تعزز Wayfair دقة الكتالوج وسرعة الدعم بقوة OpenAI

دمجت Wayfair، إحدى كبرى منصات بيع المستلزمات المنزلية في العالم، نماذج OpenAI في صميم أنظمتها الداخلية الحيوية، بهدف الارتقاء بسير عمل دعم الموردين وجودة كتالوج المنتجات على نطاق واسع. وما بدأ عام 2024 تجربةً محدودة لاستطلاع القيمة، نما وترعرع حتى غدا منظومة إنتاج متكاملة تُخفّف العبء اليدوي وتُعجّل باتخاذ القرار وترفع جودة البيانات عبر ملايين المنتجات.

ولم تنظر Wayfair إلى الذكاء الاصطناعي التوليدي باعتباره تجربةً عابرة أو حلًا نقطيًا، بل أدمجت نماذج OpenAI في شرايين عملياتها الجوهرية. وانطلقت من حيث يبلغ التعقيد ذروته والحاجة إلى التوسع أشدّها إلحاحًا: توجيه طلبات دعم الموردين والفصل فيها، والارتقاء بعشرات الآلاف من خصائص المنتجات بصورة متسقة عبر كتالوج يضم ما يقارب ثلاثين مليون منتج.

يتولى فريق الكتالوج في Wayfair إدارة عشرات الملايين من المنتجات الموزعة على ما يقارب ألف فئة مختلفة. وتُمثّل علامات خصائص المنتج — كاللون والمادة والمقاس والميزات الخاصة — ركيزةً لا غنى عنها لضمان دقة نتائج البحث والتوصيات وعمليات العرض التجاري، وأي خلل فيها ينعكس مباشرةً على تجربة المتسوق.    

تقول جيسيكا دارسي، المديرة المشاركة لتسويق الكتالوج في Wayfair: "كلما ارتقت جودة بياناتنا، رسخت ثقة العميل بنا. وهذا ليس رفاهية، بل ضرورة؛ لأنه يُمكّن المتسوقين من اتخاذ قرارات شراء صائبة، مما يُقلّص مباشرةً من المشكلات المكلفة كإعادة المنتجات الناجمة عن وصف مضلل." 

قبل OpenAI، كان تحسين العلامات يعتمد في معظمه على إشارات الموردين والعملاء حين يرصدون خطأً ما. وكان الجهد اليدوي يتعثّر أمام ضخامة الحجم ولا يستطيع مواكبته.  وقد نجحت نماذج الذكاء الاصطناعي المخصصة التي بُنيت في وقت مبكر لمعالجة علامات بعينها، لكنها أثبتت أنها باهظة التكلفة في البناء والصيانة. تقول كارولين فيليبس، عالمة التعلم الآلي في Wayfair: "بدأنا ببناء نماذج مخصصة لكل علامة على حدة، وقد نجح ذلك من الناحية التقنية، لكن حين تجد نفسك أمام 47,000 علامة، يُصبح هذا النهج ضربًا من المستحيل."

للتحرر من قيود النماذج المخصصة لكل حالة على حدة، ابتكرت Wayfair منظومةً مستقلة عن العلامات، تقوم على نموذج OpenAI واحد. ويضطلع "وكيل التعريف" باستيعاب التعريفات الإلكترونية والداخلية وتحويلها إلى معنى سياقي لكل علامة. تقول فيليبس"لم يكن العائق أداء النموذج، بل كان الوقت البشري اللازم لتعريف كل علامة وتشفير دلالتها الفعلية." ويتغذى هذا السياق، مقترنًا ببيانات المنتجات المُجمَّعة من منظومة Wayfair البيانية، في إطار قادر على تصنيف الخصائص عبر جميع فئات المنتجات. والفريق اليوم يُوسّع تغطية النموذج لتشمل خصائص جديدة بمعدل يبلغ سبعين ضعف ما كان عليه قبل عام.

وقد باتت هذه المنظومة تعمل في بيئة الإنتاج على أكثر من مليون منتج. والموجة الأولى من المنتجات المُحسَّنة الخصائص أمضت من الوقت ما يكفي لقياس أثر تحسين جودة البيانات على رحلة العميل.  تقول فيليبس: "حين تُحسّن اكتمال الخصائص، لا يبقى الأمر في دائرة المجرد؛ تراه جليًا في أداء SEO وحملات PLA وفي كيفية اكتشاف العملاء للمنتجات." وكشف اختبار A/B مضبوط عن قفزة ملموسة وذات دلالة إحصائية في مؤشرات الظهور والنقرات وترتيب الصفحات لدى المجموعة التجريبية.

