Moloco Commerce Media AI-Engine
Die Ad-Engine für das Wachstum Ihres Werbegeschäfts
Moloco Commerce Media ist ein KI-natives Werbesystem, das Signale von Millionen Shoppern und Katalogdaten analysiert, um relevante, performancestarke Anzeigen auszuspielen. Es optimiert jede Auktion in Millisekunden für Shopper, Werbetreibende und Commerce-Plattformen.
Zu Molocos Kunden zählen:
Retail Media ist immer nur so gut wie die Technologie dahinter.
Der Unterschied liegt im Aufbau des Systems
Regelbasierte Systeme stoßen an ihre Grenzen
Statische Keyword-Listen, die nicht aus dem Shopper-Verhalten lernen
Manuelle Konfiguration, die für Anpassungen menschliches Eingreifen erfordert
Mit zunehmender Komplexität von Katalog und Nachfrage stößt die Relevanz an ihre Grenzen
Von Grund auf anders gebaut
Jede Anzeigenentscheidung als Machine-Learning-Vorhersageproblem behandeln
Training mit den eigenen First-Party-Daten des Retailers
Schließen Sie den Kreislauf von der Impression bis zum Kauf, damit das System aus echten Ergebnissen lernt.
Ein Vorhersagesystem, das mit jeder Impression besser wird
Die besondere Stärke von Commerce für Werbung liegt in den verfügbaren Signalen. Impressions, Klicks, Warenkorb-Aktivitäten und Käufe finden alle in derselben Umgebung statt. So entsteht eine solide Datengrundlage für Prognosen, die mit jeder Interaktion besser werden. Die Modelle lernen aus plattformspezifischem Verhalten und optimieren auf tatsächliche Ergebnisse der Shopper.
Ihre Daten, vernetzt nach Ihren Anforderungen
Katalog- und Shopper-Daten werden verbunden über:
- Flexible Katalog-Ingestion für Single- und Multi-Seller-Plattformen sowie bestehende Google- und Meta-Feeds
- Shopper-Event-Streaming über APIs, Tag-Manager oder bestehende CDPs
Lernen, das nie aufhört
Modelle bleiben aktuell durch:
- Retraining alle zwei Stunden {[data-attribute="init-tooltip"][tooltip-content="<p>Quelle:<br><br>Moloco-interne Daten. Die Aktualisierungshäufigkeit wird anhand des Modell-Retraining-Rhythmus gemessen, Stand April 2026.</p>"]}
- Anpassung an Verhalten, Inventar und Promotions im Tagesverlauf
Händlerspezifische Modelle und Trainings
Jede Retailer-Umgebung umfasst:
- Dedizierte Modellinstanzen
- Modelltraining ausschließlich mit den eigenen Daten des Retailers
Der geschlossene Kreislauf
Der geschlossene Kreislauf schafft einen Flywheel-Effekt, den Sie selbst steuern: Ihre Shopper liefern die Signale, Ihre Modelle nutzen sie und Ihr Werbegeschäft wächst stetig.
Eine Entscheidung ist einfach. Wenn sechs Bereiche gemeinsam entscheiden, verstärkt sich ihre Wirkung.
Eine Commerce-Ad-Plattform trifft nicht nur eine Art von Entscheidung, sondern bei jeder Anfrage sechs gleichzeitig. CARA (Compound Ad Recommendation Architecture), Molocos KI-System, orchestriert dafür Modelle und Agents über alle sechs Bereiche hinweg und schafft so Vorteile für Retailer, Werbetreibende und Shopper.CARA bildet die intelligente Grundlage für A2G-Wachstum, wobei sich die einzelnen Bereiche gegenseitig verstärken: Ein besseres Katalogverständnis verbessert das Retrieval, besseres Retrieval das Bidding und bessere Ergebnisse aktivieren mehr Werbetreibende. Mehr Werbetreibende wiederum stärken die Auktion und liefern zusätzliche Signale.Genau dieses sich gegenseitig verstärkende Zusammenspiel macht ein „ganzheitliches KI-System“ in der Praxis aus.
Kampagnenautomatisierung
Werbetreibende geben ein Ziel vor (ROAS-Ziel, Umsatzziel, Budget); das System setzt es um, während Agents laufende Kampagnen monitoren und Empfehlungen liefern.
Anzeigenpersonalisierung
Transformer-basierte Modelle bilden Shopper-Verhalten und die Relevanz von Produkten detailliert ab und prognostizieren Klicks und Conversions für jede Impression.
Bidding
Monetarisiert jede Impression mit einem relevanten Kandidaten – im Ausgleich zwischen Shopper-Relevanz, Advertiser-ROAS und Plattform-Fill.
Signale
Normalisiert Katalog- und Verhaltensdaten zu Embeddings, ganz ohne manuelle Taxonomie oder Keyword-Mapping.
