Qui a vu son revenu grimper de 3,67 % quand Taobao a appris où les acheteurs arrêtent de faire défiler ?
Le fil Guess You Like de Taobao choisit désormais chaque liste grâce à un évaluateur qui prédit jusqu'où l'acheteur va faire défiler. Lors d'un test en conditions réelles, les clics ont progressé de 0,70 % et le « revenu commercial » de 3,67 %, mais l'article ne définit jamais ce revenu, ne dit pas quelle pondération la production utilise et n'imprime aucun chiffre de commandes, de GMV ou d'annonceurs : impossible de savoir si ce sont les acheteurs ou la plateforme qui ont gagné.

Neritus Vale
Le fil Guess You Like de Taobao choisit désormais chaque liste qu’il affiche à l’aide d’un modèle qui prédit jusqu’où l’acheteur va faire défiler avant de s’arrêter. Lors d’un test en conditions réelles, la modification a fait progresser les clics de 0,70 % et le « revenu commercial » de 3,67 %. L’article ne dit jamais ce qu’est ce revenu : il ne permet donc pas de savoir si le gain est allé aux acheteurs ou à la plateforme.
Le changement porte sur l’évaluateur, la dernière étape avant l’écran. Un générateur propose des ordonnancements candidats, et l’évaluateur choisit celui qui sera affiché. Des auteurs du groupe Taobao & Tmall d’Alibaba et de l’université Jiaotong de Xi’an ont publié l’article cette semaine. La plupart des évaluateurs existants, estiment-ils, réduisent une liste à des « prédictions indépendantes par article », comme le taux de clic. Cela ignore deux « réalités physiques » : pour qu’il y ait clic, il faut que l’article soit atteint et vu, et les articles « se disputent une attention limitée de l’utilisateur ».
Le nouvel Impression-Click Evaluator, ICE, modélise la chaîne qui va de l’affichage à l’impression, puis au clic. Il prédit une distribution de la profondeur de navigation, c’est-à-dire la dernière position atteinte par l’acheteur, et en déduit la probabilité que chaque emplacement soit vu. Un objectif d’entraînement oblige les clics prédits à se partager « un budget de probabilité fini » sur l’ensemble de la liste : l’attrait d’un article réduit donc celui de ses voisins.
Les journaux de l’article montrent l’ampleur du premier problème. Dans la semaine de données industrielles sur laquelle il s’entraîne et se teste, les utilisateurs ont vu environ 58 % des articles qui leur étaient affichés, d’après notre calcul. Un évaluateur qui traite chaque emplacement comme vu attribue au reste une valeur qu’il ne produit jamais, un défaut que les auteurs appellent « surestimation systématique de l’utilité de la queue de liste ».
Le second problème a un cas d’école dans l’habillement, bien que l’article ne mentionne jamais le vêtement ; ce cas est de nous. Dès qu’un acheteur clique sur un article et en est satisfait, explique l’article, « l’utilité marginale des articles similaires suivants chute fortement, même si leur qualité individuelle est élevée ». Imaginez le quasi-jumeau d’une veste déjà consultée, qui attend plus bas dans la même liste.
Le premier problème est une vieille histoire dans la recherche web. En 2008, des chercheurs de Microsoft ont constaté qu’un modèle « en cascade » expliquait mieux que les autres le biais de clic en haut des pages de résultats. Dans ce modèle, « les utilisateurs parcourent les résultats de haut en bas et partent dès qu’ils voient un document qui vaut la peine ». ICE reprend ce parcours de haut en bas à l’étape qui choisit des listes entières.
Les tests hors ligne de l’article mesurent des impressions et des clics, jamais de l’argent. Sa mesure au niveau de la liste, SeqAUC, considère le total des clics observés dans chaque liste comme la vérité terrain, et ICE l’a améliorée sur les six architectures testées.
Le test en conditions réelles s’est déroulé dans le fil Guess You Like de l’application Taobao, que l’article qualifie de « scénario de recommandation phare ». Les impressions, c’est-à-dire les articles que les acheteurs ont vus, ont augmenté de 0,58 %. L’article ne dit pas si cela venait d’un défilement plus profond ou d’un plus grand nombre de visites. Les clics ont progressé de 0,70 %, soit à peine plus que les impressions.
