Wayfair øger katalognøjagtighed og supporthastighed med OpenAI

Wayfair, som er en af verdens største forhandlere af boligartikler, har integreret OpenAI-model i kritiske interne systemer for at forbedre arbejdsgange for leverandørsupport og kvaliteten af produktkataloget i stor skala. Det, der begyndte som værdiafprøvning i lille skala i 2024, har udviklet sig til et fuldt produktionssystem, der reducerer manuelt arbejde, fremskynder beslutningstagning og forbedrer datakvaliteten på tværs af millioner af produkter.

I stedet for at betragte generativ AI som et eksperiment eller en punktløsning integrerede Wayfair OpenAI-model i centrale operationelle arbejdsgange. Virksomheden fokuserede først på de områder, hvor kompleksiteten og behovet for skalering var størst såsom routing og løsning af supportanmodninger fra leverandørvirksomheder og forbedring af titusindvis af produktegenskaber konsekvent på tværs af et katalog med cirka 30 millioner varer.

Wayfairs katalogteam administrerer titusindvis af produkter på tværs af næsten tusind forskellige produktklasser. Konsistente og præcise produktattributtags, som f.eks. farve, materiale, størrelse eller specifikke funktioner, er afgørende for søgning, anbefalinger og merchandising.    

"Jo bedre vores datakvalitet er, jo mere tillid opbygger vi hos kunden. Det er afgørende, fordi det giver kunder mulighed for at træffe de rigtige købsbeslutninger, hvilket direkte reducerer dyre problemer som returneringer af produkter, der er blevet fejlagtigt beskrevet," siger Jessica D'Arcy, Associate Director of Catalog Merchandising hos Wayfair. 

Før OpenAI var forbedringer af tagging primært afhængige af, at leverandører og kunder fortalte Wayfair, at noget var galt. Manuel indsats kunne ikke følge med mængden.  Tidlige brugerdefinerede AI-modeller til individuelle tags var effektive, men viste sig at være dyre at bygge og vedligeholde. “Vi startede med at bygge skræddersyede model til individuelle tags, og teknisk set fungerede det,” sagde Carolyn Phillips, Wayfairs machine learning-forsker. "Men når man ser på 47.000 tags, skalerer den tilgang ganske simpelt ikke."

For at gå ud over engangsmodeller skabte Wayfair et tag-uafhængigt system baseret på en enkelt OpenAI-model. En "definitionsagent" indtager web- og interne definitioner for at producere kontekstuel betydning for hvert tag. “Den reelle flaskehals var ikke modellens ydeevne,” siger Phillips. “Det var den menneskelige tid, der var nødvendig for at definere og kode, hvad hvert tag rent faktisk betød.” Denne kontekst, sammen med produktdata indsamlet på tværs af Wayfairs dataøkosystem, indgår i et rammeværk, der kan klassificere attributter på tværs af produktklasser. Teamet udvider nu modeldækningen til nye attributter ved 70 gange den hastighed, de opnåede for bare et år siden.

Systemet har nu kørt i produktion på mere end 1 million produkter. Og den første bølge af produkter med forbedrede attributter har nu været live længe nok til at måle virkningen af at forbedre datakvaliteten i kundetilfredsheden.  “Når du forbedrer attributfuldstændighed, er det ikke abstrakt. Du ser det komme til udtryk i SEO og PLA-ydeevne - og hvordan kunder opdager produkter”, siger Phillips. En kontrolleret A/B-test viste en betydelig og statistisk betydelig stigning i visninger, klik og sideplacering i behandlingsgruppen.

Wayfair overlod dog ikke blot beslutninger om at korrigere produktdata til modellen. “Vores mål er at opbygge tillid, så kunderne er helt trygge ved det, de køber,” siger Phillips. Virksomheden udviklede struktureret testning ved hjælp af en praktisk auditproces, hvor medarbejdere fysisk inspicerer prøver for at validere modellens output, og arbejdede sammen med leverandører om at validere ændringer. Nu vil automatiserede systemer, når den databaserede pålidelighed er høj, overskrive indholdet direkte og underrette leverandøren om ændringen. Og hvis en høj standard ikke opfyldes, eller tagget vurderes at være af høj risiko, søger Wayfair først leverandørbekræftelse, før ændringen foretages.

Wayfair samarbejder med titusindvis af leverandører for at understøtte deres omfattende katalog. For at håndtere leverandørsupportanmodninger gennemgik Wayfair-medarbejdere historisk set hver indgående supportsag, identificerede manuelt, hvad leverandører forsøgte at opnå, og videresendte problemer til den korrekte interne ansvarlige. Det er en tidskrævende og fejlbehæftet proces. "Leverandørforespørgsler er ikke simple," sagde Graham Ganssle, leverandørsupport og drift hos Wayfair. “De spænder over hundredvis af problemtyper, og ingen enkelt medarbejder kan realistisk set mestre dem alle.”

