ASOS
Recommandation produit par deep learning a l'echelle du catalogue, plus assistant de style conversationnel
ASOS sert environ 5 milliards de requetes de recommandation par jour sur pres de 50 000 produits ; son passage a un modele transformer en 2024 a ameliore ses metriques d'evaluation de plus de 20 %, complete par un AI Stylist conversationnel sur Azure OpenAI.
L'essentiel
- Recommandation produit personnalisee par deep learning sur tout le catalogue.
- Modele transformer maison plus AI Stylist conversationnel sur Azure OpenAI.
- Metriques d'evaluation ameliorees de plus de 20%, environ 5 milliards de requetes par jour.
- Preuve B, statut vivant confirme.
Objectif
Rendre un catalogue de dizaines de milliers de references, renouvele chaque semaine, parcourable et pertinent pour un public majoritairement mobile.
Le déploiement
ASOS vend de la mode en ligne a un public jeune, avec pres de 50 000 references disponibles a tout moment et des centaines de nouveautes chaque semaine. Pour que ce catalogue reste navigable, l'entreprise classe les produits par recommandation personnalisee sur ses differents points de contact, a partir des interactions clients (achats, sauvegardes, ajouts au panier) traitees par deep learning. En 2024, l'equipe a remplace son modele historique de factorisation matricielle par un modele transformer, qui a ameliore de plus de 20 % ses metriques d'evaluation par rapport a cette base. Le systeme de recommandation sert environ 5 milliards de requetes par jour, dans neuf langues et plus de 200 marches. ASOS a par ailleurs mis en service un AI Stylist, un assistant conversationnel construit avec Microsoft sur Azure OpenAI, qui aide le client a decouvrir des produits par le dialogue selon son style et l'occasion.
Résultats Preuve B
Chiffres publies sur le blog technique officiel d'ASOS (equipe recommandation) et corrobores par une customer story Microsoft pour l'assistant conversationnel. L'amelioration de plus de 20 % est une metrique d'evaluation hors ligne, pas un resultat business audite ; le passage a l'echelle est en revanche bien documente.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Modele transformer de recommandation (in-house ASOS) Modele maison qui remplace la factorisation matricielle en 2024 (+20% sur les metriques d'evaluation) et sert environ 5 milliards de requetes par jour.
- plateforme Microsoft Azure AI Studio Environnement Azure utilise avec Microsoft pour construire l'assistant conversationnel AI Stylist.
- llm Azure OpenAI Modeles OpenAI serves via Azure, brique LLM de l'AI Stylist ; la version de modele exacte n'est pas nommee dans les sources.
- outil AI Stylist Assistant de decouverte produit par le dialogue (style, occasion), branche sur le catalogue ASOS.
Comment ça tourne, concrètement
Pour les équipes ops-
1Agreger les interactions IA / equipe data
Achats, produits sauvegardes et ajouts au panier alimentent en continu le profil de gout du client.
-
2Classer le catalogue par client IA / equipe data
Le modele transformer ordonne les produits selon leur pertinence pour chaque personne, sur chaque surface.
-
3Servir a l'echelle IA / plateforme
Environ 5 milliards de requetes de recommandation par jour sont servies dans neuf langues et plus de 200 marches.
-
4Ouvrir la decouverte au dialogue IA / assistant conversationnel
L'AI Stylist laisse le client decrire ce qu'il cherche en langage naturel et propose des produits en reponse.
Les interactions client (achats, sauvegardes, ajouts au panier). Sur un catalogue qui se renouvelle chaque semaine, un nouveau produit part sans historique et doit etre rattache vite a des signaux, sinon il reste invisible dans les fils.
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
- Historique d'interactions client (achats, sauvegardes, panier)
- Catalogue avec attributs produits et flux de nouveautes
- Infrastructure de service temps reel
Prérequis orga
- Equipe ML pour maintenir et reentrainer les modeles de ranking
- Pour l'assistant conversationnel, une brique LLM encadree (garde-fous, transparence)
Stack possible
- Moteur de reco manage (AWS Personalize, Google Recommendations AI) pour une premiere version
- Azure OpenAI ou equivalent pour un assistant de style, branche sur le catalogue
Le plan, étape par étape
- Étape 1Auditer la collecte des interactions client (achats, sauvegardes, ajouts au panier) et la rattacher proprement a un identifiant par personne.Livrable : Dataset d'interactions exploitable, par client et par produit.
- Étape 2Mettre en place un premier classement personnalise sur une surface a fort trafic (home app), via un moteur manage ou un modele simple, en A/B test contre le tri actuel.Livrable : Fil personnalise en test avec plan de mesure fige.
- Étape 3Lire l'A/B test (engagement, conversion) et traiter le cold start des nouveautes via les attributs produit.Livrable : Rapport A/B et regles de rattachement des nouveaux produits.
- Étape 4Etendre le classement aux autres surfaces et industrialiser le reentrainement au fil du renouvellement du catalogue.Livrable : Pipeline de reentrainement et monitoring en production.
- Étape 5Prototyper un assistant conversationnel de style branche sur le catalogue, en beta fermee, avec garde-fous et transparence.Livrable : Assistant teste sur un perimetre restreint avant ouverture.
Première étape : Remplacer le tri par defaut d'une surface a fort trafic (home app) par un classement personnalise base sur les interactions, et mesurer engagement et conversion contre le tri actuel.
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 Transforming Recommendations at ASOS - ASOS Tech Blog (Ed Harris) Officiel intéressé archive à générer
- S2 ASOS uses Azure AI Studio to surprise and delight young fashion lovers - Microsoft Customer Stories Officiel intéressé archive à générer
- S3 ASOS Plc Annual Report and Accounts 2025 Primaire 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.