Le revenu, lui, n’a pas suivi le même rythme : il a augmenté environ cinq fois plus que les clics. Si le revenu varie avec les clics, l’essentiel du gain tient à la valeur de chaque clic, et non à un surcroît de clics. D’après notre calcul sur les chiffres de l’article, chaque clic aurait alors rapporté environ 3 % de plus que dans le groupe de contrôle.
La valeur que l’évaluateur attribue à chaque article est un réglage. Sa formule de score multiplie la probabilité que chaque emplacement soit vu et cliqué par un poids. Des poids égaux comptent des clics, tandis que la « valeur d’achat prédite ou le prix d’enchère » vise le « GMV attendu ou le revenu publicitaire ». L’article ne dit jamais quel poids la production utilise. Ses résultats font état d’un troisième terme, le « revenu commercial », qui ne correspond à aucune de ces deux étiquettes.
Les deux réglages correspondent à la façon dont Alibaba gagne de l’argent. Son dernier rapport annuel indique que les marchands de Taobao et de Tmall peuvent acheter du « marketing in-feed ». Son revenu de gestion de la clientèle est facturé principalement au clic, au millier d’impressions, à la durée et à la vente. Les deux événements que prédit ICE font donc partie des unités que facture Alibaba. L’article ne dit pas si les listes notées par ICE comprennent des articles sponsorisés.
Un modèle qui sait où s’arrête le défilement sait aussi quels emplacements valent la peine d’être vendus.
Rien dans l’article ne permet de départager les lectures. Il ne rapporte ni commandes, ni GMV, ni taux de conversion à l’achat, ni chiffre pour les vendeurs ou les annonceurs. Le test a porté sur 5 % du trafic et ne donne aucun intervalle de confiance.
La seule mesure de long terme concernant les acheteurs est un garde-fou. Un indicateur de « valeur vie à 14 jours », conservé « pour suivre la rétention des utilisateurs », a progressé de 0,23 %, ce que les auteurs interprètent comme des gains « durables, sans compromettre l’expérience utilisateur à long terme ». L’article ne définit pas cet indicateur. Quoi qu’il compte, il ne peut pas montrer ce que les listes ont vendu aux acheteurs, ni qui a été payé.
Le meilleur argument de l’article est que les acheteurs ont eux aussi gagné : ils ont vu davantage, cliqué davantage et obtenu un score légèrement supérieur sur le garde-fou de rétention. Si la production pondère les articles par leur valeur d’achat prédite, un évaluateur plus précis déplace les achats probables vers les emplacements que les gens voient. Pour que cet argument tienne, il faudrait que le chiffre de revenu mesure des ventes, et que ces ventes supplémentaires portent sur des produits que les acheteurs voulaient, plutôt que sur des substituts plus chers.
Les auteurs savent pourtant publier un chiffre plus net. Han Zhu et Jian Xu, deux des auteurs d’ICE, ont cosigné BAR, une étude de 2025 sur la publicité display d’Alibaba. Le taux de clic y « sert à évaluer l’expérience utilisateur » et le retour sur investissement « est employé pour mesurer l’expérience de l’annonceur ». ICE rapporte des clics, des impressions et du « revenu commercial », sans aucun chiffre de type ROI pour les annonceurs. Au-delà des clics et du garde-fou de rétention, il ne rapporte aucun résultat côté acheteur. D’après les éléments imprimés, la part du gain qui revient à l’acheteur reste une hypothèse.
L’article présente ICE comme un module « plug-and-play ». Si d’autres fils d’achat l’adoptent, ils valoriseront davantage les emplacements que les acheteurs atteignent et déprécieront le reste. Le poids qui sous-tend ces choix compte alors d’autant plus, et c’est précisément le chiffre qu’ICE omet. L’article de ByteDance sur le classement de séquences gardait lui aussi secret son réglage de production, même s’il publiait le GMV par utilisateur et la valeur pour l’annonceur.
Pour une marque de vêtements présente dans ce fil, chaque emplacement serait décoté en fonction de sa probabilité d’être vu. Si la production pondère par le prix d’enchère ou la valeur d’achat, un poids que la marque ne peut pas voir contribue à décider qui obtient les emplacements qui comptent. Publier ce poids ne coûterait à Taobao qu’une phrase. Sans elle, le gain n’a pas de propriétaire sur le papier.