У операторов контакт-центра не было инструмента для подбора вклада. Я спроектировал сценарий на движке телемаркетинга — конверсия 24,6%, без единого релиза продукта
Подбора вкладов до этого не существовало — мы создали канал продаж с нуля. Сценарий подтвердил спрос и стал фундаментом для целевого калькулятора.
Продажа вкладов — одна из ключевых метрик контакт-центра. Но инструмента для подбора у операторов не было, и канал фактически не работал.
Из записей звонков и обратной связи мы выделили три типичных ситуации обращения:
На итоговую ставку влияло множество факторов: пенсионер ли клиент, зарплатный ли он, хранил ли деньги на вкладах в последний год («старые/новые деньги»), сумма, срок, пополнение, снятие, тип капитализации.
Каждый из этих параметров менял доступные вклады и их условия. Подобрать лучший вариант «в уме» оператор не мог.
Ограничение: маркер зарплатного клиента получали из интеграции ядра, пенсионера определяли по дате рождения — но это не покрывало военных пенсионеров. Справочники НСИ с актуальными ставками и продуктами не давали — обновляли вручную.
Мы с продактом изначально видели целевое решение как калькулятор: выставляешь нужные условия — получаешь подходящий вклад. Но количество параметров и отсутствие данных из сервисов делали калькулятор слишком дорогим для первой итерации.
Решили сначала проверить спрос дешёвым MVP, а калькулятор строить на основе данных.
В качестве MVP мы решили использовать движок телемаркетинга (ТМ). У него было ключевое преимущество — гибкая настройка сценариев на стандартных компонентах. По кнопке в SmartCare открывался микрофронт ТМ с нашим сценарием.
Деплой не требовал релиза продукта: достаточно было отправить файл сценария редакторам, и они загружали его на прод. Изменения попадали в бой в тот же день.
Это было критично: ключевая ставка ЦБ в тот период менялась часто, а вместе с ней — ставки по вкладам. Без возможности обновлять сценарий день в день мы бы просто не успевали за рынком.
Ручное обновление ставок — это стоимость, которую мы приняли. Хотели автоматизировать через справочники НСИ, но доступ не дали. Зато запустились быстро, проверили спрос и получили работающий канал продаж без единого релиза.
Я собрал все условия, которые влияют на подбор вклада, ранжировал их по степени влияния на итоговую ставку и выстроил оптимальную последовательность вопросов.
Логика строилась от потребности клиента: сначала ключевые параметры — сумма и срок размещения. Затем дополнительные признаки, влияющие на ставку: зарплатный клиент, пенсионер, «новые деньги». И наконец — условия по продукту: пополнение, снятие, тип капитализации.
57 экранов, но оператор проходит 2–5
Итоговый сценарий — 57 экранов, организованных в 17 веток. Каждая ветка — отдельный путь через дерево решений в зависимости от комбинации условий клиента. При этом оператор в типичном пути проходил всего 2–5 шагов: ранжирование вопросов позволило быстро отсекать неподходящие варианты.
По итогам прохождения оператор получал лучший вклад с наивысшей ставкой для конкретного клиента и одну альтернативу.
Перед стартом система проверяет флаги: зарплатный (маркер из ядра, влияет на ставку) и пенсионер (по дате рождения, меняет продукт)
Каждая строка — путь оператора через сценарий. Длина = количество шагов. Остальные пути пенсионеров зеркалят основную ветку
Сценарий не был статичным. Когда менялись условия вкладов — а это происходило регулярно — менялось и дерево: один вклад становился выгоднее при определённых обстоятельствах, где-то сдвигались вилки сумм. Каждое такое изменение требовало пересборки веток и отправки обновлённого файла редакторам.
Самые популярные суммы — от 100 000 до 500 000 рублей. Самые популярные сроки — 2–4 месяца и 6 месяцев–1 год. Клиенты не готовы увеличивать сумму ради более высокой ставки, а длинные сроки (2–3 года) выбирают крайне редко.
Половина открытых вкладов приходилась на «Лучший%» (50,7%), что подтвердило правильность ранжирования — сценарий действительно выводил клиентов на самый выгодный продукт.
Данные есть — пора строить калькулятор
После запуска я провёл 21 глубинное интервью с операторами и побывал на гембе — наблюдал за работой операторов в контакт-центре. Задача — найти барьеры, которые мешают конверсии, и собрать требования для калькулятора.
Главная боль — разрыв ожиданий из рекламы. Клиенты приходили за ставкой 12%, но когда узнавали, что для этого нужен вклад на 3 года — расстраивались.
Операторам не хватало двух вещей. Первое — сравнение с конкурентами для отработки возражений: клиент говорит «у Альфы лучше», а оператор не может ответить.
«Возможность сравнить с продуктами других банков, чтобы отработать возражения лучше. Например, если клиент говорит, что у Альфы беспроцентный период есть, а я не знаю даже»
Второе — неаутентифицированные клиенты. Часть звонящих не проходила аутентификацию, и подобрать вклад с учётом персональных условий было невозможно. Также операторам было сложно объяснять клиентам механику «старых/новых денег».
Барьеры из интервью напрямую определили, что добавлять в калькулятор — сравнение с конкурентами и отработку возражений.
Калькулятор был запланирован с самого начала как целевое решение. Сценарий дал нам данные и инсайты, на основе которых мы его спроектировали.
Левая панель — список всех доступных вкладов с ключевыми опциями: снятие, пополнение, доходность, процентная ставка. Оператор сразу видел полную картину.
Правая панель — параметры подбора: сумма, срок, доступные условия клиента, тип капитализации.
Внутри подобранного вклада оператор мог: посмотреть подробные условия продукта, отработать возражения с помощью готовых аргументов, сравнить условия с другими банками и отправить клиенту SMS со ссылкой на открытие вклада.
MVP‑калькулятор — список вкладов и параметры подбора
Внутри подобранного вклада — условия, отработка возражений, сравнение с конкурентами
В рамках реорганизации функционал передали следующей команде. К тому моменту они получили то, чего не хватало нам: доступ к справочникам НСИ с актуальными ставками и продуктами. Это позволило уйти от ручного обновления сценария к автоматизированному решению.
Сценарий и калькулятор стали фундаментом: подтвердили спрос, отработали логику подбора и дали конверсию, от которой можно было отталкиваться.
Product Designer (end‑to‑end). От обоснования потребности через записи звонков до калькулятора с отработкой возражений — на основе 21 интервью с операторами.
24,6% конверсия в открытие вклада
Канал продаж создан с нуля. Сценарий и калькулятор стали фундаментом для автоматизированного решения