Wayfair améliore le catalogue + la rapidité d'aide avec OpenAI

Wayfair, l’un des plus grands détaillants d’articles pour la maison au monde, a intégré les modèles d’OpenAI dans des systèmes internes clés afin d’améliorer à grande échelle les flux de support fournisseurs et la qualité de son catalogue produit. Ce qui a commencé en 2024 par des tests de valeur à petite échelle a évolué en un système de production complet qui réduit les efforts manuels, accélère la prise de décision et améliore la qualité des données sur des millions de produits.

Plutôt que de considérer l’IA générative comme une simple expérimentation ou une solution ponctuelle, Wayfair a intégré les modèles d’OpenAI au cœur de ses flux opérationnels. L’entreprise s’est d’abord concentrée sur les domaines les plus complexes et nécessitant le plus de passage à l’échelle : le routage et la résolution des demandes de support fournisseurs, ainsi que l’amélioration cohérente de dizaines de milliers d’attributs produits au sein d’un catalogue d’environ 30 millions d’articles.

L’équipe catalogue de Wayfair gère des dizaines de millions de produits répartis sur près d’un millier de catégories. Des attributs produits cohérents et précis—tels que la couleur, le matériau, la taille ou des caractéristiques spécifiques—sont essentiels pour la recherche, les recommandations et le merchandising.    

« Plus la qualité de nos données est élevée, plus nous renforçons la confiance des clients. C’est essentiel, car cela permet aux clients de prendre les bonnes décisions d’achat et réduit directement les coûts liés aux problèmes en aval, comme les retours dus à des produits mal décrits », explique Jessica D’Arcy, directrice associée du merchandising catalogue chez Wayfair. 

Avant OpenAI, l’amélioration des attributs reposait principalement sur les fournisseurs et les clients pour signaler à Wayfair que quelque chose semblait incorrect. Les efforts manuels ne pouvaient pas suivre le volume.  Les premiers modèles d’IA personnalisés pour des attributs spécifiques se sont révélés efficaces, mais coûteux à développer et à maintenir. « Nous avons commencé par créer des modèles sur mesure pour des attributs spécifiques, et techniquement cela fonctionnait », explique Carolyn Phillips, experte en apprentissage automatique chez Wayfair. « Mais lorsqu'on se retrouve face à 47 000 balises, cette approche n'est tout simplement pas viable à cette échelle. »

Pour aller au-delà des modèles ponctuels, Wayfair a créé un système indépendant des attributs, basé sur un seul modèle OpenAI. Un « agent de définition » ingère des contenus du web et des définitions internes afin de produire un sens contextuel pour chaque attribut. « Le véritable goulot d’étranglement n’était pas la performance du modèle », explique Phillips. « C’était le temps humain nécessaire pour définir et formaliser ce que signifiait réellement chaque attribut. » Ce contexte, combiné aux données produits agrégées à travers l’écosystème de données de Wayfair, alimente un cadre capable de classer les attributs à travers différentes catégories de produits. L’équipe étend désormais la couverture des attributs par le modèle à un rythme 70 fois supérieur à celui d’il y a un an.

Le système fonctionne désormais en production sur plus d'un million de produits. Et la première vague de produits enrichis en attributs est désormais en ligne depuis suffisamment longtemps pour mesurer l’impact de l’amélioration de la qualité des données sur le parcours client.  « Lorsque vous améliorez la complétude des attributs, ce n’est pas abstrait. Cela se reflète dans les performances SEO et PLA—dans la manière dont les clients découvrent les produits », explique Phillips. Un test A/B contrôlé a montré une augmentation importante et significative des impressions, des clics et du classement des pages dans le groupe test.

Cependant, Wayfair ne s’est pas contenté de confier au modèle les décisions de correction des données produits. « Notre objectif est de renforcer la confiance afin que les clients soient pleinement sûrs de ce qu’ils achètent », explique Phillips. L’entreprise a mis en place des tests structurés reposant sur un processus d’audit terrain, dans lequel des collaborateurs inspectent physiquement des échantillons pour valider les résultats du modèle, et a collaboré avec les fournisseurs pour valider les modifications. Désormais, lorsque le niveau de confiance fondé sur les données est élevé, les systèmes automatisés remplacent directement le contenu et informent le fournisseur de la modification. Et lorsque le niveau d’exigence n’est pas atteint ou que l’attribut est jugé à risque élevé, Wayfair demande d’abord la confirmation du fournisseur avant d’apporter la modification.

