Ефект FinTok: гіперперсоналізація в банківських застосунках за допомогою AI

💡 Усі статті, обговорення, новини про Mobile — в одному місці. Приєднуйтесь до Mobile спільноти!

Я Макс Бондар, CEO та засновник фінтех-компанії Trigger Neobank Engine, що спеціалізується на no-code платформах для цифрового банкінгу. Раніше працював Lead Product Manager у ПриватБанку. У цій статті я хочу на прикладі банків розповісти, як AI може допомогти компаніям з великою кількістю користувачів налаштувати гіперперсоналізацію у своїх застосунках. Я називаю це ефектом «FinTok» (EdTok, MedTok — першу частину можна змінювати відповідно до галузі) — коли система миттєво адаптується до поточних потреб користувача, подібно до стрічки в TikTok.

Як працює гіперперсоналізація

Популярні цифрові сервіси підлаштовуються під користувачів. Застосунок для вивчення мов Duolingo адаптує уроки під ваш рівень, відеоплатформа TikTok формує стрічку For You Page, що змінюється в реальному часі на основі вашої активності. Південноазійський застосунок Grab йде далі і персоналізує головний екран залежно від звичок: наприклад, якщо людина регулярно замовляє обід в офіс — о 12:00 на головному екрані буде сервіс доставки їжі.

В Україні в цьому напрямку рухається e-commerce, де давно працюють рекомендаційні системи, та сервіси на кшталт Megogo, але прикладів гіперперсоналізації у нас наразі немає.

Подібні інновації спираються на технологічну зрілість, якісну IT-архітектуру та структуровані дані користувачів. За моїми спостереженнями, у великих маркетплейсів, мобільних операторів, банків і не лише все це є.

Існує упередження, що кожна зміна у застосунку — це довго і складно. Що вона потребує нового релізу — а це розробка, тестування, ревʼю. І навіть після цього зміну зможуть побачити лише ті користувачі, які оновлять застосунок. У фінансовій галузі до цього додається перевірка на відповідність регулятивним вимогам — і шлях від ідеї до реальної зміни у застосунку розтягується на місяці.

Так дійсно було раніше. До появи архітектурного підходу Server-Driven UI (SDUI), який фактично усуває ці обмеження.

Крок 1: SDUI

В чому полягає концепція SDUI. На відміну від client-driven архітектури, де сервер постачає дані, але не керує структурою інтерфейсу, у SDUI сервер надсилає не лише дані, а й інформацію, як саме їх відобразити — у форматі JSON-інструкцій. Тобто керувати інтерфейсом можна з сервера, не змінюючи код. Клієнтський застосунок інтерпретує JSON-інструкції та рендерить UI нативно: комбінації компонентів і сценарії змінюються в runtime, і завдяки цьому можна оновлювати екрани без релізів в App Store чи Google Play.

Server-Driven UI (SDUI) використовують Airbnb, Netflix, Lyft, Uber та інші технологічні лідери. У банківських продуктах SDUI поки що не є масовим стандартом. Бар’єром є складність впровадження: потрібен зрілий backend orchestration layer для керування конфігураціями, чітке schema versioning, гарантії backward compatibility між сервером і різними версіями клієнта та сильна дизайн-система на стороні мобільного застосунку.

Попри це рух у бік SDUI у фінансовій галузі вже почався. PhonePe, один із найбільших платіжних сервісів Індії, створив власний SDUI-фреймворк LiquidUI для динамічної побудови екранів. RapiPay впровадив server-driven підхід, щоб інтегрувати десятки банківських провайдерів без створення окремих екранів для кожного. А Nubank, найбільший цифровий банк Латинської Америки з понад 100 мільйонами клієнтів, будує близько 70% усіх нових функцій і сценаріїв на цій архітектурі.

Три покоління архітектури мобільного UI

SDUI є величезним кроком уперед, але це ще не про гіперперсоналізацію. SDUI забезпечує інфраструктуру для динамічного UI, але рішення про персоналізацію приймає команда. А коли у вас десятки різних аудиторій і мільйони користувачів, створити стільки варіантів просто неможливо.

Логіка SDUI: сервер визначає, що показати, застосунок вирішує, як це відобразити

Крок 2: SDUI + AI

Generative UI додає до SDUI-архітектури AI-модель, яка сама визначає, що показати кожному користувачу в конкретний момент. Це не просто «темна тема» чи «великий шрифт». Йдеться про повну реорганізацію екрана: які кнопки там будуть, в якому порядку, які функції будуть сховані, а які навпаки. А головне: зміни відбудеться в правильний момент — саме тоді, коли вони будуть потрібні користувачу (згадуємо приклад Grab).

AI аналізує поведінку користувача в реальному часі і генерує унікальний набір інструкцій для кожної сесії. Замість статичних темплейтів «якщо клієнт відкрив застосунок вранці — показати екран А» система враховує тисячі параметрів: час доби, історію транзакцій, геолокацію, поточний баланс, навіть те, як швидко користувач скролить екран.

З банків до цієї концепції наближається DBS Bank у Сінгапурі. Він побудував систему на базі понад 100 AI-алгоритмів, яка аналізує 15 000 точок даних про кожного клієнта — від історії транзакцій до поведінкових патернів.

На практиці це виглядає так: користувач отримує повідомлення «Схоже, це дублікат платежу — перевірте» ще до того, як гроші пішли з рахунку. Або бачить сповіщення про вигідний курс валют саме тоді, коли збирається зробити переказ за кордон. Система нагадує про рахунки до оплати, щоб людина не отримала штраф за прострочення, тощо.

Застосунок DBS digibank порівнює поточні платежі з попередніми та попереджає, якщо сума вища за звичну

DBS Bank генерує 45 млн гіперперсоналізованих взаємодій щомісяця. У consumer segment AI-generated advice збільшили заощадження клієнтів на 83%, вони стали у 4,3 раза частіше інвестувати, а страхове покриття зросло у 2,3 рази. Також AI зпрогнозував 95% ризикових кредитів МСБ і дозволив запобігти більшості з них. У підсумку ініціативи принесли сингапурському банку близько $370 млн економічної цінності.

Один з головних ризиків Generative UI полягає в тому, що AI-модель самостійно визначає, що побачить клієнт. Тож одне з завдань бізнесу, який хоче впровадили гіперперсоналізацію, — навчитися керувати цим процесом. А ще, як я казав вище, йому потрібні зріла IT-інфраструктура і структуровані дані.