Taobao
Recommandation produit temps reel par deep learning, servie sur des centaines de scenarios de l'application
Sur Taobao, la recommandation produit temps reel par reseaux de neurones couvre plus de 80 % des utilisateurs mobile et 1000+ scenarios ; productisee en Alibaba Cloud AIRec, elle a fait gagner +9 % de conversion a un detaillant de mode sportive.
L'essentiel
- Recommandation produit temps reel par deep learning, second mode de navigation apres la recherche.
- Chaine recall puis ranking sur Alibaba Cloud AI OS, productisee en AIRec.
- Plus de 80% des utilisateurs Taobao Mobile couverts, 1000+ scenarios; +9% de conversion chez un client AIRec.
- Preuve B, statut vivant confirme.
Objectif
Faire de la recommandation le second mode de navigation de l'app apres la recherche, pour qu'un catalogue immense reste parcourable et convertisse.
Le déploiement
Sur Taobao, l'application e-commerce grand public d'Alibaba, la recommandation personnalisee est devenue le deuxieme mode de navigation apres la recherche. Le systeme capture le comportement de l'utilisateur (vues, clics, achats) et sert en quelques millisecondes des produits adaptes, sur la page d'accueil, dans le fil " You May Like ", sur les pages de recherche et pendant les grandes operations comme le 11.11. L'architecture s'appuie sur des reseaux de neurones profonds et une chaine recall plus ranking, avec des cycles de mise a jour de modele ramenes d'heures a minutes. D'apres Alibaba Cloud, le systeme couvre plus de 80 % des utilisateurs de Taobao Mobile et alimente plus de 1000 scenarios personnalises dans le groupe. La meme technologie, productisee sous le nom Alibaba Cloud AIRec, est vendue a des marchands tiers : sur un cas de detaillant de mode sportive, elle a fait progresser le taux de conversion de 9 % et reduit de 80 % le taux de resultats vides.
Résultats Preuve B
Chiffres publies par Alibaba Cloud (blogs techniques officiels), donc source interessee et non auditee par un tiers. Deux articles concordants decrivent l'echelle sur Taobao ; les chiffres de conversion proviennent d'un cas client de la solution productisee AIRec.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Alibaba Cloud AI OS Plateforme interne d'Alibaba qui unifie recall, ranking et service temps reel des recommandations sur les surfaces Taobao.
- llm Reseaux de neurones profonds recall + ranking Modeles maison de selection de candidats puis de classement, avec des cycles de mise a jour ramenes d'heures a minutes.
- plateforme Alibaba Cloud AIRec Version productisee du moteur de recommandation de Taobao, vendue aux marchands tiers.
- infra Flux comportemental temps reel Captation en continu des vues, clics et achats qui met a jour le profil utilisateur en direct.
Comment ça tourne, concrètement
Pour les équipes ops-
1Capter le comportement IA / plateforme
Chaque interaction dans l'app remonte et met a jour le profil de l'utilisateur en direct.
-
2Rappeler les candidats IA / plateforme
Une premiere couche (recall) selectionne un sous-ensemble d'articles pertinents dans un catalogue immense.
-
3Classer et servir IA / plateforme
Les reseaux de neurones classent les candidats et livrent la liste en quelques millisecondes sur la surface concernee.
-
4Rafraichir les modeles Equipe data / infra
Les cycles de mise a jour, ramenes d'heures a minutes, integrent vite les nouveaux signaux, utile pendant les pics comme le 11.11.
Le comportement en session (vues, clics, achats) capte en continu. Sans ce flux temps reel, les recommandations retombent sur des listes generiques et le fil perd sa pertinence.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Flux comportemental temps reel a l'echelle de l'audience
- Catalogue produit large avec attributs exploitables
- Infrastructure de service a faible latence
Prérequis orga
- Equipe ML et infra capable de tenir un service temps reel
- Surfaces applicatives instrumentees par scenario
Stack possible
- Alibaba Cloud AIRec ou un moteur de reco manage equivalent (AWS Personalize, Google Recommendations AI)
- Feature store plus modele de ranking pour une version custom
Le plan, étape par étape
- Étape 1Instrumenter le flux comportemental (vues, clics, achats) et structurer le catalogue avec des identifiants stables.Livrable : Pipeline d'evenements temps reel fiable branche sur le catalogue
- Étape 2Lancer une premiere recommandation managee (AIRec, AWS Personalize ou equivalent) sur une surface unique, la home.Livrable : Fil de type pour vous en beta sur une part du trafic
- Étape 3Mener un A/B test face a la navigation sans reco et lire CTR, conversion et part de navigation.Livrable : Resultat de test controle et decision d'extension
- Étape 4Etendre aux autres surfaces (recherche, fiches) et raccourcir le cycle de mise a jour des modeles.Livrable : Reco servie sur plusieurs scenarios avec monitoring de fraicheur
Première étape : Ajouter un fil " pour vous " sur la home de l'app, alimente par le comportement de session, et mesurer sa part dans la navigation et la conversion face a la recherche seule.
Le même pattern, prouvé dans d'autres industries
Function of Beauty
formulation produit personnalisee par algorithme a partir d'un quiz
Henkel
content supply chain genAI pour personnalisation un-a-un a l'echelle
Hims & Hers
routage de traitement personnalise par IA sur donnees d'intake (MedMatch)
Sources
- S1 The Secret Behind Taobao's AI-Powered Personalized Recommendations - Alibaba Cloud Community Officiel intéressé archive à générer
- S2 How Taobao Applies AI to Personalized Recommendations - Alibaba Cloud Community Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.