Wayfair tilføjede agentiske funktioner til et produkt ved navn Wilma for at forstærke disse arbejdsgange med AI. En af de første funktioner i produktion er ticket-triage drevet af en OpenAI-model. Systemet læser indgående anmodninger, udfylder manglende kontekst og videresender billetter til det rette team. Wilma blev designet til at kunne implementeres hurtigt. Den er bygget på et system, der allerede er integreret med OpenAI API'er, gik det fra prototype til live på cirka en måned. “Wilma giver medarbejderne større handlekraft,” sagde Ganssle. “Den læser supportsagen, identificerer hensigten, udfylder kontekst fra vores databaser, kontakter leverandører igen om nødvendigt og peger problemet i den rigtige retning.”

Ud over routing har Wayfair udrullet et dusin agentiske AI-flows til specifikke resolution-teams. For eksempel læser en medpilot til Replacement Part Operations-teamet kompleks sagsoversigt, foreslår de næste trin og foreslår udkast til svar, som menneskelige medarbejdere gennemgår. Disse assistenter er trænet på historiske data, så de lærer, hvordan succes ser ud i kontekst. “Modellerne kan syntetisere kontekst på tværs af hele forløbet på en måde, der er svær for en enkelt medarbejder at gøre,” siger Ganssle. "Den bredere synlighed bidrager til højere kunde- og leverandørtilfredshed."

Wayfair sporer, hvor ofte AI’ens anbefalinger stemmer overens med den menneskelige agents endelige beslutning. Det er en måling, der kaldes for “tilpasningsrate.” Inden for hvert team kan arbejdsgange, når tilpasningen konsekvent når en forudbestemt tærskel, skifte fra assisterende (“co-pilot”) til semiautonome (“autopilot”) tilstande. Denne trinvise tilgang opbygger tillid og sikrer kvalitetskontroller under udrulningen.

Wayfair rapporterer målbare forbedringer siden integrationen af OpenAI-model i interne systemer.

På katalogsiden reducerede virksomheden antallet af forkerte eller manglende produktattribut-tags, som en kunde kunne se, efter at have rettet 2,5 millioner produkt-tags på tværs af over en million af de mest synlige og købte produkter i Wayfair-kataloget. De forventer at firedoble denne effekt i løbet af de næste seks måneder.

I leverandørsupport har triage-, co-pilot- og auto-pilot-systemer øget gennemløbet ved at automatisere 41.000 tickets pr. måned (det er op til 70 % i visse arbejdsgange) og har reduceret svartiderne ved at fjerne rutinemæssigt manuelt arbejde fra medarbejdernes arbejdsbyrde. Dette reducerer betydeligt tiden til løsning for flere arbejdsgange, og øger leverandørtilfredsheden markant samt reducerer genåbninger af tickets i disse arbejdsgange.

Den bredere indsigt, som modeller giver i tickets og leverandørintentioner – ud over hvad en enkelt medarbejder kan se på en skærm – har bidraget til den øgede tilfredshed.

Operationelt rapporterer teams:

• Hurtigere routing og løsning af komplekse leverandørhenvendelser
• Øget leverandørtilfredshed
• Reduceret manuel dataindtastning og klassificeringsarbejde
• Bredere dækning af problemstillinger uden at kræve ekspertise på tværs af hundredvis af emner
• Højere tillid til katalogattributter før udgivelse.

Wayfair har også implementeret mere end 1.200 ChatGPT Enterprise-licenser på tværs af sin arbejdsstyrke på cirka 12.000 personer for at understøtte ad hoc-opgaver, intern problemløsning og eksperimenter med generative modeller.

Wayfair har en lang historie med at investere i maskinlæring og samarbejde med AI-platforme og LLM-udbydere for at fremme deres forretning. Nu udvider fremskridt inden for banebrydende model, især multimodale systemer, hvad deres teams kan bygge. Det er vigtigt i detailhandel til hjemmet, hvor produkter er visuelle, stilistiske og ofte subjektive.

“Vi er spændte på omfanget af de problemer, vi nu kan løse,” siger Carolyn Phillips. “Traditionelle algoritmer kræver stramt definerede datasæt. Disse modeller gør det muligt for os at håndtere tvetydighed og kontekst på en måde, der tidligere ikke var skalerbar.” 

Fremadrettet har medarbejdernes efterspørgsel efter ChatGPT Enterprise været stærk. Teams hos Wayfair ser det som et praktisk værktøj, der hjælper dem med at arbejde hurtigere.

Kundernes forventninger ændrer sig også hurtigt. Efterhånden som flere kunder bliver trygge ved at bruge AI i deres dagligdag, begynder de at forvente lignende funktioner, når de browser, sammenligner og køber online.

“Hjemme har kunder ofte ikke de præcise ord for det, de leder efter,” sagde Fiona Tan. “Naturligt sprog og multimodale systemer hjælper med at bygge bro over den kløft.”

For Wayfairs ledere er målet fortsat at styrke den menneskelige ekspertise, samtidig med at vi skalerer den interne kapacitet. “Vi udvikler til en verden, hvor AI er en del af købsrejsen, uanset om det er på vores hjemmeside, via support eller gennem konversationsgrænseflader,” konkluderede Fiona Tan.