Wayfair impulsa la precisió del catàleg i el suport amb OpenAI

Wayfair, un dels minoristes d'articles per a la llar més grans del món, ha integrat models d'OpenAI en sistemes interns crítics per millorar els fluxos de suport a proveïdors i la qualitat del catàleg de productes a escala. El que va començar com a proves de valor amb llançaments a petita escala el 2024 ha evolucionat fins a convertir-se en un sistema complet en producció que redueix l'esforç manual, accelera la presa de decisions i millora la qualitat de les dades en milions de productes.

En lloc de tractar la IA generativa com un experiment o una solució puntual, Wayfair va incorporar models d'OpenAI als fluxos operatius bàsics. L'empresa es va centrar primer allà on la complexitat i la necessitat d'escala eren més altes: encaminar i resoldre sol·licituds de suport de proveïdors i millorar de manera coherent desenes de milers d'atributs de producte en un catàleg d'uns 30 milions d'articles.

L'equip de catàleg de Wayfair gestiona desenes de milions de productes en gairebé un miler de classes de producte diferents. Les etiquetes d'atributs de producte consistents i precises —com ara color, material, mida o característiques específiques— són essencials per a la cerca, les recomanacions i el marxandatge.    

"Com millor és la qualitat de les nostres dades, més confiança generem amb el client. És essencial perquè permet als compradors prendre les decisions de compra correctes, reduint directament problemes costosos posteriors, com ara devolucions per productes mal representats", va dir Jessica D'Arcy, directora associada de marxandatge de catàleg a Wayfair. 

Abans d'OpenAI, les millores en l'etiquetatge depenien principalment que proveïdors i clients diguessin a Wayfair que alguna cosa semblava incorrecta. L'esforç manual no podia seguir el ritme del volum.  Els primers models d'IA personalitzats per a etiquetes individuals eren eficaços, però van resultar cars de crear i mantenir. «Vam començar creant models a mida per a etiquetes individuals, i tècnicament funcionava», va dir Carolyn Phillips, científica principal de machine learning a Wayfair. «Però quan parles de 47.000 etiquetes, aquest enfocament simplement no escala.»

Per anar més enllà dels models d'un sol ús, Wayfair va crear un sistema independent de les etiquetes basat en un únic model d'OpenAI. Un «agent de definició» ingereix la web i les definicions internes per produir un significat contextual per a cada etiqueta. «El veritable coll d'ampolla no era el rendiment del model», va dir Phillips. «Era el temps humà necessari per definir i codificar què significava realment cada etiqueta.» Aquest context, juntament amb dades de producte agregades de tot l'ecosistema de dades de Wayfair, alimenta un marc que pot classificar atributs entre classes de producte. Ara l'equip està ampliant la cobertura del model a nous atributs a un ritme 70 vegades superior al de fa només un any.

El sistema ja s'ha executat en producció en més d'1 milió de productes. I la primera onada de productes amb atributs millorats ja fa prou temps que està activa per mesurar l'impacte de la millora de la qualitat de les dades en el recorregut del client.  «Quan millores la completitud dels atributs, no és una cosa abstracta. Ho veus reflectit en el rendiment SEO i PLA: en com els clients descobreixen productes», va dir Phillips. Una prova A/B controlada va mostrar un augment substancial i significatiu d'impressions, clics i posicionament de pàgina en el grup de tractament.

Tanmateix, Wayfair no va limitar-se a delegar en el model les decisions sobre la correcció de dades de producte. «El nostre objectiu és generar confiança perquè els clients estiguin completament segurs del que compren», va dir Phillips. L'empresa va desenvolupar proves estructurades mitjançant un procés d'auditoria pràctic en què els associats inspeccionen físicament mostres per validar el resultat del model, i va treballar amb proveïdors per validar els canvis. Ara, quan la confiança basada en dades és alta, els sistemes automatitzats sobreescriuen directament el contingut i notifiquen el proveïdor del canvi. I, quan no s'assoleix un estàndard alt o l'etiqueta es considera d'alt risc, Wayfair primer demana confirmació al proveïdor abans de fer el canvi.

Wayfair treballa amb desenes de milers de proveïdors per donar suport al seu ampli catàleg. Per gestionar les sol·licituds de suport dels proveïdors, històricament els associats de Wayfair revisaven cada tiquet entrant, identificaven manualment què intentaven aconseguir els proveïdors i encaminaven els problemes al responsable intern correcte —un procés lent i propens a errors. «Les sol·licituds dels proveïdors no són senzilles», va dir Graham Ganssle, de suport i operacions de proveïdors a Wayfair. «Abarquen centenars de tipus de problemes, i cap associat no els pot dominar tots de manera realista.»

