Wayfair OpenAI के साथ कैटलॉग की सटीकता और सपोर्ट की गति बढ़ाता है

Wayfair, जो दुनिया के सबसे बड़े होम गुड्स रिटेलर्स में से एक है, ने सप्लायर सपोर्ट वर्कफ़्लोज़ और प्रॉडक्ट कैटलॉग की गुणवत्ता को बड़े स्तर पर सुधारने के लिए OpenAI मॉडल्स को अपने महत्वपूर्ण इंटरनल सिस्टम्स में इंटीग्रेट किया है. जो 2024 में छोटे स्तर के वैल्यू-टेस्टिंग रिलीज़ से शुरू हुआ था, वह अब एक पूर्ण प्रोडक्शन सिस्टम में बदल गया है, जो मैन्युअल मेहनत को कम करता है, निर्णय लेने की गति बढ़ाता है और लाखों प्रॉडक्ट्स में डेटा की गुणवत्ता सुधारता है.

जनरेटिव AI को केवल एक प्रयोग या पॉइंट सॉल्यूशन मानने के बजाय, Wayfair ने OpenAI मॉडल्स को अपने कोर ऑपरेशनल वर्कफ़्लोज़ में एम्बेड किया. कंपनी ने पहले उन क्षेत्रों पर ध्यान दिया जहाँ जटिलता और स्केल की ज़रूरत सबसे अधिक थी: सप्लायर सपोर्ट रिक्वेस्ट्स को रूट और सॉल्व करना, और लगभग 30 मिलियन आइटम्स वाले कैटलॉग में हजारों प्रॉडक्ट एट्रिब्यूट्स को लगातार सुधारना.

Wayfair की कैटलॉग टीम लगभग एक हज़ार अलग-अलग प्रॉडक्ट क्लासेस में करोड़ों प्रॉडक्ट्स को मैनेज करती है. लगातार और सटीक प्रॉडक्ट एट्रिब्यूट टैग्स—जैसे रंग, सामग्री, आकार या विशेष फीचर्स—सर्च, सिफारिशों और मर्चेंडाइजिंग के लिए आवश्यक हैं.

“हमारी डेटा गुणवत्ता जितनी बेहतर होती है, उतना ही हम ग्राहक के साथ भरोसा बनाते हैं. यह इसलिए महत्वपूर्ण है क्योंकि यह खरीदारों को सही खरीद निर्णय लेने में सक्षम बनाता है, जिससे गलत तरीके से दिखाए गए प्रॉडक्ट्स के कारण होने वाले महंगे रिटर्न जैसे downstream मुद्दे सीधे कम होते हैं,” Jessica D'Arcy, Associate Director of Catalog Merchandising, Wayfair ने कहा.

OpenAI से पहले, टैगिंग सुधार मुख्य रूप से सप्लायर्स और ग्राहकों पर निर्भर थे कि वे Wayfair को बताएं कि कुछ गलत दिख रहा है. मैन्युअल प्रयास इस मात्रा के साथ तालमेल नहीं रख पाए.  अलग-अलग टैग्स के लिए शुरुआती कस्टम AI मॉडल्स प्रभावी थे, लेकिन उन्हें बनाना और बनाए रखना महंगा साबित हुआ. “हमने अलग-अलग टैग्स के लिए कस्टम मॉडल्स बनाकर शुरुआत की, और तकनीकी रूप से यह काम कर रहा था,” Wayfair की स्टाफ मशीन लर्निंग साइंटिस्ट Carolyn Phillips ने कहा. “लेकिन जब आप 47,000 टैग्स देखते हैं, तो यह तरीका स्केल नहीं करता.”

वन-ऑफ मॉडल्स से आगे बढ़ने के लिए, Wayfair ने एक सिंगल OpenAI मॉडल पर आधारित टैग-अज्ञेय सिस्टम बनाया. एक “डेफिनिशन एजेंट” वेब और इंटरनल डिफिनिशन्स को इनजेस्ट करके हर टैग के लिए संदर्भ के अनुसार अर्थ तैयार करता है. “असल बाधा मॉडल परफॉर्मेंस नहीं थी,” Phillips ने कहा. “यह वह मानव समय था जो हर टैग का असली मतलब परिभाषित और एन्कोड करने में लगता था.” यह संदर्भ, Wayfair के डेटा इकोसिस्टम से एकत्रित प्रॉडक्ट डेटा के साथ मिलकर, एक ऐसे फ्रेमवर्क में जाता है जो अलग-अलग प्रॉडक्ट क्लासेस में एट्रिब्यूट्स को वर्गीकृत कर सकता है. टीम अब नए एट्रिब्यूट्स के लिए मॉडल कवरेज को एक साल पहले की तुलना में 70 गुना तेजी से बढ़ा रही है.

