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

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 em uma única sequência de eventos e permite aumentar 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 — desde compras no supermercado até a contratação de um financiamento imobiliário. Antes, cada modelo de ML era treinado apenas com os dados do serviço em que era usado, por isso "enxergava" o usuário em fragmentos, e não por completo.

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

• Autor — Oleg Lashinin, chefe da área de sistemas de recomendação do T-Bank
• Problema: cada serviço tem seu próprio esquema de eventos e seu próprio modelo isolado
• Serviços novos não têm histórico do usuário — "cold start"
• Solução: uma sequência única de todas as ações do usuário
• Crescimento das métricas de negócio — de 3% a 17% em diferentes tarefas

Como funciona o fluxo unificado de eventos

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

É justamente a sequência única que resolve duas tarefas ao mesmo tempo: leva eventos com esquemas diferentes a um formato comum e transfere o sinal de comportamento de serviços maduros para os novos. Com isso, o modelo obtém contexto sobre o usuário mesmo antes de ele realizar a primeira ação em um produto específico.

"Quando o ecossistema tem dezenas de serviços, você quer que o modelo entenda o usuário por inteiro, não em fragmentos", diz

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

O que isso traz para o negócio

O principal resultado é o crescimento das métricas mesmo onde a personalização antes não funcionava. Segundo dados do T-Bank, em diferentes tarefas as métricas de negócio cresceram de 3% a 17%, e o efeito se manteve até mesmo para usuários que não tinham feito nenhuma compra em um serviço específico.

Essa é uma diferença fundamental em relação aos modelos de recomendação clássicos: sem histórico de comportamento, eles ficam inúteis. Já o Perseus se apoia nas ações do usuário em outros serviços do ecossistema e aplica a personalização já no primeiro contato com um produto novo. Para uma empresa com dezenas de serviços, isso significa que lançar a personalização em um novo produto deixa de depender do acúmulo de dados.

O que isso significa

Os grandes ecossistemas fintech estão caminhando para um "perfil único de comportamento": em vez de dezenas de modelos isolados, um único fluxo de eventos no qual todos os serviços aprendem. Para o T-Bank, essa é uma forma de ativar rapidamente a personalização em produtos novos que ainda não têm histórico acumulado, e de extrair até 17% de aumento 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 em uma única sequência de eventos. Sobre esses dados comuns é construída a personalização de ML para diferentes produtos da empresa ao mesmo tempo.

O quanto o Perseus melhora as métricas?

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