Coupang
moteur de recommandation et personnalisation multi-surface
Coupang fait tourner une plateforme ML interne qui alimente recommandation, recherche et annonces sur toutes ses apps, avec plus de 600 projets ML et plus de 100 000 executions de workflows par an, adoptee par tous ses grands groupes ML.
Objectif
Personnaliser chaque surface de l'app (accueil, recherche, annonces) et industrialiser la mise en production de modeles pour soutenir a la fois la croissance du chiffre et l'efficacite operationnelle.
Le déploiement
Coupang fait tourner un socle interne, la Coupang ML Platform, qui industrialise le cycle de vie des modeles de bout en bout : exploration, preparation des donnees d'entrainement, developpement et mise en production. Ce socle alimente les surfaces de recommandation et de personnalisation de l'app (feed d'accueil, recherche, annonces produit) sur Coupang shopping, Coupang Eats et Coupang Play, ainsi que la prevision de prix et la comprehension des requetes de recherche via des modeles de langage. D'apres le blog d'ingenierie publie en septembre 2023, tous les grands groupes ML de Coupang utilisent un ou plusieurs services de la plateforme, avec plus de 100 000 executions de workflows sur un an pour plus de 600 projets ML. Coupang presente l'IA comme un levier de long terme pour la croissance du chiffre et l'expansion des marges.
Résultats Preuve C
Blog d'ingenierie officiel de Coupang (source interessee, chiffres d'infrastructure) et resultats financiers de la societe cotee pour la mesure de l'echelle. Coupang ne publie pas de gain de conversion attribue precisement a la recommandation ; ce qui est prouve, c'est un deploiement industrialise et durable (plus de 600 projets ML, plus de 100 000 executions par an) et une echelle confirmee en resultats financiers. C par prudence, faute de lift chiffre par surface.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- infra Coupang ML Platform plateforme MLOps interne qui industrialise exploration, preparation des donnees, entrainement et mise en production (plus de 100 000 executions de workflows par an, 600+ projets)
- llm Modeles de recommandation et de ranking proprietaires modeles internes qui personnalisent feed d'accueil, recherche et annonces sur Coupang, Coupang Eats et Coupang Play
- llm Ko-BERT variante coreenne de BERT integree par Coupang pour la comprehension des requetes de recherche
- outil Modeles de prevision de prix modeles internes de forecasting de prix alimentes par la meme plateforme
Comment ça tourne, concrètement
Pour les équipes ops-
1Preparation des donnees equipe data
La plateforme prepare les donnees d'entrainement a partir du comportement client par surface.
-
2Entrainement des modeles equipe data
Les groupes ML developpent et entrainent les modeles de recommandation, recherche et prix via la plateforme.
-
3Mise en production IA
Les modeles sont deployes sur le feed d'accueil, la recherche et les annonces de l'app.
-
4Boucle de feedback IA / equipe data
Clics et achats reviennent alimenter l'entrainement pour ajuster les recommandations.
Le comportement de navigation et d'achat par surface. Si la donnee de feedback (clics, achats) n'est pas propre et fraiche, les recommandations derivent.
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
- Journaux de comportement client par surface
- Donnees de feedback (clics, achats) propres et fraiches
- Catalogue et signaux de recherche
Prérequis orga
- Plateforme d'industrialisation ML (entrainement, deploiement, monitoring)
- Equipes ML par domaine
- Boucle de mesure sur l'engagement et la conversion
Stack possible
- Plateforme MLOps interne ou managee
- Modeles de recommandation et de ranking
- Modeles de langage pour la recherche
Le plan, étape par étape
- Étape 1Choisir une seule surface (par exemple le feed d'accueil) et auditer les journaux de comportement disponibles.Livrable : Jeu de donnees d'entrainement propre sur la surface choisie
- Étape 2Construire la boucle de feedback (clics, achats) et le pipeline d'entrainement reproductible.Livrable : Pipeline de donnees et d'entrainement versionne
- Étape 3Entrainer un premier modele de recommandation et le deployer en A/B test sur une fraction du trafic.Livrable : Modele en production sur une part limitee du trafic
- Étape 4Mesurer engagement et conversion face a l'heuristique existante, iterer sur les features et le ranking.Livrable : Bilan chiffre et modele gagnant generalise sur la surface
- Étape 5Industrialiser (monitoring, reentrainement regulier) et etendre a une deuxieme surface comme la recherche.Livrable : Socle MLOps reutilisable et deuxieme surface en chantier
Première étape : Mettre en place une boucle de feedback propre sur une seule surface (par exemple le feed d'accueil) avant d'etendre a la recherche et aux annonces.
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 Meet Coupang's Machine Learning Platform Officiel intéressé archive à générer
- S2 Accelerating Coupang's AI Journey with LLMs Officiel intéressé archive à générer
- S3 Coupang, Inc. Q3 2025 Earnings Release 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.