Возглавил дизайн платформы прогнозирования рисков, привлекая крупных клиентов и сократив затраты на комплаенс на 50%

Выявление ключевых проблем удобства использования и комплаенса

Постановка проблемы

«Пользовательский опыт Merkle Science затруднён из-за избыточной сложности данных и ограниченной кастомизации, что затрудняет офицерам комплаенса и форензик-аналитикам эффективное выявление и предотвращение крипто-преступлений.»

Цели и метрики успеха

1. Упростить дашборды: Сократить время, которое офицеры комплаенса тратят на сортировку данных, на 30% .
2. Улучшить инструменты отчётности: Сделать ежедневные задачи форензик-аналитиков на 25% эффективнее.
3. Конкурентная дифференциация: Предложить удобные, но при этом хорошо настраиваемые функции, превосходящие конкурентов (Chainalysis, Elliptic).

Конкурентный анализ

1. Chainalysis: Мощные форензик-функции, но сложный, перегруженный UI.
2. Elliptic: Более удобный, но ограниченная кастомизация.
3. Наше преимущество: Гибридный подход — глубокая функциональность с чистым интерфейсом и мониторингом транзакций на основе поведения, который выделяется на рынке.

Прототип: итеративный дизайн для оптимального удобства использования

Я наметил ключевые рабочие процессы (обзор транзакций, разбор оповещений, отчётность по кейсам) и сосредоточился на ясности навигации и минимальном визуальном шуме.

Следующим шагом было внедрение брендинговых элементов , плейсхолдеров графиков и предварительных цветовых схем. Затем я начал тестировать с отдельными офицерами комплаенса, чтобы подтвердить логичность потока данных.

Наконец, я построил интерактивные прототипы в Figma с продвинутой логикой фильтрации и динамическими переходами графиков. Также обеспечил демонстрацию надёжного механизма отчётности, включая функцию «прикрепить доказательство» для форензик-команд.

Тестирование и доработка: подтверждение улучшений удобства использования

После того как мы доработали прототип, мы перешли к циклам непрерывного улучшения:

1. Метрики времени на задачу: Наблюдали 20% рост вовлечённости пользователей и 15% снижение времени выполнения задач.
2. Кастомизация дашборда: Сократили нагрузку по управлению данными на 30% для офицеров комплаенса.
3. Форензик-отчётность: Сократили среднее время расследования на 25% благодаря комплексным функциям экспорта.

Когда я пришёл в Merkle Science, платформа уже выполняла критические функции, такие как мониторинг транзакций , форензик-расследования и обучение комплаенсу . Однако UI и рабочие процессы были слишком сложными, что требовало крутой кривой обучения и было очень неэффективно.

У меня с самого начала было несколько неотложных вопросов:

Кто именно наши основные пользователи (например, офицеры комплаенса против форензик-аналитиков против регуляторов)?

Каковы их главные болевые точки при анализе рисков криптовалют?

Как мы можем упростить представление данных, не теряя критических деталей?

Чтобы ответить на эти вопросы, я организовал межотделовый воркшоп (с участием продакт-менеджеров, руководителя клиентской поддержки, разработчиков и маркетинга), чтобы прояснить текущие возможности платформы и выявить ключевые вызовы пользователей. Итог воркшопа ясно показал, что сегмент офицеров комплаенса нашей пользовательской базы сталкивался с перегрузкой данными, а сегмент аналитиков требовал детальных историй транзакций и быстрой генерации отчётов.

Генерация идей: создание решений для баланса глубины данных и ясности

С инсайтами исследований и результатами конкурентного анализа на руках я вёл мозговые штурмы, чтобы предложить и приоритизировать решения.

Я предложил следующие концепции:

Настраиваемый дашборд, позволяющий офицерам комплаенса выбирать, какие виджеты отображаются, обеспечивая, чтобы релевантные данные появлялись первыми. И продвинутые фильтры для сегментации транзакций по риск-скору, географии или типу кошелька.

Расширенный форензик-набор для детальной истории транзакций (богатые метаданные, визуальные наложения данных и представления временной шкалы) и конструктор отчётов с экспортом в один клик с кастомными шаблонами для следователей или юридических команд.

Идея мониторинга на основе поведения заключалась во внедрении паттернов машинного обучения, помечающих аномальные транзакции до их эскалации. А также в представлении оповещений о подозрительной активности в ясной, упрощённой ленте.

Во время внутренней демонстрации офицер комплаенса от пилотного клиента пошутил: «Наконец-то у меня нет ощущения, что данные на меня кричат». Этот небольшой комментарий подтвердил нашу веру в то, что удобство использования так же важно, как и голая функциональность.

Запуск и влияние: построение доверия и привлечение крупных клиентов

Привлечение известных клиентов

После внедрения существующие клиенты рекомендовали Merkle Science более крупным криптобиржам.

Обеспечил пробные внедрения с Binance , Crypto.com и живую тестовую сессию с госорганами США.

Регулирующие органы: Участвовал в пилотных программах с федеральными правоохранительными органами, демонстрируя надёжную форензику платформы и удобный дизайн.