غير أن Wayfair لم تُفوّض النموذجَ قرارات تصحيح بيانات المنتجات تفويضًا مطلقًا. تقول فيليبس:"غايتنا هي بناء ثقة راسخة تجعل العميل مطمئنًا تمامًا لما يشتريه." وقد طوّرت الشركة منهجية اختبار منظمة تعتمد على مراجعة يدوية ميدانية، يفحص فيها المختصون عينات فعلية للتحقق من مخرجات النموذج، وتعاونت مع الموردين للتثبت من صحة التعديلات. واليوم، حين يبلغ مستوى الثقة القائم على البيانات حدًا مرتفعًا، تُعدّل الأنظمة الآلية المحتوى مباشرةً وتُخطر المورد بالتغيير. أما حين يظل المعيار دون المستوى المطلوب أو تُصنَّف العلامة ضمن الحالات عالية الخطورة، فإن Wayfair تستأذن المورد أولًا قبل إجراء أي تعديل.

تتعامل Wayfair مع عشرات الآلاف من الموردين لإدارة كتالوجها الضخم. وكان الموظفون تاريخيًا يراجعون كل طلب دعم وارد بأيديهم، ويستنتجون ما يرمي إليه المورد، ثم يُحيلون المشكلة إلى الجهة الداخلية المختصة — مسار مضنٍ وعرضة للأخطاء. يقول غراهام غانسل، المسؤول عن دعم الموردين والعمليات في Wayfair: "طلبات الموردين ليست بسيطة. فهي تمتد عبر مئات أنواع المشكلات، ولا يستطيع موظف واحد أن يُلمّ بها جميعًا."

واستجابةً لهذا التحدي، أضافت Wayfair قدرات وكيلة إلى منتجها Wilma لتعزيز هذه السير بالذكاء الاصطناعي. ومن أولى الميزات التي انطلقت في بيئة الإنتاج: الفرز الآلي للتذاكر المدعوم بنموذج OpenAI، إذ يقرأ النظام الطلبات الواردة ويستكمل السياق الناقص ويُوجّه التذاكر إلى الفريق المناسب. وقد صُمِّمت Wilma لتكون سريعة الانتشار؛ فإذ بُنيت على منظومة مدمجة أصلًا مع واجهات OpenAI البرمجية، قطعت الطريق من النموذج الأولي إلى الإطلاق الفعلي في شهر واحد تقريبًا. يقول غانسل: "Wilma تمنح الموظفين نفوذًا حقيقيًا. حيث تقرأ التذكرة، وتستشف النية، وتستكمل السياق من قواعد بياناتنا، وتتواصل مع المورد عند الحاجة، وتُوجّه المشكلة نحو حلّها الصحيح."

وتجاوزت Wayfair مرحلة التوجيه لتنشر اثني عشر مسارًا وكيلًا للذكاء الاصطناعي موجّهة لفرق حلّ بعينها. فعلى سبيل المثال، يضطلع المساعد المخصص لفريق عمليات قطع الغيار بقراءة سجل الحالات المعقدة واقتراح الخطوات التالية وصياغة ردود أولية يراجعها الموظفون البشريون. وهذه المساعِدات مُدرَّبة على بيانات تاريخية لتتعلم معايير النجاح في كل سياق. يقول غانسل: "تستطيع النماذج استيعاب السياق عبر الرحلة بأكملها بطريقة بصعب على موظف بمفرده تحقيقها، وهذه الرؤية الشاملة تُسهم في رفع رضا العملاء والموردين على حدٍّ سواء."

وتتابع Wayfair بدقة مدى توافق توصيات الذكاء الاصطناعي مع القرار النهائي للموظف البشري، وهو ما تُسمّيه "معدل التوافق". وحين يبلغ التوافق داخل كل فريق عتبةً محددة باستمرار، يُمكن تحويل سير العمل من نمط المساعدة ("مساعد الطيّار") إلى نمط شبه المستقل ("الطيار الآلي"). وهذا النهج المتدرج يبني الثقة تدريجيًا ويضمن صرامة ضوابط الجودة طوال مراحل الانتشار.

ترصد Wayfair تحسينات قابلة للقياس منذ دمج نماذج OpenAI في أنظمتها الداخلية.

