Wayfair steigert Kataloggenauigkeit und Support-Tempo mit OpenAI

Wayfair, einer der weltweit größten Einzelhändler für Haushaltswaren, hat OpenAI-Modelle in geschäftskritische interne Systeme integriert, um Arbeitsabläufe im Lieferantensupport zu verbessern und die Qualität des Produktkatalogs im großen Maßstab zu steigern. Was 2024 als kleine Testläufe zur Wertanalyse begann, hat sich zu einem vollwertigen Produktionssystem entwickelt, das den manuellen Aufwand reduziert, die Entscheidungsfindung beschleunigt und die Datenqualität für Millionen von Produkten verbessert.

Anstatt generative KI als Experiment oder Insellösung zu betrachten, integrierte Wayfair die Modelle von OpenAI in zentrale operative Arbeitsabläufe. Das Unternehmen konzentrierte sich zunächst auf die Bereiche, in denen die Komplexität und der Bedarf an Skalierung am größten waren: die Weiterleitung und Bearbeitung von Supportanfragen von Lieferanten sowie die konsistente Verbesserung von Zehntausenden Produktattributen über einen Katalog von rund 30 Millionen Artikeln hinweg.

Das Katalogteam von Wayfair verwaltet Dutzende Millionen Produkte in fast tausend verschiedenen Produktkategorien. Konsistente und präzise Produktattribut-Tags – wie Farbe, Material, Größe oder spezifische Merkmale – sind für Suche, Empfehlungen und Merchandising unerlässlich.    

„Je besser unsere Datenqualität ist, desto mehr Vertrauen bauen wir bei den Kund:innen auf. Das ist essenziell, weil es Käufer:innen in die Lage versetzt, die richtigen Kaufentscheidungen zu treffen, wodurch kostspielige nachgelagerte Probleme wie Rücksendungen aufgrund falsch dargestellter Produkte direkt reduziert werden“, sagt Jessica D'Arcy, Associate Director of Catalog Merchandising bei Wayfair. 

Vor OpenAI waren Verbesserungen bei der Verschlagwortung (Tagging) hauptsächlich darauf angewiesen, dass Lieferanten und Kunden Wayfair darauf hinwiesen, wenn etwas nicht stimmte. Manuelle Anstrengungen konnten mit dem schieren Volumen nicht Schritt halten.  Frühe maßgeschneiderte KI-Modelle für einzelne Tags waren effektiv, jedoch teuer in der Entwicklung und Wartung. „Wir haben zunächst maßgeschneiderte Modelle für einzelne Tags entwickelt, und technisch gesehen hat das funktioniert“, sagt Carolyn Phillips, Machine-Learning-Wissenschaftlerin bei Wayfair. „Aber wenn du 47.000 Tags vor dir hast, ist dieser Ansatz einfach nicht skalierbar.“

Um über Einzelfall-Modelle hinauszugehen, entwickelte Wayfair ein Tag-unabhängiges System, das auf einem einzigen OpenAI-Modell basiert. Ein „Definitionsagent“ (Definition Agent) erfasst die Web- und internen Definitionen, um für jedes Tag einen kontextbezogenen Sinn zu erzeugen. „Der eigentliche Engpass war nicht die Modell-Performance“, so Phillips. „Es war der menschliche Zeitaufwand, der erforderlich war, um zu definieren und zu kodieren, was jedes Tag tatsächlich bedeutete.“ Dieser Kontext bildet, zusammen mit Produktdaten, die aus dem gesamten Datenökosystem von Wayfair aggregiert werden, die Grundlage für ein Framework, das Attribute über Produktkategorien hinweg klassifizieren kann. Das Team weitet die Modellabdeckung nun mit einer 70-mal höheren Geschwindigkeit als noch vor einem Jahr auf neue Attribute aus.

Das System wurde inzwischen im Produktivbetrieb bei mehr als 1 Million Produkten eingesetzt. Und die erste Welle von Produkten mit verbesserten Attributen ist inzwischen lange genug live, um die Auswirkungen der Datenqualitätsverbesserung auf die Customer Journey zu messen.  „Wenn du die Attributvollständigkeit verbesserst, ist das nichts Abstraktes. „Das zeigt sich in der SEO- und PLA-Performance – darin, wie Kund:innen Produkte entdecken“, so Phillips. Ein kontrollierter A/B-Test zeigte in der Versuchsgruppe einen deutlichen und signifikanten Anstieg bei Impressions, Klicks und dem Seitenranking.

