Perseus от Т-Банка: фреймворк ML-персонализации по всей экосистеме сервисов

T-Bank presentó Perseus el 23 de julio de 2026, un framework de personalización universal que reúne todas las acciones del usuario en los distintos servicios del ecosistema en una única secuencia de eventos y permite aumentar las métricas de negocio entre un 3% y un 17%.

Qué problema resuelve Perseus

Perseus elimina la brecha entre los datos de decenas de servicios de T-Bank, desde las compras en el supermercado hasta la contratación de una hipoteca. Antes, cada modelo de ML se entrenaba solo con los datos del servicio en el que se utilizaba, por lo que "veía" al usuario en fragmentos y no de forma completa.

El problema se agravaba por la heterogeneidad de los datos: los equipos recopilan eventos de forma independiente, cada servicio tiene su propio esquema, y los productos nuevos carecen por completo de historial de comportamiento, el clásico "arranque en frío" (cold start). Según la descripción de T-Bank, esto era precisamente lo que impedía trasladar la personalización entre los productos del ecosistema y obligaba a cada equipo a construir su propio modelo desde cero.

• Autor: Oleg Lashinin, responsable del área de sistemas de recomendación en T-Bank
• Problema: cada servicio tiene su propio esquema de eventos y su propio modelo aislado
• Los servicios nuevos no tienen historial de usuario: "arranque en frío"
• Solución: una secuencia única de todas las acciones del usuario
• Crecimiento de métricas de negocio: entre el 3% y el 17% en distintas tareas

Cómo funciona el flujo unificado de eventos

Perseus une eventos heterogéneos de todos los servicios en una única secuencia cronológica y, a partir de ella, construye una representación completa del usuario. Según los desarrolladores, este enfoque convierte al framework en una herramienta flexible para trabajar con datos de todo el ecosistema y permite escalar la personalización de ML a los distintos productos de la empresa, en lugar de reentrenar un modelo aparte para cada servicio.

Precisamente la secuencia única resuelve dos tareas a la vez: lleva eventos con esquemas diferentes a un formato común y transfiere la señal de comportamiento de los servicios maduros a los nuevos. Gracias a esto, el modelo obtiene contexto sobre el usuario incluso antes de que este realice su primera acción en un producto concreto.

"Cuando hay decenas de servicios en el ecosistema, uno quiere que el modelo entienda al usuario por completo, no en fragmentos", afirma

Oleg Lashinin, responsable del área de sistemas de recomendación de T-Bank, en el blog de la compañía en Habr.

Qué le aporta esto al negocio

El principal resultado es el crecimiento de las métricas incluso en los casos donde la personalización antes no funcionaba. Según los datos de T-Bank, en distintas tareas las métricas de negocio crecieron entre un 3% y un 17%, y el efecto se mantuvo incluso para los usuarios que no habían realizado ni una sola compra en un servicio concreto.

Esta es una diferencia clave respecto a los modelos de recomendación clásicos: sin historial de comportamiento, resultan inútiles. Perseus, en cambio, se apoya en las acciones del usuario en otros servicios del ecosistema y aplica la personalización desde el primer contacto con un producto nuevo. Para una empresa con decenas de servicios, esto significa que lanzar la personalización en un producto nuevo deja de depender de acumular datos.

Qué significa esto

Los grandes ecosistemas fintech avanzan hacia un "perfil de comportamiento único": en lugar de decenas de modelos aislados, un solo flujo de eventos del que aprenden todos los servicios. Para T-Bank, esta es una forma de activar rápidamente la personalización en productos nuevos que aún no tienen historial acumulado, y de exprimir hasta un 17% de crecimiento en las métricas de negocio.

Preguntas frecuentes

¿Qué es Perseus de T-Bank?

Perseus es un framework de personalización universal que reúne las acciones del usuario en todos los servicios del ecosistema de T-Bank en una única secuencia de eventos. Sobre estos datos comunes se construye la personalización de ML para distintos productos de la empresa a la vez.

¿Cuánto mejora Perseus las métricas?

Según los datos de T-Bank, en distintas tareas las métricas de negocio crecieron entre un 3% y un 17%, incluso para usuarios sin ninguna compra, un caso en el que los modelos habituales no funcionan por falta de historial.