Ad Serving
Steuert die Anzeigenauslieferung über alle eigenen Touchpoints hinweg und quantifiziert den Einfluss jedes Placements auf Auktionsdichte, Ausspielung und Umsatz.
Demand-Aktivierung
Der Demand Agent macht aus Suppliern Werbetreibende – mit vorkonfigurierten, launch-bereiten Kampagnen.
Für Herausforderungen entwickelt, an denen regelbasierte Systeme scheitern,
Eine Anzeige für eine exakte Keyword-Übereinstimmung bei einem eingeloggten Stammkunden auszuliefern, ist der einfache Fall. Im Commerce dominieren die schwierigen Fälle – und genau dort zeigt sich, was eine Architektur wirklich leistet.
Katalogverständnis ohne Taxonomie
Jeder Retailer ist anders: Schema, Taxonomie und Layout unterscheiden sich, während sich Preise und Verfügbarkeit von Millionen Artikeln im Tagesverlauf ändern. CARA überführt Katalogattribute in Embeddings, die Beziehungen zwischen Artikeln und semantische Übereinstimmungen erfassen. So steht allen nachgelagerten Bereichen ein präziseres Verständnis des Katalogs zur Verfügung.
Retrieval und Scoring in Auktionsgeschwindigkeit
Eine zweistufige Architektur: Ein Retrieval-Modell grenzt den gesamten Katalog pro Anfrage auf relevante Kandidaten ein; ein Scoring-Modell sagt Klick-, Conversion- und Umsatzergebnisse voraus, um jede Anzeige zu ranken und zu bepreisen.
Cold Start, gezielt gelöst
Neue Produkte haben noch keine Historie und tun sich deshalb schwer, sichtbar zu werden. Cold-Start-Retrieval verschafft neuen Artikeln frühe Sichtbarkeit, um Momentum aufzubauen – während neue oder ausgeloggte Shopper in Echtzeit relevante Anzeigen auf Basis ihres Sitzungsverhaltens erhalten.
Bidding für drei Parteien gleichzeitig
Jede Auktion muss drei Parteien gleichzeitig gerecht werden: dem Shopper (Relevanz), dem Werbetreibenden (ROAS und Pacing) und der Plattform (Fill und Yield). Outcome-basiertes Bidding optimiert auf die Ziele der Werbetreibenden, während Ad-Quality-Algorithmen wenig relevante Anzeigen drosseln. Die Gebote passen sich in Echtzeit an die Nachfrage an, selbst bei Spitzen wie am Black Friday.
Vier Schritte, jeden Tag milliardenfach wiederholt
Signale werden zu Embeddings
Shopper-Aktivität – Suchen, Klicks, Conversions – wird in Echtzeit in Embeddings kodiert, zusammen mit Produkt-Embeddings aus Katalogdaten und Computer Vision.
Transformer erkennen Zusammenhänge
Modelle bilden die Beziehungen zwischen Shopper- und Produkt-Embeddings ab. Das Ergebnis ist ein aktuelles Bild des Verhaltens, das alle zwei Stunden mit echten Ergebnissen neu trainiert wird. {[data-attribute="init-tooltip"][tooltip-content="<p>Quelle:<br><br>Moloco-interne Daten. Die Aktualisierungshäufigkeit wird anhand des Modell-Retraining-Rhythmus gemessen, Stand April 2026.</p>"]}
Jede Impression, live bewertet
Das Verhalten in der laufenden Sitzung wird mit gelernten Mustern abgeglichen, um CTR, Conversion und Umsatz für jede Impression in Echtzeit vorherzusagen.
Durchschnittlich unter 100 ms
Personalisierte Anzeigen werden im Schnitt in unter 100 ms ausgeliefert – die Monetarisierung läuft, ohne die Seitenperformance zu beeinträchtigen. Jede Anzeige wirkt für den Shopper relevant, während das Erlebnis nahtlos bleibt. {[data-attribute="init-tooltip"][tooltip-content="<p>Quelle:<br><br>Moloco-interne Daten. Die Analyse verwendet Daten vom 1. Mai 2026 bis zum 31. Juli 2026 und basiert auf Sponsored-Ads-MCM-Einzelhändlern, die im Analysezeitraum kommerzialisiert waren. Die Zahlen spiegeln den monatlichen Durchschnitt der p95-Latenzwerte über die kommerzialisierten Einzelhändler wider. Die p95-Latenz jedes Einzelhändlers wird berechnet, indem die Differenz zwischen dem Zeitstempel jeder Anfrage und dem Zeitstempel der entsprechenden Antwort ermittelt wird.</p>"]}
Wo die Architektur ihre Wirkung zeigt
Die Architektur ist auf messbare Geschäftsergebnisse ausgelegt. Der geschlossene Kreislauf macht diese Wirkung konkret messbar. Für Plattformen, die belastbare Fakten benötigen, hilft Molocos Holdout-basiertes Incrementality-Framework dabei, die Wirksamkeit von Anzeigen für die Plattform und ihre Werbetreibenden zu quantifizieren.
