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

Т-Банк 23 июля 2026 года представил Perseus — фреймворк универсальной персонализации, который объединяет все действия пользователя в разных сервисах экосистемы в единую последовательность событий и позволяет повышать бизнес-метрики от 3% до 17%.

Какую проблему решает Perseus

Perseus устраняет разрыв между данными десятков сервисов Т-Банка — от покупок в супермаркете до оформления ипотеки. Раньше каждая ML-модель училась только на данных того сервиса, где применялась, поэтому «видела» пользователя по кусочкам, а не целиком.

Проблема усугублялась разнородностью данных: команды собирают события независимо, у каждого сервиса своя схема, а в новых продуктах истории поведения нет вовсе — классический «холодный старт». По описанию Т-Банка, именно это мешало переносить персонализацию между продуктами экосистемы и заставляло каждую команду строить свою модель с нуля.

• Автор — Олег Лашинин, руководитель направления рекомендательных систем в Т-Банке
• Проблема: у каждого сервиса своя схема событий и своя изолированная модель
• В новых сервисах нет истории пользователя — «холодный старт»
• Решение: единая последовательность всех действий пользователя
• Рост бизнес-метрик — от 3% до 17% в разных задачах

Как устроен единый поток событий

Perseus склеивает гетерогенные события из всех сервисов в одну хронологическую последовательность и на её основе строит цельное представление о пользователе. Такой подход, по словам разработчиков, делает фреймворк гибким инструментом для работы с экосистемными данными и позволяет масштабировать ML-персонализацию на разные продукты компании, а не переобучать отдельную модель под каждый сервис.

Именно единая последовательность решает две задачи сразу: приводит события с разными схемами к общему виду и переносит сигнал о поведении из зрелых сервисов в новые. За счёт этого модель получает контекст о пользователе ещё до того, как он совершил первое действие в конкретном продукте.

«Когда в экосистеме десятки сервисов, хочется, чтобы модель понимала пользователя целиком, а не по кусочкам», —

Олег Лашинин, руководитель направления рекомендательных систем Т-Банка, в блоге компании на Habr.

Что это даёт бизнесу

Главный результат — рост метрик даже там, где персонализация раньше не работала. По данным Т-Банка, в разных задачах бизнес-метрики выросли от 3% до 17%, причём эффект сохранялся даже для пользователей, у которых не было ни одной покупки в конкретном сервисе.

Это ключевое отличие от классических рекомендательных моделей: без истории поведения они беспомощны. Perseus же опирается на действия пользователя в других сервисах экосистемы и делает персонализацию уже с первого касания нового продукта. Для компании с десятками сервисов это означает, что запуск персонализации в новом продукте перестаёт упираться в накопление данных.

Что это значит

Крупные финтех-экосистемы двигаются к «единому профилю поведения»: вместо десятков изолированных моделей — один поток событий, на котором учатся все сервисы. Для Т-Банка это способ быстро включать персонализацию в новых продуктах, где ещё нет накопленной истории, и выжимать до 17% прироста бизнес-метрик.

Частые вопросы

Что такое Perseus от Т-Банка?

Perseus — это фреймворк универсальной персонализации, который объединяет действия пользователя во всех сервисах экосистемы Т-Банка в единую последовательность событий. На этих общих данных строится ML-персонализация сразу для разных продуктов компании.

На сколько Perseus повышает метрики?

По данным Т-Банка, в разных задачах бизнес-метрики выросли от 3% до 17% — в том числе для пользователей без единой покупки, где обычные модели не работают из-за отсутствия истории.