Molocos Werbeintelligenz
CARA (Compound Ad Recommendation Architecture) koordiniert Modelle und Agenten über alle Bereiche von Commerce Media hinweg – und macht aus den Signalen von Shoppern, Werbetreibenden und Händlern bessere Werbeentscheidungen für das gesamte System.
Commerce Media muss drei Ziele gleichzeitig erreichen
Jede Werbeentscheidung muss drei Ziele gleichzeitig erreichen: Kunden sollen relevante Produkte finden, Advertiser einen entsprechenden Return auf ihre Ausgaben erzielen und Retailer Werbeumsatz generieren, ohne das Shopping-Erlebnis zu beeinträchtigen. Es geht also nie nur um ein einzelnes Ziel. Und die Entscheidung muss innerhalb von Millisekunden getroffen werden, auf Basis von Katalog, Taxonomie, Zielgruppen, Placements und Geschäftsmodell, die sich von Retailer zu Retailer unterscheiden.
CARA koordiniert und optimiert alle drei.
CARA bringt Signale, Personalisierung, Bidding, Ad Serving, Nachfrageaktivierung und Kampagnenautomatisierung zusammen. Das System lernt aus den First-Party-Daten jedes Retailers und trifft Echtzeitentscheidungen, die alle drei Ergebnisse im Gleichgewicht halten, auf die ein Commerce-Media-Geschäft angewiesen ist – und verbessert so Shopper-Relevanz, Advertiser-Performance und Retailer-Monetarisierung zugleich.
Die Architektur kumulativer Intelligenz
CARA ist von Grund auf als kombiniertes System konzipiert und verbindet Modelle, KI-Agenten und spezialisierte Software über sechs technische Bereiche hinweg, sodass Signale und Learnings gemeinsam genutzt werden können. Die prädiktiven Modelle lernen, was voraussichtlich passieren wird, während die KI-Agenten daraus konkrete Aktionen ableiten.
Da Signale und Learnings im gesamten System genutzt werden, können Verbesserungen in einem Bereich die Entscheidungen im gesamten System optimieren.
Wie CARAs sechs Domänen zusammenarbeiten
Die sechs technischen Domänen sind darauf ausgelegt, die Komplexität von Commerce Media zu bewältigen. Sie arbeiten zusammen, um Ergebnisse zu erzielen – während sich das Lernen im gesamten System mit der Zeit kumulativ verstärkt.
Signale
Alle vorhandenen Signale eines Retailers zu einem Gesamtbild verbinden
Die Signale eines Retailers sind zunächst über verschiedene Systeme verteilt: Katalogattribute, Suchanfragen, Impressions, Klicks und Conversion-Events. CARA führt sie zu einer zentralen Datengrundlage für jeden Retailer zusammen. Die Modelle werden ausschließlich mit den Daten des jeweiligen Retailers trainiert und laufen in einer isolierten Umgebung. Daten verschiedener Retailer werden nicht zusammengeführt.
Auf dieser Grundlage ermöglicht semantisches Matching relevante Ergebnisse auch bei uneinheitlichen Katalogstrukturen und reduziert so die Abhängigkeit von manuell gepflegten Taxonomien. Wie gut das funktioniert, hängt von der Vollständigkeit des Katalogs und der Qualität der Daten ab.
Je besser CARA den Katalog und die Kunden eines Retailers versteht, desto präziser werden Personalisierung, Retrieval, Relevanz und Bidding.
Anzeigenpersonalisierung
Anzeigen relevanter machen
Für jeden verfügbaren Werbeplatz in Suchergebnissen, auf Produktdetailseiten, Kategorieseiten und anderen Onsite-Werbeflächen prognostiziert CARA, welche Anzeigen für den jeweiligen Kunden am relevantesten sind.
Die Deep-Learning-Modelle kombinieren Kundenverhalten, Suchintention, Katalogattribute und Placement-Kontext, um für jede verfügbare Anzeige die Klick- und Conversion-Wahrscheinlichkeit vorherzusagen. Da Produkte anhand semantischer Zusammenhänge und nicht allein anhand bisheriger Klicks bewertet werden, können auch neue Artikel von den Relevanzsignalen ähnlicher Produkte profitieren.
So können Seller auch Produkte mit wenig oder keiner Performance-Historie effektiv bewerben. Gleichzeitig erhalten neue und wiederkehrende Kunden von Anfang an relevantere gesponserte Ergebnisse.
Bidding
Jedes Gebot auf alle drei Ziele ausrichten
CARA nutzt First-Party-Conversion-Daten und spezifische Bidding-Logik, um jede Commerce-Media-Auktion auf drei miteinander verbundene Ziele zu optimieren: Relevanz für Kunden, ROAS und Budgetziele der Advertiser sowie Umsatz und Inventarauslastung der Retailer.
