Perseus, do T-Bank: framework de personalização com ML para todo o ecossistema de serviços

O T-Bank apresentou, em 23 de julho de 2026, o Perseus, um framework de personalização universal que reúne todas as ações do usuário nos diferentes serviços do ecossistema numa única sequência de eventos e permite elevar as métricas de negócio de 3% a 17%.

Que problema o Perseus resolve

O Perseus elimina a lacuna entre os dados de dezenas de serviços do T-Bank, de compras no supermercado à contratação de financiamento imobiliário. Até agora, cada modelo de ML aprendia apenas com os dados do serviço em que era aplicado e, por isso, «enxergava» o usuário em pedaços, e não por inteiro.

O problema era agravado pela heterogeneidade dos dados: as equipes coletam eventos de forma independente, cada serviço tem seu próprio esquema e, nos produtos novos, simplesmente não há histórico de comportamento, o clássico «cold start». Segundo a descrição do T-Bank, era justamente isso que impedia transferir a personalização entre os produtos do ecossistema e obrigava cada equipe a construir seu modelo do zero.

• Autor: Oleg Lashinin, líder da área de sistemas de recomendação do T-Bank
• Problema: cada serviço tem seu próprio esquema de eventos e seu modelo isolado
• Nos serviços novos não há histórico do usuário: «cold start»
• Solução: uma sequência única com todas as ações do usuário
• Crescimento das métricas de negócio: de 3% a 17%, conforme a tarefa

Como funciona o fluxo único de eventos

O Perseus junta eventos heterogêneos de todos os serviços numa única sequência cronológica e, a partir dela, constrói uma representação integral do usuário. Segundo os desenvolvedores, essa abordagem torna o framework uma ferramenta flexível para trabalhar com dados do ecossistema e permite escalar a personalização com ML para diferentes produtos da empresa, sem retreinar um modelo separado para cada serviço.

É a sequência única que resolve dois problemas ao mesmo tempo: padroniza eventos de esquemas distintos e transfere o sinal de comportamento dos serviços maduros para os novos. Com isso, o modelo recebe contexto sobre o usuário antes mesmo de ele realizar a primeira ação em determinado produto.

«Quando o ecossistema tem dezenas de serviços, queremos que o modelo entenda o usuário por inteiro, e não por pedaços», disse

Oleg Lashinin, líder da área de sistemas de recomendação do T-Bank, no blog da empresa no Habr.

O que isso entrega ao negócio

O principal resultado é o aumento das métricas mesmo onde a personalização antes não funcionava. De acordo com o T-Bank, as métricas de negócio cresceram de 3% a 17% em diferentes tarefas, e o efeito se manteve até para usuários que não tinham nenhuma compra no serviço em questão.

Essa é a principal diferença em relação aos modelos de recomendação clássicos: sem histórico de comportamento, eles ficam impotentes. O Perseus, por sua vez, se apoia nas ações do usuário em outros serviços do ecossistema e personaliza a experiência já no primeiro contato com um produto novo. Para uma empresa com dezenas de serviços, isso significa que lançar a personalização num novo produto deixa de depender do acúmulo de dados.

O que isso significa

Os grandes ecossistemas de fintech caminham para um «perfil único de comportamento»: em vez de dezenas de modelos isolados, um só fluxo de eventos no qual todos os serviços aprendem. Para o T-Bank, é uma forma de ativar rapidamente a personalização em produtos novos, que ainda não têm histórico acumulado, e de extrair até 17% de ganho nas métricas de negócio.

Perguntas frequentes

O que é o Perseus, do T-Bank?

O Perseus é um framework de personalização universal que reúne as ações do usuário em todos os serviços do ecossistema do T-Bank numa única sequência de eventos. Sobre esses dados compartilhados, a personalização com ML é construída de uma vez para diferentes produtos da empresa.

Em quanto o Perseus melhora as métricas?

Segundo o T-Bank, as métricas de negócio cresceram de 3% a 17% em diferentes tarefas, inclusive para usuários sem nenhuma compra, caso em que os modelos convencionais não funcionam por falta de histórico.