AI engine của Moloco Commerce Media
Ad engine được xây dựng để phát triển mảng quảng cáo
Moloco Commerce Media là hệ thống quảng cáo AI-native, phân tích tín hiệu từ hàng triệu người mua cùng dữ liệu danh mục để phân phối quảng cáo phù hợp, hiệu quả. Hệ thống tối ưu từng phiên đấu giá cho người mua, nhà quảng cáo và nền tảng trong vài mili giây.
Khách hàng của Moloco gồm:
Retail media chỉ tiến xa đến mức công nghệ nền tảng cho phép
Khác biệt nằm ở cách hệ thống được thiết kế
Hệ thống dựa trên quy tắc có thể chạm trần
Danh sách từ khóa tĩnh không thể học từ hành vi
Cấu hình thủ công cần con người can thiệp
Mức độ phù hợp chững lại khi danh mục và nhu cầu phức tạp hơn
Được xây dựng khác biệt từ nền tảng
Xem mọi quyết định quảng cáo là bài toán dự đoán ML
Huấn luyện trên dữ liệu first-party của nhà bán lẻ
Khép kín vòng từ impression đến mua hàng để học từ kết quả thực
Hệ thống dự đoán cải thiện với mỗi impression
Điểm mạnh độc đáo của commerce là tín hiệu. Impression, nhấp chuột, thêm giỏ và mua hàng diễn ra trong một môi trường, tạo nền tảng dự đoán cải thiện qua từng tương tác. Mô hình học hành vi riêng của nền tảng và chấm điểm theo kết quả thực.
Dữ liệu của bạn, kết nối theo cách của bạn
Kết nối dữ liệu danh mục và người mua qua:
- Ingestion linh hoạt cho nền tảng một/nhiều người bán và feed Google, Meta hiện có
- Streaming sự kiện qua API, tag manager hoặc CDP hiện có
Khả năng học không trở nên lỗi thời
Mô hình luôn cập nhật bằng cách:
- Huấn luyện lại mỗi hai giờ {[data-attribute="init-tooltip"][tooltip-content="<p>Nguồn:<br><br>Dữ liệu nội bộ của Moloco. Tần suất cập nhật được đo bằng nhịp độ huấn luyện lại model (model-retraining cadence), tính đến tháng 4 năm 2026.</p>"]}
- Thích ứng khi hành vi, inventory và khuyến mãi thay đổi trong ngày
Mô hình và huấn luyện riêng cho từng nhà bán lẻ
Mỗi môi trường gồm:
- Instance mô hình riêng
- Huấn luyện chỉ bằng dữ liệu của nhà bán lẻ đó
Closed loop
Closed loop là flywheel bạn sở hữu: người mua tạo tín hiệu, mô hình nắm bắt và mảng quảng cáo cộng dồn trên đó.
Một quyết định thì dễ. Sáu lĩnh vực cùng quyết định mới tạo hiệu ứng cộng dồn.
Nền tảng commerce không chỉ đưa ra một quyết định mà là sáu quyết định cùng lúc cho mỗi yêu cầu. CARA điều phối mô hình và agent để tạo lợi ích cho nhà bán lẻ, nhà quảng cáo và người mua. Đây là lớp trí tuệ thúc đẩy tăng trưởng A2G: hiểu danh mục tốt hơn cải thiện retrieval; retrieval cải thiện bidding; kết quả tốt kích hoạt thêm nhà quảng cáo; nhu cầu lớn làm sâu đấu giá và tín hiệu. Đó là ý nghĩa thực tế của “AI phức hợp”.
Tự động hóa chiến dịch
Nhà quảng cáo nêu mục tiêu ROAS, doanh số hoặc ngân sách; hệ thống vận hành, agent giám sát chiến dịch live và đưa khuyến nghị.
Cá nhân hóa quảng cáo
Mô hình Transformer tạo biểu diễn dày đặc của hành vi và độ phù hợp sản phẩm, dự đoán nhấp và chuyển đổi cho từng impression.
Bidding
Kiếm tiền mỗi impression bằng candidate phù hợp, cân bằng độ liên quan, ROAS và fill rate.
Tín hiệu
Chuẩn hóa dữ liệu danh mục và hành vi thành embedding mà không cần taxonomy hay keyword mapping thủ công.
Ad Serving
Quản trị phân phối trên điểm chạm sở hữu, định lượng tác động của từng vị trí lên mật độ đấu giá, exposure và doanh thu.