Das System bewertet jede verfügbare Impression einzeln und passt Gebote und Pacing in Echtzeit an. Verändert sich die Demand, passt CARA beides automatisch an und reduziert so den Bedarf an manuellen Kampagnenanpassungen.
So können Retailer mehr Wert aus ihrem verfügbaren Inventar schöpfen, während Advertiser ihre Performance-Ziele und Budgets einhalten.
Ad Serving
Mehr Placements monetarisieren, ohne an Relevanz zu verlieren
CARA steuert das Ad Serving auf den eigenen Flächen des Retailers, darunter Suchergebnisse, Produktdetailseiten, Kategorieseiten sowie weitere Onsite-Placements und Anzeigenformate.
Da jedes Placement eine andere Rolle in der Customer Journey spielt, bewertet CARA dessen Einfluss auf Auktionsdichte, Anzeigenhäufigkeit, Relevanz und erwarteten Umsatz. Auf dieser Grundlage entscheidet CARA, was wo und wann ausgespielt wird. So können Retailer ihre Retail-Media-Monetarisierung steigern, ohne Kunden mit Werbung zu überfordern oder das Shopping-Erlebnis zu beeinträchtigen.
Jedes neue Placement liefert zudem zusätzliche Verhaltenssignale. Je mehr CARA über die Customer Journey lernt, desto präziser werden die Entscheidungen zu Inventar, Auslieferung und Relevanz.
Demand-Aktivierung
Advertiser-Demand skalieren, ohne den operativen Aufwand zu erhöhen
Inventar allein reicht nicht aus, um ein skalierbares Commerce-Media-Geschäft aufzubauen. Retailer brauchen auch Supplier, die bereit sind, in Werbung zu investieren. Doch viele Supplier zögern, weil ihnen Nachweise für die Performance fehlen, sie sinkende Margen befürchten oder Retail-Media-Werbung als komplex und aufwendig empfinden.
CARAs Demand Agent hilft Retailern, Advertiser mit hohem Potenzial zu identifizieren und zu aktivieren. Dafür werden Katalog- und Plattformdaten genutzt, vielversprechende Supplier identifiziert, direkt einsetzbare Kampagnenempfehlungen erstellt und die gezielte Ansprache zu relevanten Zeitpunkten unterstützt.
Kampagnenautomatisierung
Kampagnen laufend auf Advertiser-Ziele optimieren
Advertiser definieren die Ziele, die für sie entscheidend sind, etwa ROAS, Umsatz, Budget oder Pay-per-Order. CARA stimmt Produktauswahl, Bidding, Pacing und Auslieferung automatisch auf das jeweilige Kampagnenziel ab.
CARAs KI-gestützte Kampagnenautomatisierung überwacht laufende Kampagnen kontinuierlich und erkennt zu geringe Budgetausgaben, Lücken im Targeting und weitere Möglichkeiten zur Performance-Optimierung. Spezialisierte KI-Agenten setzen entsprechende Maßnahmen um oder geben Empfehlungen und nutzen dafür eine auf das jeweilige Kampagnenziel abgestimmte Bidding- und Pacing-Logik.
Echtzeit-Dashboards machen die Performance jederzeit transparent, während spezialisierte KI-Agenten den manuellen Aufwand für Monitoring und Optimierung reduzieren. Seller erhalten mehr Unterstützung bei der Steuerung effektiver Kampagnen und Ihr Team kann das Kampagnenvolumen steigern, ohne dass der operative Aufwand im gleichen Maß mitwächst.
Wie sich das System selbst verstärkt
Bessere Signale ermöglichen bessere Prognosen.
Umfangreichere Kunden-, Artikel- und Katalogdaten verbessern Personalisierung und Bidding. Dadurch kann CARA immer präziser vorhersagen, welche Anzeige wo ausgespielt werden sollte und welchen Wert die jeweilige Ausspielung hat.
Bessere Entscheidungen steigern die Performance.
Optimiertes Bidding sorgt für eine bessere Auslastung wertvoller Placements und berücksichtigt gleichzeitig den ROAS der Advertiser und die Relevanz für Kunden. Eine bessere Performance schafft für Supplier zusätzliche Anreize zu investieren und gibt Retailern mehr Sicherheit, ihr Inventar zu erweitern.
Mehr Nachfrage stärkt das System.
Je mehr Supplier werben, desto höher wird die Auktionsdichte. CARA kann aus einer größeren Auswahl geeigneter Produkte wählen, die Fill Rate steigern und relevantere Anzeigen ausliefern.
Jedes Ergebnis stärkt die Datengrundlage.
Impressions, Klicks, Conversions, Budgets und Katalog-Performance fließen kontinuierlich in CARAs Modelle und KI-Agenten ein und präzisieren so jede weitere Entscheidung.