Wayfair va afegir funcionalitats agentiques a un producte anomenat Wilma per reforçar aquests fluxos amb IA. Una de les primeres funcionalitats en producció és el triatge de tiquets impulsat per un model d'OpenAI. El sistema llegeix les sol·licituds entrants, completa el context que falta i encamina els tiquets a l'equip adequat. Wilma es va dissenyar per poder desplegar-se ràpidament; construït sobre un sistema ja integrat amb les API d'OpenAI, va passar de prototip a producció en aproximadament un mes. «Wilma dona més capacitat als associats», va dir Ganssle. «Llegeix el tiquet, identifica la intenció, completa el context amb dades de les nostres bases de dades, torna a contactar amb els proveïdors si cal i orienta el problema en la direcció correcta.»

Més enllà de l'encaminament, Wayfair ha desplegat una dotzena de fluxos d'IA agentica per a equips de resolució específics. Per exemple, un copilot per a l'equip de Replacement Part Operations llegeix historials de casos complexos, proposa passos següents i suggereix esborranys de resposta que els associats humans revisen. Aquests assistents s'entrenen amb dades històriques perquè aprenguin com és l'èxit en context. «Els models poden sintetitzar el context de tot el recorregut d'una manera que és difícil per a un sol associat», va dir Ganssle. «Aquesta visibilitat més àmplia contribueix a una satisfacció més alta de clients i proveïdors.»

Wayfair fa un seguiment de la freqüència amb què les recomanacions de la IA coincideixen amb la decisió final de l'agent humà —una mètrica anomenada «taxa d'alineació». Dins de cada equip, quan l'alineació arriba de manera consistent a un llindar predeterminat, els fluxos poden passar de modes assistits («copilot») a modes semiautònoms («pilot automàtic»). Aquest enfocament per fases genera confiança i garanteix controls de qualitat durant el desplegament.

Wayfair informa de millores mesurables des que va integrar models d'OpenAI en sistemes interns.

Pel que fa al catàleg, l'empresa va reduir el nombre d'etiquetes d'atributs de producte incorrectes o absents que un client podia veure, després d'haver corregit 2,5 M d'etiquetes de producte en més d'un milió dels productes més visibles i comprats del catàleg de Wayfair. Esperen quadruplicar aquest impacte en els pròxims sis mesos.

En suport a proveïdors, els sistemes de triatge, copilot i pilot automàtic han augmentat el rendiment automatitzant 41.000 tiquets al mes (fins a un 70% en alguns fluxos) i han reduït els temps de resposta en eliminar feina manual rutinària de la càrrega de treball dels associats. Això redueix dràsticament el temps de resolució en diversos fluxos, augmenta significativament la satisfacció dels proveïdors i redueix la reobertura de tiquets en aquests fluxos.

La visibilitat més àmplia que els models proporcionen sobre els tiquets i la intenció dels proveïdors —més enllà del que un sol associat pot veure en una pantalla— ha contribuït a aquest augment de la satisfacció.

Operativament, els equips informen de:

• Encaminament i resolució més ràpids de tiquets complexos de proveïdors
• Augment de la satisfacció dels proveïdors
• Reducció de l'entrada manual de dades i del treball de classificació
• Major cobertura d'incidències sense necessitat d'expertesa en centenars de temes
• Més confiança en els atributs del catàleg abans de la publicació.

Wayfair també ha desplegat més de 1.200 llicències de ChatGPT Enterprise entre una plantilla d'aproximadament 12.000 persones per donar suport a tasques ad hoc, resolució interna de problemes i experimentació amb models generatius.

Wayfair té una llarga trajectòria d'inversió en machine learning i de col·laboració amb plataformes d'IA i proveïdors de LLM per impulsar el seu negoci. Ara, els avenços en models d'avantguarda, especialment els sistemes multimodals, estan ampliant el que els seus equips poden construir. Això és important en el comerç d'articles per a la llar, on els productes són visuals, estilístics i sovint subjectius.

«Ens entusiasma l'abast dels problemes que ara podem abordar», va dir Carolyn Phillips. «Els algorismes tradicionals requereixen conjunts de dades molt ben definits. Aquests models ens permeten treballar l'ambigüitat i el context d'una manera que abans no era escalable.» 

De cara al futur, la demanda interna de ChatGPT Enterprise ha estat forta. Els equips de Wayfair el veuen com una eina pràctica que els ajuda a avançar més de pressa.

Les expectatives dels clients també estan canviant ràpidament. Cada vegada més compradors se senten còmodes utilitzant la IA en la seva vida diària i comencen a esperar capacitats semblants quan naveguen, comparen i compren en línia.

«A casa, els clients sovint no tenen les paraules exactes per descriure el que busquen», va dir Fiona Tan. «El llenguatge natural i els sistemes multimodals ajuden a reduir aquesta distància.»

Per als líders de Wayfair, l'objectiu continua sent reforçar l'expertesa humana mentre s'amplia la capacitat interna. «Estem construint per a un món on la IA forma part del recorregut de compra —ja sigui al nostre lloc web, a través del suport o mitjançant interfícies conversacionals—», va concloure Fiona Tan.