Perseus de T-Bank : un framework de personnalisation ML à l'échelle de tout l'écosystème de services

Le 23 juillet 2026, T-Bank a présenté Perseus, un framework de personnalisation universelle. Il fusionne toutes les actions d'un utilisateur dans les différents services de l'écosystème en une séquence unique d'événements et permet d'améliorer les métriques métier de 3 % à 17 %.

Quel problème Perseus résout-il ?

Perseus comble le fossé entre les données des dizaines de services de T-Bank, des achats en supermarché à la souscription d'un prêt immobilier. Jusqu'ici, chaque modèle de ML n'apprenait que sur les données du service où il était déployé : il ne « voyait » donc l'utilisateur que par fragments, jamais dans son ensemble.

L'hétérogénéité des données aggravait le problème. Les équipes collectent les événements chacune de leur côté, chaque service a son propre schéma, et les nouveaux produits n'ont aucun historique de comportement : c'est le classique « démarrage à froid » (cold start). Selon T-Bank, c'est précisément ce qui empêchait de transférer la personnalisation d'un produit à l'autre au sein de l'écosystème et obligeait chaque équipe à construire son modèle de zéro.

• Auteur : Oleg Lachinine, responsable des systèmes de recommandation chez T-Bank
• Problème : chaque service a son propre schéma d'événements et son propre modèle isolé
• Les nouveaux services n'ont aucun historique utilisateur : c'est le « démarrage à froid »
• Solution : une séquence unique de toutes les actions de l'utilisateur
• Hausse des métriques métier : de 3 % à 17 % selon les tâches

Comment fonctionne le flux d'événements unifié ?

Perseus assemble les événements hétérogènes de tous les services en une seule séquence chronologique et en tire une représentation globale de l'utilisateur. Selon les développeurs, cette approche fait du framework un outil flexible pour exploiter les données de l'écosystème. Elle permet d'étendre la personnalisation ML à différents produits de l'entreprise, au lieu de réentraîner un modèle distinct pour chaque service.

Cette séquence unique résout deux problèmes à la fois : elle ramène à une forme commune des événements aux schémas différents, et elle transfère le signal comportemental des services matures vers les nouveaux. Le modèle dispose ainsi d'un contexte sur l'utilisateur avant même que celui-ci n'ait effectué sa première action dans un produit donné.

«

Quand un écosystème compte des dizaines de services, on veut que le modèle comprenne l'utilisateur dans son ensemble, et pas par fragments », explique Oleg Lachinine, responsable des systèmes de recommandation de T-Bank, sur le blog de l'entreprise publié sur Habr.

Que cela apporte-t-il à l'entreprise ?

Le principal résultat : les métriques progressent même là où la personnalisation ne fonctionnait pas auparavant. Selon T-Bank, les métriques métier ont augmenté de 3 % à 17 % selon les tâches, et l'effet se maintient même pour les utilisateurs qui n'avaient effectué aucun achat dans le service concerné.

C'est la différence clé avec les modèles de recommandation classiques, qui sont démunis sans historique de comportement. Perseus s'appuie sur les actions de l'utilisateur dans les autres services de l'écosystème et personnalise dès le premier contact avec un nouveau produit. Pour une entreprise qui exploite des dizaines de services, le lancement de la personnalisation dans un nouveau produit n'est donc plus conditionné à l'accumulation de données.

Ce que cela signifie

Les grands écosystèmes fintech évoluent vers un « profil comportemental unique » : au lieu de dizaines de modèles isolés, un seul flux d'événements sur lequel s'entraînent tous les services. Pour T-Bank, c'est un moyen d'activer rapidement la personnalisation dans les nouveaux produits dépourvus d'historique, et de gagner jusqu'à 17 % sur les métriques métier.

Questions fréquentes

Qu'est-ce que Perseus de T-Bank ?

Perseus est un framework de personnalisation universelle qui fusionne les actions d'un utilisateur dans tous les services de l'écosystème T-Bank en une séquence unique d'événements. Sur ces données communes, il construit la personnalisation ML pour plusieurs produits de l'entreprise à la fois.

De combien Perseus améliore-t-il les métriques ?

Selon T-Bank, les métriques métier ont progressé de 3 % à 17 % selon les tâches, y compris pour les utilisateurs sans aucun achat, là où les modèles classiques échouent faute d'historique.