stratę. Ustanowił absolutny rekord - 42 209 768 000 rubli, który nie został jeszcze pobity, chociaż kilku osobom udało się zbliżyć do niego i „zarobiło” 42 135 451 000 rubli.
Promocja produkty bankowe i powstawanie na nie zapotrzebowania.
Grywalizacja to obecnie jeden z najpopularniejszych trendów w marketingu. I logiczne było dla nas, jako banku z aktywną i zaawansowaną publicznością, aby go wesprzeć, oferując klientom promocję, w której mechanika gry jest zaimplementowana na odpowiednim poziomie technologicznym i jest w dużym stopniu spersonalizowana.— Kirill Bobrov, wiceprezes Banku Tinkoff aby przyciągnąć klientów
W rezultacie wielu użytkowników ma pierwsze doświadczenie w zarabianiu odsetek od pieniędzy, które właśnie leżą w banku. Klienci z własnego doświadczenia wiedzą, że konto oszczędnościowe to produkt prosty i opłacalny. A to pierwszy krok do otwarcia lokaty lub konta i poszerzenia wiedzy na temat produktów bankowych w ogóle.
Pośrednim skutkiem jest także regularne korzystanie przez użytkownika z bankowości internetowej, gdyż tylko tam można zobaczyć swoje postępy.
Co więcej, wynik osiąga się pośrednio za pomocą mechaniki gry, przedstawionej w formie opowieści o aktywnym trybie życia, która dla określonej grupy odbiorców jest o wiele bardziej interesująca niż możliwość oszczędzania i otrzymywania odsetek (oferuje to każdy bank ) lub połączenie telefoniczne w celu skorzystania z banku internetowego.
Grywalizacja to super temat. Wszystko zależy od zaangażowania. Nudne jest dokonywanie transakcji w banku, nudne jest korzystanie z produktów bankowych. A ludzie uwielbiają konkurować, ludzie uwielbiają konkurować. Siedzi wewnątrz i jest bardzo głęboko. I możesz wykorzystać te cechy ludzi. Jak to zrobić w banku? Jest kilka przypadków. Mam jednak głębokie przekonanie, że ten, kto nauczy się aktywnie angażować swoich klientów, w tym za pomocą grywalizacji, może zarobić dużo pieniędzy.— Iwan Piatkow, dyrektor wydziału zdalna konserwacja i sprzedaży Banku Moskiewskiego
Typowe podejścia:
- Programy lojalnościowe z punktami, milami i zwrotem gotówki jako nagrodami.
- Interaktywne szkolenie kontekstowe dotyczące nowych funkcji. Skrypty powitalne.
- Questy i konkursy dla klientów.
- Tworzenie prostych, przydatnych usług z elementami gry: PFM, akumulacja na bramce.
- Wirusowe gry promocyjne, które w zabawny sposób ogłaszają nowe produkty.