Allerdings überließ Wayfair die Entscheidungen zur Korrektur von Produktdaten nicht einfach dem Modell. „Unser Ziel ist es, Vertrauen aufzubauen, damit Kund:innen voll und ganz von dem überzeugt sind, was sie kaufen“, sagt Phillips. Das Unternehmen entwickelte strukturierte Tests mithilfe eines praktischen Auditprozesses, bei dem Mitarbeitende Stichproben physisch prüfen, um die Modellausgaben zu validieren, und arbeitete mit Lieferanten zusammen, um Änderungen zu validieren. Mittlerweile überschreiben automatisierte Systeme, wenn die datenbasierte Sicherheit hoch ist, den Inhalt direkt und informieren den Lieferanten über die Änderung. Und wenn ein hoher Standard nicht erfüllt wird oder das Tag als risikoreich eingestuft wird, holt Wayfair zunächst eine Bestätigung des Lieferanten ein, bevor die Änderung vorgenommen wird.

Wayfair arbeitet mit Zehntausenden von Lieferanten zusammen, um sein umfangreiches Sortiment zu gewährleisten. Um Supportanfragen von Lieferanten zu bearbeiten, prüften Wayfair-Mitarbeitende bisher jedes eingehende Ticket, identifizierten manuell, was die Lieferanten erreichen wollten, und leiteten die Anliegen an die zuständige interne Ansprechperson weiter – ein zeitaufwändiger und fehleranfälliger Prozess. „Anfragen von Lieferanten sind nicht einfach“, sagt Graham Ganssle, zuständig für Lieferanten-Support und operative Abläufe bei Wayfair. „Sie umfassen Hunderte von Problemtypen, und ein:e einzelne:r Mitarbeiter:in kann unmöglich alle beherrschen.“

Wayfair hat einem Produkt namens Wilma agentische Funktionen hinzugefügt, um diese Arbeitsabläufe durch KI zu optimieren. Eine der ersten Funktionen im Produktiveinsatz ist die Ticket-Triage auf Basis eines OpenAI-Modells. Das System liest eingehende Anfragen, ergänzt fehlenden Kontext und leitet Tickets an das zuständige Team weiter. Wilma wurde für eine schnelle Bereitstellung konzipiert; auf einem System aufgebaut, das bereits in OpenAI-APIs integriert war, ging es in etwa einem Monat vom Prototypen zum Live-Betrieb über. „Wilma verschafft Mitarbeitenden mehr Handlungsspielraum“, so Ganssle. „Es liest das Ticket, erkennt die Absicht, ergänzt den Kontext mit Informationen aus unseren Datenbanken, nimmt bei Bedarf erneut Kontakt zu Lieferanten auf und leitet das Problem an die richtige Stelle weiter.“

Über das Routing hinaus hat Wayfair ein Dutzend agentische KI-Workflows für spezifische Lösungsteams eingeführt. Zum Beispiel liest ein Kopilot für das Replacement Part Operations-Team (Ersatzteilabwicklung) komplexe Fallverläufe, empfiehlt nächste Schritte und schlägt Antwortentwürfe vor, die von menschlichen Mitarbeitenden überprüft werden. Diese Assistenten werden mit historischen Daten trainiert, sodass sie lernen, wie Erfolg im jeweiligen Kontext aussieht. „Die Modelle können den Kontext über die gesamte Journey hinweg auf eine Weise zusammenführen, die für einzelne Mitarbeitende nur schwer möglich ist“, sagt Ganssle. „Diese umfassendere Transparenz trägt zu einer höheren Kunden- und Lieferantenzufriedenheit bei.“

Wayfair erfasst, wie oft die Empfehlungen der KI mit der endgültigen Entscheidung des/der menschlichen Mitarbeitenden übereinstimmen – eine Kennzahl namens „Alignment Rate“ (Abstimmungsrate). Innerhalb jedes Teams können Workflows vom unterstützenden („Kopilot“-) in den teilautonomen („Autopilot“-)Modus wechseln, wenn die Abstimmung dauerhaft einen vorab festgelegten Schwellenwert erreicht. Dieser schrittweise Ansatz schafft Vertrauen und gewährleistet Qualitätskontrollen während der Einführung.