وعلى صعيد الكتالوج، قلّصت الشركة بشكل ملحوظ عدد علامات خصائص المنتج الخاطئة أو المفقودة التي قد يصطدم بها العميل، إذ صحّحت 2.5 مليون علامة منتج عبر أكثر من مليون من أكثر المنتجات ظهورًا وشراءً في كتالوج Wayfair. وتتطلع الشركة إلى مضاعفة هذا الأثر أربع مرات في الأشهر الستة المقبلة.

وعلى صعيد أنظمة دعم الموردين، ومنظومة فرز الطلبات ومساعد الطيّار والطيار الآلي ارتفعت الطاقة الاستيعابية بأتمتة 41,000 تذكرة شهريًا — بما يعادل 70% في بعض مسارات العمل — وخفّضت أوقات المعالجة بتحرير الموظفين من العمل اليدوي الروتيني. وقد أسفر ذلك عن تقليص حاد في وقت الحلّ عبر مسارات عمل متعددة، وارتفاع ملموس في رضا الموردين، وانخفاض في معدلات إعادة فتح التذاكر في تلك المسارات.

والرؤية الأشمل التي توفرها النماذج حول التذاكر ونوايا الموردين — بما يتجاوز ما يستطيع موظف واحد رؤيته على شاشته — كانت وراء هذا الارتفاع في مستوى الرضا.

وعلى الصعيد التشغيلي، تُفيد الفرق بما يلي:

• توجيه وحلّ أسرع لتذاكر الموردين المعقدة
• ارتفاع ملحوظ في رضا الموردين
• تراجع كبير في أعمال إدخال البيانات اليدوية والتصنيف
• تغطية أوسع للمشكلات دون الحاجة إلى خبرة في مئات الموضوعات
• ثقة أعلى في خصائص الكتالوج قبل النشر

وعلى نطاق أوسع، نشرت Wayfair أكثر من 1,200 مقعد من ChatGPT Enterprise عبر قوتها العاملة البالغة نحو 12,000 موظف، لدعم المهام الطارئة وحلّ المشكلات الداخلية والتجريب مع النماذج التوليدية.

تتمتع Wayfair بتاريخ راسخ في الاستثمار في تعلّم الآلة والتشارك مع منصات الذكاء الاصطناعي ومزودي النماذج اللغوية الكبيرة لدفع عجلة أعمالها. واليوم، تفتح قفزات النماذج الرائدة، ولا سيما الأنظمة متعددة الوسائط، آفاقًا جديدة أمام ما تستطيع فرقها بناؤه. وهذا ذو أهمية بالغة في قطاع تجارة مستلزمات المنزل، حيث تغلب على المنتجات طبيعتها البصرية والأسلوبية، وغالبًا ما تخضع للتفضيل الشخصي.

تقول كارولين فيليبس: "ما يُشعلنا حماسًا هو اتساع نطاق المشكلات التي باتت حلولها في متناولنا. الخوارزميات التقليدية تشترط مجموعات بيانات محددة بدقة. أما هذه النماذج فتمنحنا القدرة على الإبحار في الغموض والسياق بطريقة لم تكن قابلة للتوسع من قبل." 

وفي المستقبل المنظور، لا يزال الطلب الداخلي على ChatGPT Enterprise في تصاعد. وترى فرق Wayfair فيه أداةً عملية تُسرّع وتيرة إنجازهم وتُخفّف العبء عنهم.

وتوقعات العملاء تتحوّل هي الأخرى بخطى متسارعة؛ إذ يزداد المتسوقون ألفةً مع الذكاء الاصطناعي في حياتهم اليومية، ويبدأون في توقع قدرات مماثلة حين يتصفحون ويقارنون ويشترون عبر الإنترنت.

تقول فيونا تان: "غالبًا ما يعرف العميل ما يريده لمنزله دون أن يجد الكلمات التي تُعبّر عنه، وهنا تتدخل اللغة الطبيعية والأنظمة متعددة الوسائط لتجسر هذه الهوة."

وتبقى الغاية الكبرى لقيادة Wayfair واحدة: تعزيز الخبرة البشرية وتوسيع القدرات الداخلية في آنٍ واحد. تختم فيونا تان بالقول: "نحن نبني لعالم يكون فيه الذكاء الاصطناعي شريكًا في رحلة التسوق بأكملها، سواء على موقعنا أو عبر الدعم أو من خلال الواجهات التحاورية."