Банк Санкт-Петербург. Прозрачный кешбэк

2023-2025

2023-2025

Роль: Улучшение функциональности

Контекст и проблема

Банк Санкт-Петербург — один из крупнейших региональных банков России, основанный в 1990 году. По итогам 2024 года чистая прибыль составила рекордные 50,8 млрд рублей. Цифровые сервисы БСПБ насчитывают около 500–600 тыс. DAU и 1 млн MAU.

В системе работают несколько программ кешбэка для карт Visa, Mastercard и Мир с очень разными условиями, ставками и лимитами. Для премиальных карт повышенная ставка (1–1,5%) начисляется только при выполнении условий по обороту и структуре трат в отчётном периоде.

При этом в личном кабинете клиент видел лишь предварительно рассчитанную сумму за прошлый месяц. Ни фактического размера кешбэка, ни статуса выполнения условий, ни того, сколько ещё нужно потратить, — ничего.

Ядро проблемы: отсутствие прозрачности и интерактивности, особенно болезненное для премиальных продуктов со сложными условиями.

Project research

Что конкретно было сломано (по результатам анализа as-is и обращений):

Постановка задачи

Прежде чем идти дальше, я задала вопрос к самой постановке задачи.

Самое очевидное решение — красивая визуализация сложности: прогресс-бары поверх правила «доля повышенных категорий не более 50%» и минимального оборота 30 000 ₽. То есть мы чиним UI поверх сложного продукта.

Отсюда развилка: Мы чиним интерфейс сложного правила — или чиним само правило? Я не могла в одиночку упростить продуктовое правило, поэтому основную работу вела по линии прозрачности. Но всё равно заложила это в гипотезы как отдельную проверку.

Project research

Цель. Выявить потребности и ожидания клиентов в части отображения кешбэка и его условий. Обеспечить прозрачность кешбэк программ → Увеличение доверия → Рост активности → Повышение доходности клиентской базы. И как следствие, прямые и кросс-продажи финансовых продуктов, сервисов и услуг банка.

Аудитория. Клиенты БСПБ с активными кешбэк-картами. Два сегмента: активные пользователи и новые пользователи с кешбэк-картами с разными потребностями.

Критерии успеха:

Исследование

Далее провела бенчмаркинг, чтобы посмотреть на решения и выявить тренды.

Project research

Ключевые выводы:

Общие сильные практики лидеров: прямое начисление рублями, видимость в переходные периоды, детальная аналитика трат, моментальная обратная связь о статусе, интерфейсы без необходимости изучать правила.

Также я изучила открытые исследования по этой теме, чтобы сформировать дизайн-решения.

Гипотезы и идеи

Все гипотезы привожу к единому формату, чтобы они читались как проверяемые, а не как пожелания или предложения:

H1 · Actionable-виджет условий. Замена статичного списка на виджет с персональной рекомендацией («Осталось потратить 8 500 ₽ до конца месяца»). Измеряем: выполнение условий, обращения. Гипотеза: заметный рост выполнения и падение обращений. H2 · Прогресс вместо текста. Прогресс-бары с real-time статусом (оборот 30 000 ₽, соотношение категорий) вместо стены текста. Измеряем: completion rate, время до понимания статуса. Kill: если время выполнения задачи «понять, выполнил ли я условия» не сокращается.

Project research

H3 · Интерактивная статистика. Дашборд с breakdown кешбэка по категориям и прогнозом на следующий месяц. Измеряем: вовлечённость раздела, retention возврата. Kill: если retention 7-day не отличается от контроля.

Project research

H4 · Детализация по условиям. Визуализация выполнения, раскрывающая, как именно получить максимальный процент. Измеряем: понимание (через опрос + доля дошедших до «условия выполнены»).

Project research

H5 · Ликвидация «слепой зоны» 1–5 числа. Показ предварительного расчёта в переходный период. Измеряем: обращения «где мои деньги» в первые 5 дней месяца.

Project research

H6 · Умные уведомления. Персональные микровзаимодействия (push о приближении к лимиту, напоминания о выгодных категориях) в критические моменты. Измеряем: активность карт, конверсия условий — и guardrail на усталость от уведомлений. Kill: если opt-out от пушей растёт быстрее, чем активность.

Project research

H7 · Прогноз диапазоном, а не точкой. Показывать «ориентировочно 1 400–1 520 ₽» вместо одного числа. Почему: точный прогноз создаёт ожидание, которое факт может не оправдать → рост негатива. Диапазон управляет ожиданием. Измеряем: обращения «начислили меньше, чем показывали».

H8 · Разный опыт под сегмент. Новым — онбординг и объяснение («как работает кешбэк»), активным — оптимизация трат. Почему: сегменты выделены в ресёрче, но решение для них было одно. Измеряем: активацию новых и вовлечённость активных раздельно.

H9 · Контекстная подсказка в момент решения. Показ повышенной ставки до/во время покупки (карта партнёров, шторка Apple/Google Pay), а не постфактум. Почему: меняет реальное поведение, а не только осведомлённость. Связка с actionable-подсказкой.

H10 · Loss-aversion фрейминг. «Вы теряете ставку 1,5% — потратьте 2 000 ₽, чтобы сохранить» против «потратьте, чтобы получить». Почему: loss-framing обычно мотивирует сильнее. Но: граничит с манипуляцией — обязательный guardrail по CSAT и жалобам на давление. Kill: если растут жалобы на «давление» или падает CSAT.

Приоритизация

Далее привожу RICE (Reach × Impact × Confidence ÷ Effort), чтобы был виден порядок запуска.

Затем я разработала флоу и доработала все необходимые компоненты. Project research

Решение и результаты

В итоге получился следующий результат — сравнение до и после можно посмотреть ниже.

Project research

Что взяли в работу:

Project research Project research Project research

Метрики, на которые мы повлияли: