Предистория: проблема, которая стала возможностью
Мой банковский опыт начался с постоянной рутины — для привлечения клиентов мне постоянно требовалось сравнивать продукты разных банков: карты, депозиты, накопительные счета, программы лояльности. Каждый раз я вручную шерстил документацию конкурентов, чтобы доказать выгодность наших предложений.
Существующие агрегаторы вроде Банки.ру или Сравни.ру не спасали. Качество информации было поверхностным, а для профессионального анализа — совершенно непригодным. Неопытный пользователь мог и не заметить подводных камней, но специалисту сразу бросались в глаза неточности и неполные данные.
Шли годы, а ситуация не менялась. Появились ФинУслуги, и все три игрока увязли в гонке создания финансовых-маркетплейсов. Никто не развивал направление глубокого анализа банковских продуктов, единственная компания которая делает качественную аналитику банковских продуктов - FrankResearch Group но они работают только для компаний, для розничных клиентов информация не доступна. И когда на рынке появились GPT-модели, я понял — время пришло. Самая ресурсоемкая часть работы — аналитика данных — стала в разы проще.
Почему мы выбрали формат web-app в Telegram
Главный козырь — скорость. Развернули сервер, подключили Telegram API — и web-приложение уже работает. Оно доступно на любом телефоне, есть встроенная аутентификация, уведомления, возможность подключения GPT-бота.
Пользователю не нужно ничего устанавливать — все уже сидят в Telegram. Второй бонус — возможность перейти и на другие соц-сети например в VK, который тоже поддерживает web-app. Бесплатно и быстро получаем мощный движок с готовой аудиторией. А в случае монетизации не нужно платить маркетплейсам таким как Apple Store комиссии в 30%.
Итого за месяц собрали тестовую версию для проверки, понажимали кнопки — все работает. Значит, можно копать глубже.
Дизайн: почему не стоит изобретать велосипед
Сбор данных: как мы отслеживаем банковские продукты
Это самая сложная и интересная часть работы. Процесс состоит из четырех этапов:
1. Разведка
Ищем все источники информации о продукте: страницы продуктов, документация. Отслеживаем появление новых страниц на сайтах.
2. Наблюдение
Мониторим изменения на страницах которые мы обнаружили на этапе разведки — нам важно отслеживать такие события как удаление продуктов, изменение условий, специальные предложения.
3. Сбор данных
Превращаем банковские данные в машиночитаемый формат. Например Яндекс создал специально API для банков, чтобы банки сами присылали им информацию, но их API оказался не достаточно гибким и не покрывал все варианты продуктов (например акции для премиальных клиентов, условия для новых денег, требование пользоваться картой и т.д.). Мы же эту проблему решаем с помощью GPT.
4. Нормализация
Обрабатываем данные для программного расчета и отправляем в приложение. Так получается тот самый калькулятор вкладов.
Что дальше?
В следующих постах расскажу подробнее о технической стороне сбора данных — как мы парсим информацию, работаем с GPT и обеспечиваем актуальность данных. Если тема интересна — подписывайтесь, чтобы не пропустить.
P.S. Проект живой и развивается. Если есть вопросы или предложения — пишите в комментарии!