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

Le 23 juillet 2026, T-Bank a présenté Perseus, un framework de personnalisation universelle qui réunit toutes les actions de l'utilisateur dans les différents services de l'écosystème en une séquence unique d'événements et permet d'augmenter les indicateurs business de 3 % à 17 %.

Quel problème Perseus résout-il

Perseus comble le fossé entre les données de dizaines de services de T-Bank — des achats au supermarché jusqu'à la souscription d'un prêt immobilier. Auparavant, chaque modèle de ML n'était entraîné que sur les données du service où il était utilisé, si bien qu'il « voyait » l'utilisateur par fragments, et non dans son ensemble.

Le problème était aggravé par l'hétérogénéité des données : les équipes collectent les événements de manière indépendante, chaque service a son propre schéma, et les nouveaux produits n'ont tout simplement aucun historique de comportement — le classique « cold start ». Selon la description de T-Bank, c'est précisément ce qui empêchait de transférer la personnalisation entre les produits de l'écosystème et obligeait chaque équipe à construire son propre modèle à partir de zéro.

• Auteur — Oleg Lashinin, responsable du pôle 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 pas d'historique utilisateur — « cold start »
• Solution : une séquence unique de toutes les actions de l'utilisateur
• Croissance des indicateurs business — de 3 % à 17 % selon les tâches

Comment fonctionne le flux unifié d'événements

Perseus assemble des événements hétérogènes provenant de tous les services en une seule séquence chronologique et construit sur cette base une représentation complète de l'utilisateur. Selon les développeurs, cette approche fait du framework un outil flexible pour travailler avec les données de tout l'écosystème et permet de faire évoluer la personnalisation par ML sur les différents produits de l'entreprise, plutôt que de réentraîner un modèle séparé pour chaque service.

C'est précisément la séquence unique qui résout deux problèmes à la fois : elle ramène des événements aux schémas différents à un format commun et transfère le signal comportemental des services matures vers les nouveaux. Grâce à cela, le modèle obtient du contexte sur l'utilisateur avant même que celui-ci n'effectue sa première action dans un produit donné.

«

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

Ce que cela apporte à l'entreprise

Le principal résultat est la croissance des indicateurs même là où la personnalisation ne fonctionnait pas auparavant. Selon T-Bank, les indicateurs business ont progressé de 3 % à 17 % selon les tâches, et l'effet se maintenait même pour les utilisateurs n'ayant fait aucun achat dans un service donné.

C'est une différence essentielle par rapport aux modèles de recommandation classiques : sans historique de comportement, ils sont impuissants. Perseus, lui, s'appuie sur les actions de l'utilisateur dans les autres services de l'écosystème et applique la personnalisation dès le premier contact avec un nouveau produit. Pour une entreprise comptant des dizaines de services, cela signifie que le lancement de la personnalisation dans un nouveau produit ne dépend plus de l'accumulation de données.

Ce que cela signifie

Les grands écosystèmes fintech évoluent vers un « profil de comportement unifié » : au lieu de dizaines de modèles isolés, un flux unique d'événements sur lequel apprennent tous les services. Pour T-Bank, c'est un moyen d'activer rapidement la personnalisation dans les nouveaux produits qui n'ont pas encore d'historique accumulé, et d'en tirer jusqu'à 17 % de croissance des indicateurs business.

Questions fréquentes

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

Perseus est un framework de personnalisation universelle qui réunit les actions de l'utilisateur dans tous les services de l'écosystème T-Bank en une séquence unique d'événements. C'est sur ces données communes que se construit la personnalisation par ML pour les différents produits de l'entreprise à la fois.

Dans quelle mesure Perseus améliore-t-il les indicateurs ?

Selon T-Bank, les indicateurs business ont progressé de 3 % à 17 % selon les tâches — y compris pour les utilisateurs n'ayant fait aucun achat, un cas où les modèles classiques ne fonctionnent pas faute d'historique.