Moteur d'IA de Moloco Commerce Media
Le moteur publicitaire conçu pour développer votre activité publicitaire
Moloco Commerce Media est un système publicitaire IA-native qui analyse les signaux de millions de shoppers ainsi que les données de catalogue pour diffuser des publicités pertinentes et hautement performantes. Il optimise chaque enchère pour les shoppers, les annonceurs et les plateformes de commerce en quelques millisecondes.
Ils font partie des clients de Moloco/Ils nous font confiance
C'est la technologie qui fait la force du retail media
La manière dont est conçu le système fait toute la différence
Les systèmes basés sur des règles ont parfois des limites
Des listes de mots-clés statiques qui n'évoluent pas à partirdu comportement shopper
Une configuration manuelle qui nécessite une intervention humaine pour s'adapter
La pertinence cesse de progresser à mesure que la complexité du catalogue et de la demande augmentent
Conçu différemment dès le début
Traiter chaque décision publicitaire comme un problème de prédiction par machine learning
S'entraîner sur les données first-party du retailer
Boucler la boucle de l'impression à l'achat pour que le système s'entraîne à partir de résultats réels.
Un système de prédiction conçu pour progresser à chaque impression
Ce qui fait la puissance du commerce en matière de publicité, c'est le signal. Impressions, clics, ajouts au panier et achats se produisent tous dans un même environnement - ce qui crée une base solide pour une prédiction qui progresse à chaque interaction. Les modèles s'entraînent sur le comportement propre à chaque plateforme et évaluent les résultats réels des shoppers.
Vos données, connectées comme vous le souhaitez
Les données catalogue et shopper se connectent via:
- une ingestion de catalogue flexible pour les plateformes mono- et multi-vendeurs, ainsi que les flux Google et Meta existants ;
- un streaming des événements shopper via API, gestionnaires de balises ou CDP existants
Un learning qui ne s'essouffle jamais
Les modèles restent à jour grâce à :
- un réentraînement toutes les deux heures {[data-attribute="init-tooltip"][tooltip-content="<p>Source :<br><br>Données internes Moloco. La fréquence de mise à jour est mesurée par la cadence de réentraînement des modèles, en date d'avril 2026.</p>"]}
- une adaptation continue aux évolutions du comportement, des stocks et des promotions tout au long de la journée
Modèles et entraînement propres à chaque retailer
Chaque environnement retailer comprend :
- des instances de modèle dédiées ;
- un entraînement de modèles utilisant uniquement les données propres au retailer
La boucle fermée
La boucle fermée est un cercle vertueux qui vous appartient : vos shoppers génèrent le signal, vos modèles le captent, votre activité publicitaire s'en nourrit.
Une décision, c'est simple. Six domaines qui décident simultanément, c'est ce qui crée l'effet évolutif.
Une plateforme publicitaire dédiée au commerce ne prend pas un seul type de décision : elle en prend six, simultanément, à chaque requête. CARA (Compound Ad Recommendation Architecture), le système d'IA de Moloco, agence des modèles et des agents dans tous ces domaines pour créer une situation win-win pour à la fois les retailers, les annonceurs et les shoppers. C'est la couche d'intelligence derrière la croissance A2G - et chaque domaine fait progresser les autres : une meilleure compréhension du catalogue affine la récupération ; une meilleure récupération améliore les enchères ; de meilleurs résultats activent davantage d'annonceurs ; davantage d'annonceurs renforcent l'enchère et le signal. Concrètement, c'est cela, un « système d'IA composite ».
Automatisation des campagnes
Les annonceurs définissent un objectif (cible de ROAS, objectif de ventes, budget) ; le système l'exécute, avec des agents qui vérifient les campagnes en direct et proposent des recommandations.
Personnalisation des annonces
Des modèles basés sur des transformateurs construisent des représentations approfondies du comportement des shoppers et de l'adéquation produit, prédisant les clics et conversions pour chaque impression.
Enchères
Monétise chaque impression avec un candidat pertinent, en tenant compte à la fois de la pertinence pour le shopper, du ROAS annonceur et du taux de remplissage de la plateforme.
Signaux
Normalise les données de catalogue et de comportement en embeddings, sans taxonomie manuelle ni mapping de mots-clés.
Diffusion des annonces
Régit la diffusion d'annonces sur les surfaces propriétaires, en quantifiant l'impact de chaque emplacement sur la densité d'enchères, l'exposition et le revenu.
Activation de la demande
Demand Agent transforme les fournisseurs en annonceurs grâce à des campagnes préconfigurées, clé en main.
Les problèmes qui font échouer les systèmes basés sur des règles sont ceux pour lesquels nous avons été conçus
Diffuser une annonce sur une correspondance exacte de mot-clé pour un shopper connecté et fidèle, c'est facile. Le commerce, c'est plus difficile - et c'est là qu'une architecture doit faire ses preuves.
Comprendre le catalogue sans taxonomie
Chaque enseigne est un monde à part — schéma, taxonomie et structure différents, avec des millions d'articles dont le prix et la disponibilité évoluent en cours de journée. CARA encode les attributs du catalogue en embeddings qui capturent les relations entre articles et les correspondances sémantiques, afin que chaque domaine en aval s'appuie sur une image plus précise du catalogue.
Récupération et scoring face au rythme des enchères
Une architecture en deux étapes : un modèle de récupération réduit l'ensemble du catalogue aux candidats pertinents pour chaque requête ; un modèle de scoring prédit les résultats de clic, de conversion et de revenu pour classer et fixer le prix de chaque annonce.
