Your Ranking Model Is Optimizing the Wrong Thing with Zoe Weil - #780
三句話摘要
Sequin通過捕捉超細粒度用戶交互信號,用proprietary ranking models在亞秒級內重新排名電商產品,在不收集個人身份的前提下同時提升商業收入和轉換率。 Sequin的核心創新不在演算法本身,而在用nanosecond級系統工程捕捉session內微觀行為信號,用proprietary ranking models在亞秒級反應,在無需個人身份追蹤的前提下為資料量稀缺的傳統電商企業實現社交媒體等級的行為影響力。 傳統電商排名誤區:大多公司試圖改進搜尋相關度來提升轉換率,但社交媒體巨頭的成功源於龐大資料量。Sequin的突破在於不追蹤跨站用戶身份,而是在單一session內極度細緻捕捉隱性反饋——滑動速度、懸停時間、產品間往返次數,這些信號比點擊和轉換數據蘊含更多行為信息,使資料量稀缺的傳統電商無需擁有社交媒體級數據也能做到行為影響。
重點整理
傳統電商排名誤區:大多公司試圖改進搜尋相關度來提升轉換率,但社交媒體巨頭的成功源於龐大資料量。Sequin的突破在於不追蹤跨站用戶身份,而是在單一session內極度細緻捕捉隱性反饋——滑動速度、懸停時間、產品間往返次數,這些信號比點擊和轉換數據蘊含更多行為信息,使資料量稀缺的傳統電商無需擁有社交媒體級數據也能做到行為影響。
技術架構突破:傳統排名需每日甚至每小時完全重新訓練。Sequin採用「尾遞歸」架構持續迭代,只進行增量學習而非從零重建,大幅降低計算成本同時加快收斂。系統採Rust構建(Python無法滿足延遲要求),包含數十萬個proprietary frontier ranking models和harness library(內含Meta、Google、Pinterest從未發表的institutional knowledge),核心在nanoseconds處理數據、milliseconds輸出結果。
情境化排名邏輯:同一電商網站的不同模塊排名邏輯截然不同。搜尋網球拍需高相關度,購物車頁需推薦互補品(護腕、網球)且限制多樣性,因用戶已做承諾。Sequin通過理解用戶何時決策、決策過程的不確定性,為不同context動態調整,而非套用全域規則,使推薦既符合當下意圖也驅動額外購買。
協力式營收提升:傳統上優化廣告收入會傷害自然轉換(有限位置排給廣告就擠掉搜尋結果)。Sequin透過更精準個性化和即時反饋證明可同時提升兩者——用戶看到更符合微妙偏好的商品時,既點擊更頻繁也購買更多。
實用技巧與重點
- 工具與技術棧:
- 核心語言:Rust(超低延遲特徵轉換和服務)
- 模型框架:Huggingface
- 數據庫:NoSQL、分散式數據庫
- 不使用:LLM、生成式AI
- 平台:Recursive Ranking Intelligence (RRI)
- 模型類型:
- Large-event models:泛化到事件流
- Large-mesh models:同時分析多個事件流關係
- Frontier ranking models:數十萬個proprietary模型
- Harness library:proprietary評估和構建機制
- Knowledge store:已codify的institutional knowledge
- 性能指標:
- 延遲:<50毫秒(處理數千請求/秒)
- 涵蓋模塊:全頁面所有排名(搜尋、推薦、廣告)
- 客戶成果:4-10倍營收成長
- 籃子大小增幅:穩定提升(美元$1-2/筆交易粒度)
- 訊號類型(無個人身份):
- 滑動速度 (scroll speed)
- 懸停時間 (dwell time)
- 產品間往返次數 (back-and-forth frequency)
- 查詢向量 (query embeddings)
- 懸停組合 (hover combinations)
- 客戶案例:
- Wayfair、Priceline、Amazon等電商/旅遊平台
- 4位deployed engineers常駐各客戶公司
- 不共享客戶間數據
結論
Sequin的核心創新不在演算法本身,而在用nanosecond級系統工程捕捉session內微觀行為信號,用proprietary ranking models在亞秒級反應,在無需個人身份追蹤的前提下為資料量稀缺的傳統電商企業實現社交媒體等級的行為影響力。
完整解析
在電商推薦領域,傳統智慧認為讓用戶更容易找到想要的東西就能提升轉換率。所有電商公司都在追求更好的搜尋相關度。但Sequin創辦人Zoe Wilde發現這個邏輯有個致命漏洞——TikTok和Instagram能說服用戶購買本來不想要的東西,不是因為搜尋做得好,而是因為掌握數十億用戶的日常行為數據,能精確模擬和影響購買心理。傳統電商公司沒有這種資料量,試圖複製社交媒體巨頭發表的論文往往失敗,因為論文背後的龐大數據基礎完全不在。
Sequin的突破是不追蹤跨站用戶身份,而是在單一購物session內極度細緻捕捉隱性信號。用戶在藍色和粉色網球拍間需要5秒還是30秒才決定?往返查看幾次?滑動速度快還是慢?這些微觀行為透露用戶的決策風格——是分析型、快速決策者,還是圖像導向?基於這些推論,系統在用戶加入購物車後就知道該推薦哪款護腕、哪款網球。每個用戶看到的互補商品都不同。整個過程在50毫秒內完成,系統在nanoseconds清理原始事件數據,交給數百個ranking models並行處理,最後由re-ranker統合結果。
技術上,Sequin採用Rust而非Python構建,因為Python的延遲無法滿足要求。傳統方法每日完全重新訓練排名模型已過時——Sequin採「尾遞歸」架構只需增量學習,保留前次計算結果並迭代改進,大幅降低計算成本同時加快學習。系統包含數十萬個proprietary frontier ranking models,加上精心設計的harness library內含Meta、Google從未發表的institutional knowledge,成為真正護城河。有趣的是,同一電商網站的搜尋結果頁和購物車頁排名邏輯完全不同。搜尋「網球拍」時應展示高度相關的網球拍列表,用戶意圖明確。但購物車頁用戶已承諾購買,應推薦互補商品且限制多樣性——無需顯示10款護腕品牌,只推最有可能購買的那款。
傳統上優化廣告收入會傷害自然轉換率。但Sequin證明可同時提升兩者——通過更精準個性化和實時反饋,用戶既點擊更頻繁也購買更多。基礎在於用戶看到符合微妙偏好的商品時,不僅會增加互動,也會增加實際購買。這種協力效應在Wayfair等大型客戶身上實現了4-10倍營收成長,通常在一個月內就能達到年度利潤目標。

