Perseus от Т-Банка: фреймворк для персонализации на основе гетерогенных событий

Т-Банк представил Perseus — фреймворк для универсальной персонализации, который объединяет гетерогенные события из разных сервисов экосистемы в единую последовательность. Решение позволяет строить рекомендательные модели, понимающие поведение пользователя целиком, а не в рамках отдельного продукта.

Т-Банк представил Perseus — фреймворк для универсальной персонализации, который объединяет гетерогенные события из разных сервисов экосистемы в единую последовательность. Решение позволяет строить рекомендательные модели, понимающие поведение пользователя целиком, а не в рамках отдельного продукта. По данным команды, внедрение Perseus повысило бизнес-метрики от 3% до 17% в различных задачах, включая сценарии, где у пользователя не было ни одной покупки. Этот подход особенно важен для экосистемных компаний, стремящихся к бесшовному клиентскому опыту.

Как работает Perseus: объединение данных экосистемы

Основная идея Perseus — представить все действия пользователя в экосистеме Т-Банка как единую последовательность событий. Каждое событие содержит тип, временную метку и атрибуты, специфичные для сервиса. Фреймворк использует архитектуру Transformer с механизмом внимания, что позволяет модели эффективно обрабатывать длинные последовательности и выявлять сложные паттерны поведения. Для работы с гетерогенными данными применяется эмбеддинг, который преобразует разнородные признаки в единое векторное представление.

Ключевая особенность Perseus — способность работать с разреженными данными: даже если пользователь совершил всего несколько действий в новом сервисе, модель использует информацию из других сервисов экосистемы для формирования рекомендаций. Это особенно важно для холодного старта, когда история взаимодействия с конкретным продуктом отсутствует. Например, новый пользователь супермаркета может получить рекомендации на основе его банковских транзакций или интереса к инвестициям.

Предыстория и контекст

До Perseus каждая команда в Т-Банке строила модели персонализации изолированно, используя только данные своего сервиса. Это приводило к фрагментарному пониманию пользователя: модель супермаркета не знала, что клиент недавно оформил ипотеку, а рекомендации в мобильном приложении игнорировали его инвестиционные предпочтения. Кроме того, новые сервисы сталкивались с проблемой холодного старта — отсутствие истории не позволяло строить качественные рекомендации.

В индустрии аналогичные подходы уже применяются: например, Amazon использует кросс-доменные рекомендации, а YouTube учитывает историю поиска и просмотров из разных разделов. Однако открытых фреймворков для универсальной персонализации на основе гетерогенных событий практически нет, что делает Perseus заметным вкладом в развитие рекомендательных систем.

Чем Perseus отличается от традиционных подходов?

Традиционные модели персонализации обычно строятся на данных одного сервиса: например, рекомендации фильмов учитывают только историю просмотров, а предложения товаров — только покупки. Perseus же объединяет все типы событий: от транзакций и просмотров страниц до кликов в мобильном приложении и обращений в поддержку. Это позволяет модели выявлять скрытые связи — например, что пользователи, которые интересуются инвестициями, чаще покупают страховые продукты.

Ещё одно отличие — архитектура фреймворка. Perseus спроектирован как гибкий инструмент, который легко адаптировать под разные бизнес-задачи: от рекомендации продуктов до персонализации контента и уведомлений. Для этого используется модульный подход: ядро фреймворка отвечает за обработку последовательностей, а конфигурируемые блоки — за специфику конкретного сервиса.

Технические детали и архитектура

Perseus построен на основе Transformer-архитектуры, популярной в NLP и рекомендательных системах. Основные компоненты:

Эмбеддинги событий. Каждое событие преобразуется в вектор фиксированной размерности. Для категориальных признаков (тип события, сервис) используются обученные эмбеддинги, для числовых — нормализация и линейное преобразование. Атрибуты событий могут различаться: для покупки важны сумма и категория товара, для просмотра статьи — тема и время чтения.

Механизм внимания. Позволяет модели взвешивать важность разных событий в последовательности. Например, при рекомендации кредита модель может уделить больше внимания недавним транзакциям и истории выплат, а не просмотрам рекламы год назад.

Выходной слой. В зависимости от задачи — бинарная классификация (купит/не купит), регрессия (вероятность действия) или ранжирование (список рекомендаций). Фреймворк поддерживает мультитасковое обучение, когда одна модель решает несколько задач одновременно.

По словам разработчиков, Perseus обрабатывает последовательности длиной до нескольких тысяч событий и масштабируется на десятки миллионов пользователей. Инфраструктура построена на Apache Kafka для потоковой передачи событий и Spark для пакетной обработки.

Кого затронет и как

Разработчики рекомендательных систем. Perseus предлагает готовую архитектуру для кросс-доменной персонализации, что может сократить время на разработку и улучшить качество рекомендаций. Команды, работающие с экосистемными данными, смогут использовать фреймворк как основу для своих решений.

Бизнес-подразделения Т-Банка. Для сервисов экосистемы внедрение Perseus означает более релевантные предложения клиентам, что ведёт к росту конверсии и среднего чека. Особенно ценно для новых продуктов, которые теперь могут сразу получать персонализированные рекомендации на основе данных из других сервисов.

Конкуренты. Появление Perseus усиливает конкурентное преимущество Т-Банка в области персонализации. Другие банки и финтех-компании, вероятно, будут вынуждены ускорить разработку аналогичных решений, чтобы не отставать.

Пользователи. Конечные выгоды — более релевантные предложения, меньше спама и уведомлений, которые не соответствуют интересам. В идеале пользователь получает именно то, что ему нужно в данный момент, без лишнего шума.

Что будет дальше

Т-Банк планирует расширять применение Perseus на новые сервисы экосистемы и делиться опытом с сообществом. Возможно, фреймворк будет открыт или опубликован в виде библиотеки, что позволит другим компаниям использовать наработки. В долгосрочной перспективе Perseus может стать основой для единой платформы персонализации, охватывающей все точки взаимодействия с клиентом.

Ожидается, что в ближайшие месяцы появятся публикации с детальным описанием архитектуры и результатами A/B-тестов на различных сценариях. Также вероятно развитие в сторону real-time персонализации, когда модель адаптируется к поведению пользователя в режиме онлайн.

Итог

Perseus — это шаг к целостному пониманию пользователя в экосистеме. Объединяя гетерогенные события в единую последовательность, фреймворк позволяет строить модели, которые видят полную картину поведения, а не её фрагменты. Для Т-Банка это означает рост метрик и ускорение вывода новых продуктов, а для индустрии — интересный пример кросс-доменной персонализации, который может стать стандартом.