Le démarrage à froid, délibérément résolu
Les nouveaux produits n'ont pas d'historique, ce qui entrave leur émergence. La récupération pour démarrage à froid offre aux nouveaux articles une exposition précoce pour créer une dynamique, tandis que les shoppers qui viennent d'arriver ou sont non connectés reçoivent des annonces pertinentes motivées par leur comportement en session, en temps réel.
Enchérir pour trois parties à la fois
Chaque enchère doit satisfaire trois parties à la fois : le shopper (pertinence), l'annonceur (ROAS et rythme de dépense) et la plateforme (remplissage et rendement). Les enchères basées sur les résultats optimisent les objectifs des annonceurs, tandis que des algorithmes de qualité des annonces limitent les annonces peu pertinentes et que les enchères s'adaptent en temps réel aux évolutions de la demande, y compris lors de périodes de pointe comme le Black Friday.
Quatre étapes, répétées des milliards de fois par jour
Les signaux deviennent des embeddings
L'activité du shopper- recherches, clics, conversions - est encodée en embeddings en temps réel, aux côtés des embeddings produits issus des données de catalogue et de la vision par ordinateur.
Les transformateurs cartographient les relations
Les modèles cartographient les relations entre les embeddings shoppers et les embeddings produits. Le résultat est une image actuelle du comportement, réentraînée toutes les deux heures à partir des résultats réels.{[data-attribute="init-tooltip"][tooltip-content="<p>Source :<br><br>Données internes Moloco. La fréquence de mise à jour est mesurée par la cadence de réentraînement des modèles, en date d'avril 2026.</p>"]}
Chaque impression, évaluée en direct
Le comportement en session est comparé aux schémas intégrés pour prédire le CTR, la conversion et le revenu de chaque impression en temps réel.
En moins de 100 ms en moyenne
Les annonces personnalisées sont diffusées en moins de 100 ms en moyenne, ce qui permet à la monétisation de fonctionner sans ralentir la performance de la page. Chaque annonce apparaît comme pertinente pour le shopper tandis que l'expérience reste fluide. {[data-attribute="init-tooltip"][tooltip-content="<p>Source :<br><br>Données internes Moloco. L'analyse utilise des données du 1er mai 2026 au 31 juillet 2026 et porte sur les détaillants MCM d'annonces sponsorisées commercialisés pendant cette période. Les chiffres reflètent la moyenne des valeurs de latence p95 entre les détaillants commercialisés chaque mois. La latence p95 de chaque détaillant est calculée en extrayant la différence entre l'horodatage de chaque requête et l'horodatage de la réponse correspondante.</p>"]}
Là où l'architecture fait ses preuves
L'architecture a pour but d'exercer un impact business - et la boucle fermée rend cet impact mesurable plutôt qu'affirmé. Pour les plateformes en quête de vérité de terrain, l'environnement d'incrémentalité basé sur les holdouts de Moloco permet de quantifier l'efficacité des annonces pour la plateforme et pour les annonceurs.
En savoir plus sur Moloco Commerce Media
The Dual Frontier: A Retailer's Framework for Agentic Commerce
Un guide pour développer l'avantage de l'IA onsite et une visibilité hors site, et ce que les retailers peuvent faire aujourd'hui pour se préparer au commerce facilité par des agents.
Foire aux questions
Why is the AI engine critical for A2G growth?
A2G is a function of supply, effective fill rate, and eCPM. Supply is a lever you control; the other two are emergent from demand and quality. The AI engine is the quality lever: it delivers relevant ads, maintains healthy auction density, and optimizes against advertiser outcomes. Without it, adding ad slots produces empty responses and lower auction density — supply expansion without monetization.
How much data do we need before it works?
Typically about two weeks of organic activity to train the models on your shopper behavior and catalog. After that, the models calibrate to produce reliable click and conversion predictions, strengthening as signal accumulates — and retraining every two hours from there. {[data-attribute="init-tooltip"][tooltip-content="<p>Source:<br><br>Moloco Internal Data. Update frequency is measured by model-retraining cadence as of April 2026.</p>"]}
What data does the AI use?
First-party shopper interaction data, product catalog data, and real-time contextual signals from each ad request — no third-party cookies required. All training and inference run in an isolated, per-retailer instance; no data is shared across retailers.
How does it handle first-time or logged-out shoppers?
Personalization runs on real-time, in-session behavior — searches, clicks, browsing. That live session behavior is compared to current patterns across your platform, so relevant ads show up from the first visit, whether or not a shopper is logged in.
How does it handle newly launched products?
Cold-start retrieval algorithms deliberately give new items exposure opportunities to build the engagement history the models need. Once items accumulate signal, they graduate to standard AI-powered targeting with proven performance data.
How often does the system improve?
Two clocks run at once: your dedicated models retrain every two hours on live data, and Moloco continuously ships algorithm and model enhancements aimed at improving ad quality and performance. {[data-attribute="init-tooltip"][tooltip-content="<p>Source:<br><br>Moloco Internal Data. Update frequency is measured by model-retraining cadence as of April 2026.</p>"]}
Is shopper data protected?
We take data and security seriously. Moloco maintains certifications for security and privacy, including ISO 27001, SOC 2, CSA STAR Level 1, GDPR, and CCPA. For full information, please see our Trust Center and Security and Compliance pages for more details.