Named a SPARK Leader in Retail Media Network and Monetization Platforms
QKS Group positions Moloco as a SPARK Leader in its 2026 SPARK Matrix™ for Retail Media Network and Monetization Platforms. The evaluation highlights how Moloco's machine learning uses real-time commerce signals to align ads with advertiser goals like ROAS and sales. For retailers, that means a shift from execution-heavy sponsored advertising to scalable, outcomes-oriented monetization.
Mehr über Moloco Commerce Media erfahren
Die doppelte Herausforderung: Ein Framework für Agentic Commerce im Handel
Ein Leitfaden, um Onsite-KI-Vorteile und Offsite-Sichtbarkeit aufzubauen – und was Händler heute tun können, um sich auf Agentic Commerce vorzubereiten.
Häufig gestellte Fragen
Warum ist die KI-Engine entscheidend für A2G-Wachstum?
A2G ergibt sich aus Supply, effektiver Fill-Rate und eCPM. Supply ist ein Hebel, den Sie selbst steuern können; die anderen beiden hängen von Nachfrage und Qualität ab. Die KI-Engine ist der entscheidende Hebel für Qualität: Sie liefert relevante Anzeigen, sorgt für eine ausreichende Auktionsdichte und optimiert auf die Ziele der Werbetreibenden. Ohne sie führen zusätzliche Ad-Slots zu unausgefülltem Inventar und einer geringeren Auktionsdichte – mehr Supply ohne zusätzliche Monetarisierung.
Wie viele Daten brauchen wir, bevor es funktioniert?
In der Regel etwa zwei Wochen organische Aktivität, um die Modelle auf Ihr Shopper-Verhalten und Ihren Katalog zu trainieren. Danach kalibrieren sich die Modelle, um verlässliche Klick- und Conversion-Vorhersagen zu liefern, werden mit zunehmendem Signal immer präziser – und trainieren von da an alle zwei Stunden neu. {[data-attribute="init-tooltip"][tooltip-content="<p>Quelle:<br><br>Moloco-interne Daten. Die Aktualisierungshäufigkeit wird anhand des Modell-Retraining-Rhythmus gemessen, Stand April 2026.</p>"]}
Welche Daten nutzt die KI?
First-Party-Daten zu Shopper-Interaktionen, Produktkatalogdaten und kontextbezogene Echtzeit-Signale aus jeder Anzeigenanfrage – ganz ohne Third-Party-Cookies. Training und Inferenz laufen in einer isolierten Instanz pro Retailer; es werden keine Daten zwischen Retailern geteilt.
Wie geht das System mit Erstbesuchern oder ausgeloggten Shoppern um?
Personalisierung basiert auf Echtzeit-Verhalten innerhalb der laufenden Sitzung – Suchen, Klicks, Browsing. Dieses Live-Sitzungsverhalten wird mit aktuellen Mustern auf Ihrer gesamten Plattform abgeglichen, sodass relevante Anzeigen schon beim ersten Besuch erscheinen – egal, ob der Shopper eingeloggt ist oder nicht.
Wie geht das System mit neu eingeführten Produkten um?
Cold-Start-Retrieval-Algorithmen geben neuen Artikeln gezielt die Chance auf Ausspielung, um die Interaktionshistorie aufzubauen, die die Modelle benötigen. Sobald genügend Signale vorliegen, wechseln die Artikel zum standardmäßigen KI-gestützten Targeting auf Basis belastbarer Performance-Daten.
Wie oft verbessert sich das System?
Zwei Uhren laufen parallel: Ihre spezialisierten Modelle trainieren alle zwei Stunden mit Live-Daten neu, und Moloco liefert fortlaufend Verbesserungen an Algorithmen und Modellen, um Anzeigenqualität und Performance weiter zu steigern. {[data-attribute="init-tooltip"][tooltip-content="<p>Quelle:<br><br>Moloco-interne Daten. Die Aktualisierungshäufigkeit wird anhand des Modell-Retraining-Rhythmus gemessen, Stand April 2026.</p>"]}
Sind Shopper-Daten geschützt?
Wir nehmen Datenschutz und Sicherheit sehr ernst. Moloco hält Zertifizierungen für Sicherheit und Datenschutz, darunter ISO 27001, SOC 2, CSA STAR Level 1, GDPR und CCPA. Ausführliche Informationen finden Sie auf unseren Seiten zum Trust Center sowie zu Sicherheit und Compliance.