Wayfair travaille avec des dizaines de milliers de fournisseurs pour soutenir l’ampleur de son catalogue. Pour gérer les demandes de support fournisseurs, les équipes Wayfair examinaient historiquement chaque ticket entrant, identifiaient manuellement l’objectif du fournisseur et orientaient les demandes vers le bon interlocuteur interne—un processus long et sujet aux erreurs. « Les demandes des fournisseurs ne sont pas simples », explique Graham Ganssle, en charge du support et des opérations fournisseurs chez Wayfair. « Elles couvrent des centaines de types de problèmes, et aucun collaborateur ne peut raisonnablement tous les maîtriser. »

Wayfair a ajouté des fonctionnalités agentiques à un produit nommé Wilma afin d’augmenter ces flux de travail avec l’IA. L’une des premières fonctionnalités mises en production est le tri des tickets, alimenté par un modèle OpenAI. Le système analyse les demandes entrantes, complète le contexte manquant et achemine les tickets vers l’équipe appropriée. Wilma a été conçu pour être déployé rapidement : construit sur un système déjà intégré aux API OpenAI, il est passé du prototype à la mise en production en environ un mois. « Wilma donne aux collaborateurs les moyens d'agir », a déclaré Ganssle. « Il lit le ticket, identifie l’intention, complète le contexte à partir de nos bases de données, recontacte les fournisseurs si nécessaire et oriente la demande vers la bonne équipe. »

Au-delà du routage, Wayfair a déployé une douzaine de flux d’IA agentique pour des équipes de résolution spécifiques Par exemple, un copilote pour l’équipe des opérations des pièces de remplacement analyse des historiques de cas complexes, propose les prochaines étapes et suggère des réponses que les collaborateurs valident. Ces assistants sont entraînés sur des données historiques afin d’apprendre à quoi ressemble une résolution réussie dans son contexte. « Les modèles peuvent synthétiser le contexte sur l’ensemble du parcours d’une manière qu’un seul collaborateur aurait du mal à reproduire », explique Ganssle. « Cette visibilité accrue contribue à une plus grande satisfaction des clients et des fournisseurs. »

Wayfair mesure la fréquence à laquelle les recommandations de l’IA correspondent à la décision finale de l’agent humain—un indicateur appelé « taux d’alignement ». Au sein de chaque équipe, lorsque le taux d’alignement atteint de manière constante un seuil prédéfini, les flux de travail peuvent passer d’un mode assisté (« copilote ») à un mode semi-autonome (« autopilote »). Cette approche progressive renforce la confiance et garantit des contrôles de qualité lors du déploiement.

Wayfair constate des améliorations mesurables depuis l’intégration des modèles OpenAI dans ses systèmes internes.

Côté catalogue, l’entreprise a réduit le nombre d’attributs produits erronés ou manquants visibles par les clients—en corrigeant 2,5 millions d’attributs sur plus d’un million des produits les plus visibles et les plus achetés du catalogue Wayfair. Ils s'attendent à quadrupler cet impact au cours des six prochains mois.

Dans le support fournisseurs, les systèmes de triage, de copilote et d’autopilote ont augmenté le volume traité en automatisant 41 000 tickets par mois (jusqu’à 70 % dans certains flux) et ont réduit les délais de traitement en éliminant les tâches manuelles répétitives des charges de travail des équipes. Cela réduit considérablement les délais de résolution pour plusieurs flux de travail, améliore nettement la satisfaction des fournisseurs et diminue les réouvertures de tickets dans ces flux.

La visibilité élargie que les modèles offrent sur les tickets et l’intention des fournisseurs—au-delà de ce qu’un seul collaborateur peut voir à l’écran—a contribué à cette hausse de satisfaction.

Sur le plan opérationnel, les équipes indiquent :

• Acheminement et résolution plus rapides des tickets fournisseurs complexes
• Satisfaction accrue des fournisseurs
• Réduction de la saisie manuelle de données et du travail de classification
• Couverture plus large des problématiques sans nécessiter d'expertise sur des centaines de sujets
• Une plus grande confiance dans les attributs du catalogue avant la publication.

Wayfair a également déployé plus de 1 200 licences ChatGPT Enterprise auprès d'environ 12 000 employés afin de soutenir les tâches ponctuelles, la résolution de problèmes en interne et l’expérimentation avec les modèles génératifs.

Wayfair a une longue expérience d’investissement dans le machine learning et de collaboration avec des plateformes d’IA et des fournisseurs de LLM pour faire évoluer ses activités. Aujourd'hui, les avancées des modèles de pointe, en particulier des systèmes multimodaux, élargissent ce que ses équipes peuvent créer. Cela est particulièrement important dans le secteur de l’ameublement, où les produits sont visuels, stylistiques et souvent subjectifs.

« Nous sommes enthousiastes quant à l’étendue des problèmes que nous pouvons désormais traiter », explique Carolyn Phillips. « Les algorithmes traditionnels nécessitent des jeux de données strictement définis. Ces modèles nous permettent de gérer l’ambiguïté et le contexte d’une manière qui n’était pas évolutive auparavant. » 

À l’avenir, la demande des employés pour ChatGPT Enterprise est forte. Les équipes chez Wayfair le considèrent comme un outil concret qui les aide à avancer plus vite.

Les attentes des clients évoluent également rapidement. De plus en plus de consommateurs sont à l’aise avec l’IA dans leur vie quotidienne et commencent à attendre des capacités similaires lorsqu’ils naviguent, comparent et achètent en ligne.

« À la maison, les clients n'ont souvent pas les mots exacts pour décrire ce qu'ils recherchent », a déclaré Fiona Tan. « Le langage naturel et les systèmes multimodaux aident à combler cet écart. »

Pour les dirigeants de Wayfair, l'objectif reste de renforcer l'expertise humaine tout en développant les capacités internes. « Nous construisons pour un monde où l’IA fait partie du parcours d’achat—que ce soit sur notre site, via le support ou à travers des interfaces conversationnelles », conclut Fiona Tan.