Kích hoạt nhu cầu
Demand Agent biến nhà cung cấp thành nhà quảng cáo bằng chiến dịch được cấu hình sẵn, sẵn sàng chạy.
Được xây dựng cho những vấn đề làm hệ thống quy tắc thất bại
Hiển thị quảng cáo theo exact match cho người mua thường xuyên đã đăng nhập là trường hợp dễ. Commerce chủ yếu gồm trường hợp khó — nơi kiến trúc thực sự được kiểm chứng.
Hiểu danh mục không cần taxonomy
Mỗi nhà bán lẻ có schema, taxonomy và layout riêng, với hàng triệu mặt hàng thay giá và tồn kho trong ngày. CARA mã hóa thuộc tính thành embedding nắm quan hệ và semantic match, giúp mọi lĩnh vực downstream có góc nhìn danh mục sắc bén hơn.
Retrieval và scoring ở tốc độ đấu giá
Kiến trúc hai giai đoạn: retrieval thu hẹp toàn danh mục thành candidate phù hợp; scoring dự đoán nhấp, chuyển đổi và doanh thu để xếp hạng và định giá.
Giải quyết cold start có chủ đích
Sản phẩm mới không có lịch sử nên khó xuất hiện. Cold-start retrieval cho item mới exposure sớm để tạo đà; người mua mới hoặc chưa đăng nhập nhận quảng cáo phù hợp từ hành vi trong phiên theo thời gian thực.
Bidding cho ba bên cùng lúc
Mỗi phiên đấu giá phải phục vụ người mua (độ phù hợp), nhà quảng cáo (ROAS và pacing) và nền tảng (fill và yield). Bidding theo kết quả tối ưu mục tiêu, thuật toán hạn chế quảng cáo kém phù hợp và bid thích ứng theo thời gian thực kể cả Black Friday.
Bốn bước, lặp lại hàng tỷ lần mỗi ngày
Tín hiệu thành embedding
Hoạt động như tìm kiếm, nhấp và chuyển đổi được mã hóa thành embedding theo thời gian thực, cùng embedding sản phẩm từ danh mục và computer vision.
Transformer lập bản đồ quan hệ
Mô hình lập quan hệ giữa embedding người mua và sản phẩm, huấn luyện lại mỗi hai giờ từ kết quả thực để phản ánh hành vi hiện tại. {[data-attribute="init-tooltip"][tooltip-content="<p>Nguồn:<br><br>Dữ liệu nội bộ của Moloco. Tần suất cập nhật được đo bằng nhịp độ huấn luyện lại model (model-retraining cadence), tính đến tháng 4 năm 2026.</p>"]}
Chấm điểm từng impression theo thời gian thực
Hành vi trong phiên được so với mẫu đã học để dự đoán CTR, chuyển đổi và doanh thu cho từng impression.
Trung bình dưới 100ms
Quảng cáo cá nhân hóa được phân phối trung bình dưới 100ms, giúp kiếm tiền mà không làm chậm trang. Mỗi quảng cáo phù hợp và trải nghiệm liền mạch. {[data-attribute="init-tooltip"][tooltip-content="<p>Nguồn:<br><br>Dữ liệu nội bộ của Moloco. Phân tích sử dụng dữ liệu từ ngày 1 tháng 5 năm 2026 đến ngày 31 tháng 7 năm 2026, và dựa trên các nhà bán lẻ MCM có quảng cáo được tài trợ đã thương mại hóa trong giai đoạn này. Các con số phản ánh giá trị trung bình của độ trễ p95 (p95 latency) giữa các nhà bán lẻ đã thương mại hóa mỗi tháng. Độ trễ p95 của mỗi nhà bán lẻ được tính bằng cách lấy hiệu số giữa dấu thời gian (timestamp) của mỗi yêu cầu và dấu thời gian của phản hồi tương ứng.</p>"]}
Nơi kiến trúc thể hiện kết quả
Mục tiêu của kiến trúc là tác động kinh doanh; closed loop khiến tác động có thể đo thay vì chỉ tuyên bố. Nền tảng cần ground truth có thể dùng incrementality dựa trên holdout để định lượng hiệu quả cho cả nền tảng và nhà quảng cáo.
Tìm hiểu thêm về Moloco Commerce Media
Hai hướng phát triển: Khung agentic commerce dành cho nhà bán lẻ
Hướng dẫn xây lợi thế AI onsite, khả năng được khám phá offsite và những việc nhà bán lẻ có thể làm hôm nay để chuẩn bị cho commerce qua agent.
Câu hỏi thường gặp
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.