Wayfair berichtet seit der Integration von OpenAI-Modellen in interne Systeme über messbare Verbesserungen.

Im Bereich Katalog hat das Unternehmen die Anzahl der fehlerhaften oder fehlenden Produktattribut-Tags, die Kund:innen angezeigt werden könnten, reduziert – dazu wurden 2,5 Millionen Produkt-Tags bei über einer Million der meistgesehenen und meistgekauften Produkte im Wayfair-Katalog korrigiert. Das Unternehmen geht davon aus, dass sich dieser Impact in den nächsten sechs Monaten vervierfachen wird.

Im Lieferantensupport haben Triage-, Kopilot- und Autopilot-Systeme den Durchsatz erhöht, indem sie 41.000 Tickets pro Monat automatisieren (das entspricht in einigen Workflows bis zu 70 %) und die Bearbeitungszeiten verkürzt, indem sie den Mitarbeitenden routinemäßige manuelle Aufgaben abnehmen. Dies verkürzt die Zeit bis zur Lösung für mehrere Workflows drastisch, steigert die Zufriedenheit der Lieferanten erheblich und reduziert die Zahl der erneut geöffneten Tickets in diesen Workflows.

Die umfassendere Übersicht, die Modelle über Tickets und die Absichten der Lieferanten bieten – über das hinaus, was einzelne Mitarbeitende auf einem Bildschirm sehen können –, hat zu dieser höheren Zufriedenheit beigetragen.

In operativer Hinsicht berichten die Teams Folgendes:

• Schnellere Weiterleitung und Lösung komplexer Lieferantentickets
• Erhöhte Lieferantenzufriedenheit
• Reduzierter manueller Aufwand für Dateneingabe und Klassifizierung
• Umfassendere Problemabdeckung, ohne dass Fachwissen zu Hunderten von Themen erforderlich ist
• Größere Gewissheit im Hinblick auf Katalogattribute vor der Veröffentlichung.

Wayfair hat außerdem mehr als 1.200 ChatGPT Enterprise-Lizenzen für seine rund 12.000 Mitarbeiter bereitgestellt, um Ad-hoc-Aufgaben, interne Problemlösung und Experimente mit generativen Modellen zu unterstützen.

Wayfair investiert schon seit Langem in maschinelles Lernen und in die Zusammenarbeit mit KI-Plattformen und LLM-Anbietern, um sein Geschäft voranzubringen. Jetzt erweitern Fortschritte bei Frontier-Modellen, insbesondere multimodalen Systemen, die Möglichkeiten dessen, was die Teams des Unternehmens entwickeln können. Das spielt im Einrichtungshandel eine besondere Rolle, wo es um Produkte geht, die visuell, stilistisch und oft subjektiv sind.

„Wir freuen uns über die Bandbreite an Problemen, die wir jetzt bewältigen können“, so Carolyn Phillips. „Herkömmliche Algorithmen erfordern klar abgegrenzte Datensätze. „Diese Modelle ermöglichen es uns, mit Mehrdeutigkeiten und Kontext auf eine Weise umzugehen, die zuvor nicht skalierbar war.“ 

Was die Zukunft angeht, so ist die Nachfrage der Mitarbeitenden nach ChatGPT Enterprise sehr groß. Die Teams bei Wayfair sehen darin ein praktisches Tool, mit dem sie schneller vorankommen.

Auch die Kundenerwartungen entwickeln sich schnell weiter. Immer mehr Verbraucher:innen gewöhnen sich daran, KI in ihrem Alltag zu nutzen, und erwarten mittlerweile ähnliche Funktionen, wenn sie online stöbern, vergleichen und einkaufen.

„Zu Hause haben Kund:innen oft nicht die genauen Worte für das, wonach sie suchen“, sagt Fiona Tan. „Natürliche Sprache und multimodale Systeme helfen, diese Lücke zu schließen.“

Für Wayfair-Führungskräfte bleibt das Ziel, menschliche Expertise zu erweitern und gleichzeitig interne Fähigkeiten zu skalieren. „Wir entwickeln für eine Welt, in der KI Teil des Einkaufserlebnisses ist – sei es auf unserer Website, über den Support oder über dialogorientierte Benutzeroberflächen“, so Fiona Tan abschließend.