Das ganzheitliche System schafft die entscheidenden Voraussetzungen dafür, dass A2G – der Werbeumsatz als Anteil am GMV des Händlers – kontinuierlich wächst.
Jede Kampagne, jedes Placement, jeder Artikel, jede Shopper-Interaktion und jede Advertiser-Performance stärkt die Datengrundlage für jede weitere Entscheidung.
Häufig gestellte Fragen
Was ist CARA?
CARA, kurz für Compound Ad Recommendation Architecture, ist Molocos innovatives KI-System zur Koordination von Commerce-Media-Entscheidungen über Signale, Personalisierung, Bidding, Ad Serving, Nachfrageaktivierung und Kampagnenautomatisierung hinweg. Entwickelt von Fachexperten, lernen die miteinander verbundenen Modelle und Agenten aus händlerspezifischen Daten. So können Verbesserungen in einem Bereich Entscheidungen im gesamten System stärken.
Was bedeutet „Compound AI“ – und wie funktioniert es?
Compound AI bedeutet, dass mehrere spezialisierte Modelle, Agenten und Softwaresysteme über eine ganzheitliche Architektur zusammenarbeiten, statt als isolierte Einzelfunktionen zu agieren.
Bei CARA kann zum Beispiel ein besseres Produktverständnis die Personalisierung verbessern, eine stärkere Personalisierung das Bidding verbessern und ein besseres Kampagnenergebnis neue Signale für die nächste Entscheidung liefern.
Wie funktioniert CARA für Commerce Media?
CARA nutzt die First-Party-Commerce-Daten eines Retailers, um für jede verfügbare Impression vorherzusagen, welche Anzeige, welches Produkt, welches Placement und welches Gebot den größten Wert versprechen. Das System lernt aus Katalogdaten, Suchanfragen, Impressions, Klicks, Conversions, Budgets und Kampagnenergebnissen und koordiniert Entscheidungen in Echtzeit über das gesamte Commerce-Media-System hinweg.
Welche First-Party-Daten nutzt CARA?
CARA kann aus händlereigenen Signalen lernen, darunter Produktkatalogattribute, Suchanfragen, Impressions, Klicks, Add-to-Cart-Ereignisse, Käufe, Preise, Verfügbarkeit und Kampagnenergebnisse. Welche Daten genau verwendet werden, hängt von der Integration des jeweiligen Händlers, seinen Richtlinien, dem Consent-Framework und den verfügbaren Signalen ab.
Verwendet CARA für jeden Retailer dasselbe Modell?
Nein. CARA passt sich an Katalog, Taxonomie, Kundenverhalten, Placements, Advertiser und Geschäftsziele jedes Retailers an. Händler-spezifische Signale ermöglichen es dem System, im jeweiligen Geschäftsumfeld zu lernen, statt dasselbe Modell auf jeden Marktplatz anzuwenden. Die Modelle jedes Retailers werden in einer eigenen Instanz ausschließlich mit dessen First-Party-Daten trainiert. Daten werden nicht zwischen Retailern geteilt.
Wie automatisiert CARA Commerce-Media-Kampagnen?
CARA automatisiert Produktauswahl, Bidding, Pacing, Auslieferung und Kampagnenmonitoring anhand der vom Werbetreibenden festgelegten Ziele. Spezialisierte Agenten erkennen Budgetunterschreitungen, Targeting-Lücken und weitere Chancen, reduzieren so den manuellen Aufwand und lassen Werbetreibenden und Retailern zugleich die volle Kontrolle über Ziele und Governance.
Wie hilft CARA dabei, mehr Werbetreibende zu aktivieren?
CARAs Demand Agent identifiziert Verkäufer mit starkem Werbepotenzial und erstellt Kampagnenempfehlungen auf Basis von Katalog- und Plattformdaten. Das hilft Retail-Media-Teams, ihre Ansprache gezielter zu gestalten, den Aufwand für den Kampagnenstart zu senken und die Beteiligung von Verkäufern zu erhöhen, ohne den operativen Aufwand im gleichen Maß zu steigern.
Wie oft lernt und aktualisiert sich CARA?
CARA lernt kontinuierlich aus neuen Daten. Aktualisierte Modellversionen können dabei alle zwei Stunden bereitgestellt werden. Echtzeitentscheidungen basieren auf den jeweils aktuellsten verfügbaren Modellen und Signalen. Wie häufig neue Versionen bereitgestellt werden, hängt vom jeweiligen Modell, Bereich und den operativen Anforderungen ab.
Bauen Sie ein Commerce-Media-System auf, das mit jedem neuen Signal besser wird
Bringen Sie Shopper-Daten, Advertiser-Ziele und Retail-Umgebung zusammen und erleben Sie, wie sich Erkenntnisse gegenseitig verstärken.
