FinFlow: Yapay Zeka Destekli Kişisel Finans Uygulaması

Zorluk

FinFlow kurucusu Sarah Al-Rashid'in net bir vizyonu vardı: paranızın nereye gittiğini gösteren değil, aslında daha az harcamanıza yardımcı olan bir kişisel finans uygulaması oluşturmak. Pazardaki her bütçeleme uygulaması grafikler ve kategoriler sunuyordu. Hiçbiri uygulanabilir, kişiselleştirilmiş öneriler sunmuyordu.

Sarah konsepti 200 anket yanıtıyla doğrulamıştı ve bütçeleme uygulaması kullanıcılarının %78'i sadece para takip ettiklerini hissetdiklerini, tasarruf etmediklerini göstermişti. Yapay zeka finans alanına iyi fonlanan rakipler girmeden önce bu içgörüyü hızlı bir şekilde ürüne dönüştürecek teknik bir ekibe ihtiyaç duyuyordu.

Kısıtlamalar sıkıydı: işlevsel bir MVP için 5 hafta, aynı anda iOS ve Android lansmanı, banka işlem verileriyle entegrasyon ve gerçekten kullanışlı hissettiren, gösterişli olmayan yapay zeka. Bütçe tohum aşamasıydı — her dolar önemliydi.

Bizim yaklaşımımız

Startup bütçesiyle ilk günden iOS ve Android'e ihtiyaç duyulduğundan, ön uç için Flutter'ı seçtik. Bu, platformlar arasında kod tabanının %95'ini paylaşmamızı sağlarken, animasyonlar ve UI geçişleri için yerel performans sunmamızı sağladı. Arka uç için Node.js'yi PostgreSQL veritabanıyla Supabase'de barındırılan şekilde kullandık, bu da bize kimlik doğrulama, gerçek zamanlı abonelikler ve Satır Düzeyinde Güvenlik sağladı.

Yapay zeka katmanı temel farklılaştırıcıydı. Doğal dil işlem araması (kullanıcılar "Bu ay kahveye ne kadar harcadım?" veya "Geçen Salı'dan o ücret neydi?" gibi sorular sorabilirler) ve kişiselleştirilmiş tasarruf önerileri oluşturan harcama alışkanlığı analizi için OpenAI'yi entegre ettik.

İşlem kategorileştirmesi için melez bir sistem oluşturduk. İlk kural tabanlı bir sınıflandırıcı yaygın satıcıları (Starbucks, Amazon, Uber) neredeyse %100 doğrulukla işler. Daha az yaygın işlemler için, LLM satıcı adını, tutarını ve bağlamı analiz ederek kategorileri atar. Bu melez yaklaşım, API maliyetlerini düşük tutarken yüksek doğruluk sağlar.

Katılımı artıran tasarım kararları

FinFlow'u tipik dashboard yaklaşımı yerine sohbet-öncelikli bir arayüzle tasarladık. Kullanıcılar uygulamayı açtıklarında konuşmacı bir istem görürler: "Paranız hakkında bana her şeyi sorun." Bu tek karar, finans uygulamaları için endüstri ortalamasına kıyasla 3 kat daha yüksek günlük katılım sağladı.

AI asistanı yapılandırılmış kartlarla yanıt verir — metin duvarları değil. Bir harcama sorgusu, tutarlar, yüzdeler ve trend okları içeren görsel bir döküm döndürür. Bir tasarruf önerisi, "Bu bütçeyi ayarla" düğmesi içeren işlem yapılabilir bir kart olarak gelir. Her AI yanıtı, kullanıcıların verilerini keşfetmeye devam etmeleri için önerilen bir takip sorusuyla biter.

Ayrıca her Pazar akşamı bildirim olarak gönderilen haftalık AI tarafından oluşturulan harcama raporları uyguladık. Bu raporlar, geçen haftanın en büyük tasarruf fırsatını belirli, işlem yapılabilir bir önerileriyle vurgular. Bu raporları alan kullanıcılar, almayan kullanıcılara kıyasla ortalama %12 daha fazla tasarruf yaptı.

Teknik inceleme: AI maliyetlerini yönetilebilir tutmak

Bir tüketici finans uygulaması için AI API maliyetleri hızla artabilir. Kullanıcı başına maliyetleri aylık 0,02 $ altında tutmak için birkaç strateji uyguladık. İlk olarak, agresif önbelleğe alma: yaygın sorgular ("Bu ay ne kadar harcadım?") LLM'ye dokunmadan önce bir önbellek katmanına çarpar. İkinci olarak, istem optimizasyonu: ham işlem listeleri yerine yapılandırılmış işlem özetleri kullanarak ortalama istem boyutunu %60 oranında azalttık. Üçüncü olarak, toplu işleme: haftalık harcama analizi, tüm kullanıcıları tek bir toplu işlemde işleyen arka plan işi olarak çalışır ve API ek yükünü amorti eder.

Doğal dil araması için, kullanıcı sorgularını yapılandırılmış veritabanı sorgularına dönüştürmek için işlev çağrısı kullanırız. Bu, LLM'nin niyeti yorumladığı ("bu ay kahve" bir kategori + tarih aralığı filtresine dönüşür) ve gerçek veri alımı PostgreSQL aracılığıyla gerçekleşir — hızlı, doğru ve halüsinasyon riski yoktur.

Sonuçlar

FinFlow, başlangıç toplantımızdan tam olarak 5 hafta sonra iOS ve Android'de eşzamanlı olarak piyasaya çıktı. Uygulama, ilk ay içinde 4,8 yıldız puanı ile App Store'da yerini aldı; bu başarı büyük ölçüde AI asistanı övgüleyen yorumlardan kaynaklandı ("Sonunda beni tasarruf etmeme gerçekten yardımcı olan bir uygulama" ortak bir temayı oluşturdu).

Organik büyüme, ilk ayda ücretli edinme yöntemi olmaksızın 5.000 kullanıcı getirdi. Sohbet-öncelikli arayüz, kullanıcıların AI harcama içgörülerinin ekran görüntülerini sosyal medyada paylaştığı viral bir özellik haline geldi. 7. gün elde tutma oranı %52 idi ve bu, finansman uygulamaları için %20-25 endüstri ortalamasından önemli ölçüde yüksekti.

Bu metrikler sayesinde FinFlow, piyasaya sürülmesinden üç ay sonra 1,2 milyon dolarlık bir tohum turu yatırımı aldı. Sarah, MVP'nin kalitesini — özellikle de AI destekli özellikleri — yatırımcı konuşmalarındaki önemli bir faktör olarak değerlendirmektedir. Yinelenen harcama tespiti ve yatırım takibi dahil olmak üzere FinFlow v2 özellikleri üzerinde çalışmaya devam ediyoruz.

Çıkarılan dersler

Sohbet-öncelikli arayüzler karmaşık veriler için işe yarıyor. Kullanıcılar, panoları gezinmek yerine paralarıyla ilgili sorular sormayı daha doğal bulmuştur. Bu model geniş bir şekilde uygulanabilir: karmaşık temel verilere sahip herhangi bir uygulama, sohbet katmanından faydalanabilir.

AI maliyet optimizasyonu ilk günden itibaren tasarlanmalı, daha sonra eklenmemeledir. Hibrid kategorileştirme ve önbelleğe alma stratejilerimiz, ölçeklendikte maliyetleri sürdürülebilir tuttu. Eğer her şey için tamamen LLM çağrılarına dayanmış olsaydık, uygulama 1.000 kullanıcıda kârsız olurdu.