Cartes de crédit, dépôts, prêts, fonds de pension, fonds communs de placement – lesquels de ces produits sont pertinents pour les clients d'une banque et à quel moment dans leur parcours bancaire ? Nous proposons un cadre de modélisation pour la recommandation de produits à l'aide d'un encodeur auto-attentif multi-têtes et d'une représentation novatrice des données d'entrée, sensible au contexte temporel de l'acquisition des produits et aux métadonnées de l'utilisateur. Évalué sur un vaste jeu de données public de la banque Santander, notre modèle atteint une précision top-1 et top-5 de 98.9% et 40.2%, respectivement, surpassant ainsi un nombre de modèles de recommandation de pointe. Nous évaluons aussi les métriques de sérendipité, de nouveauté et de couverture. Le plongement des utilisateurs appris par le modèle a le potentiel d'informer des décisions d'ampleur plus importante que ladite recommandation de produits.