Digitālajā finanšu ekosistēmā ātrie kredīti vairs netiek meklēti manuāli, klikšķinot cauri desmitiem aizdevēju lapu. Kredītu salīdzināšanas portāli darbojas kā datu agregācijas slānis ar savu UX loģiku, filtriem un reitingēšanas algoritmiem. No malas, efektīvi. Bet tehniski domājošam lietotājam rodas jautājums, vai šis abstrakcijas slānis tiešām samazina laiku un risku, vai tikai pārstrukturē sarežģītību citā līmenī 😬. Šajā rakstā skatāmies uz to caur sistēmu dizaina, datu kvalitātes un lietotāja plūsmas prizmu.
Šajā rakstā skatāmies uz to caur sistēmu dizaina, datu kvalitātes un lietotāja plūsmas prizmu.
Ātri aprēķini par ietekmi
Pirms teorijas, daži konkrēti scenāriji.
Manuāla salīdzināšana vs portāls
Pieņemsim
- 6 aizdevēji
- ~5 min katras lapas analīzei
Kopā, 30 min
Portālā
- 1 forma (2 min)
- rezultātu pārskatīšana (3–5 min)
Kopā, ~7 min
Ietaupījums, ~23 min vienā meklēšanā
Procentu starpības ietekme
Aizdevums, 1000 € uz 12 mēnešiem
Variants A, GPL 25%
Kopējā summa, ~1136 €
Variants B, GPL 40%
Kopējā summa, ~1196 €
Starpība, 60 €
Ja portāls palīdz atrast zemāku GPL, tas ir reāls finansiāls ieguvums, ne tikai UX bonuss.
Filtrēšanas kļūdas cena
Ja algoritms neparāda 1 labāku piedāvājumu
- pārmaksāti 50–100 €
- lēmums balstīts uz nepilnīgu datasetu
Tas jau ir sistēmas dizaina jautājums, ne lietotāja kļūda.
Lietotāja plūsmas optimizācija
No UX perspektīvas portāli darbojas kā starpslānis starp lietotāju un vairākiem datu avotiem vai API.
Tipiska plūsma, ievade summa + termiņš, backend filtrēšana, rezultātu normalizācija un rangēšana. Šis modelis būtiski samazina click-depth un kognitīvo slodzi.
Šis modelis būtiski samazina click-depth un kognitīvo slodzi. Līdzīga pieeja redzama arī finanšu plānošanā, kur kalkulatori strukturē izvēles telpu.
Bet svarīgais, lietotājs vairs neredz raw data. Viņš redz interpretāciju.
Datu normalizācija un filtri
Reālajā pasaulē aizdevēji izmanto atšķirīgas definīcijas
- procentu likmes vs GPL
- komisijas vs “iekļauts maksājumā”
- dažādi termiņu modeļi
Portāli šo visu normalizē vienotā datasetā.
Automatizētie filtri ļauj atlasīt pēc GPL vai maksājuma, izslēgt neatbilstošus profilus, fokusēties uz specifiskiem gadījumiem, piemēram, kredīts ar sabojātu kredītvēsturi. No datu inženierijas skatpunkta tas ir milzīgs ieguvums, mazāk noise, vairāk strukturēta signāla.
Tomēr Netcredit.lv apkopotie dati rāda, ka ne visi aizdevēji vienmēr tiek iekļauti vienādā kvalitātē. Tas nozīmē, dataset var būt nepilnīgs.
Vai algoritmi samazina risku
Te sākas interesantā daļa.
Portāli bieži izmanto scoring algoritmus, sponsorētos rezultātus, prioritizāciju pēc konversijas, nevis lietotāja izdevīguma. Potenciālie riski labākais piedāvājums nav objektīvi labākais, daļa tirgus vispār netiek parādīta, lietotājs uzticas rangam kā patiesībai 😅 Un vēl viens slānis, drošība.
- “labākais piedāvājums” nav objektīvi labākais
- daļa tirgus vispār netiek parādīta
- lietotājs uzticas rangam kā patiesībai 😅
Un vēl viens slānis – drošība. Kā rāda analīze par krāpšanas mēģinājumiem, sociālā inženierija joprojām ir aktuāla. Portāls tevi nepasargā no nepareiza klikšķa vai uzticēšanās.
Caurspīdīgums pret vienkāršību
Lielākā daļa platformu izmanto progressive disclosure, sākumā tikai būtiskais, detaļas paslēptas dziļāk. UX ziņā, loģiski
Lēmumu kvalitātes ziņā, riskanti
Tipiskas problēmas:
- komisijas redzamas tikai detaļās
- līguma nianses nav uzreiz pieejamas
- lietotājs pieņem lēmumu pārāk ātri
Tas ir kompromiss starp ātrumu un precizitāti.
Kad portāli strādā vislabāk
Portāli ir efektīvi, ja:
- parametri ir skaidri definēti
- produkts ir standartizēts
- nav nepieciešama individuāla analīze
Šajā gadījumā tie darbojas kā query engine virs finanšu datiem.
Mazāk efektīvi, sarežģītos finanšu scenārijos, nestandarta kredītspējas gadījumos, kad lietotājs akli uzticas top rezultātiem
Praktiska pieeja izvēlei
Tehniski skatoties, kredītu portāli ir datu agregatori + UX optimizācijas slānis
Ne vairāk.
Lai iegūtu maksimālu vērtību
- izmanto portālu kā pirmo filtru
- pārbaudi piedāvājumu pie aizdevēja
- analizē pilnos nosacījumus, ne tikai rangu
Secinājums vienkāršs: laiku tie ietaupa gandrīz vienmēr, risku – tikai tad, ja pats saproti, ko dari 😬