यह सिस्टम अब 1 मिलियन से अधिक प्रॉडक्ट्स पर प्रोडक्शन में चल चुका है. और बेहतर किए गए एट्रिब्यूट्स वाले प्रॉडक्ट्स की पहली लहर अब इतनी देर तक लाइव रही है कि ग्राहक यात्रा पर डेटा गुणवत्ता सुधार के प्रभाव को मापा जा सके.  “जब आप एट्रिब्यूट की पूर्णता सुधारते हैं, तो यह केवल सैद्धांतिक नहीं रहता. आप इसे SEO और PLA परफॉर्मेंस में देखते हैं—इसमें कि ग्राहक प्रॉडक्ट्स को कैसे खोजते हैं,” Phillips ने कहा. एक नियंत्रित A/B टेस्ट में ट्रीटमेंट ग्रुप में इम्प्रेशन्स, क्लिक और पेज रैंक में महत्वपूर्ण और स्पष्ट वृद्धि देखी गई.

हालांकि, Wayfair ने प्रॉडक्ट डेटा सुधारने के फैसले सीधे मॉडल को नहीं सौंपे. “हमारा लक्ष्य भरोसा बनाना है, ताकि ग्राहक जो खरीद रहे हैं उसमें पूरी तरह आश्वस्त हों,” Phillips ने कहा. कंपनी ने एक structured टेस्टिंग प्रक्रिया विकसित की, जिसमें हैंड्स-ऑन ऑडिट के जरिए सहयोगी नमूनों का भौतिक निरीक्षण करते हैं ताकि मॉडल आउटपुट को वेरिफ़ाई किया जा सके, और बदलावों को वेरिफ़ाई करने के लिए सप्लायर्स के साथ काम किया जाता है. अब, जब डेटा-आधारित भरोसा उच्च होता है, तो ऑटोमेटेड सिस्टम्स सीधे कंटेंट को ओवरराइट कर देते हैं और सप्लायर को बदलाव की सूचना देते हैं. और जब उच्च मानक पूरा नहीं होता या टैग को उच्च जोखिम वाला माना जाता है, तो Wayfair बदलाव करने से पहले सप्लायर से पुष्टि करता है.

Wayfair अपने व्यापक कैटलॉग को सपोर्ट करने के लिए हजारों सप्लायर्स के साथ काम करता है. सप्लायर सपोर्ट रिक्वेस्ट्स को मैनेज करने के लिए, Wayfair के सहयोगी पहले हर आने वाले टिकट की समीक्षा करते थे, मैन्युअली यह पहचानते थे कि सप्लायर क्या करना चाहते हैं, और इश्यू को सही इंटरनल ओनर तक रूट करते थे—यह एक समय लेने वाली और त्रुटि-प्रवण प्रक्रिया थी. “सप्लायर रिक्वेस्ट्स सरल नहीं होतीं,” Wayfair में सप्लायर सपोर्ट और ऑपरेशन्स से जुड़े Graham Ganssle ने कहा. “ये सैकड़ों इश्यू टाइप्स को कवर करती हैं, और कोई एक व्यक्ति इन्हें पूरी तरह मास्टर नहीं कर सकता.”

Wayfair ने इन वर्कफ़्लोज़ को AI के साथ बेहतर बनाने के लिए Wilma नाम के प्रॉडक्ट में एजेंटिक फीचर्स जोड़े. प्रोडक्शन में शुरुआती फीचर्स में से एक है टिकट ट्रायेज, जो OpenAI मॉडल द्वारा संचालित है. यह सिस्टम आने वाली रिक्वेस्ट्स को पढ़ता है, गायब संदर्भ भरता है और टिकट्स को सही टीम तक रूट करता है. Wilma को तेज़ी से डिप्लॉय करने के लिए डिज़ाइन किया गया था; OpenAI APIs के साथ पहले से इंटीग्रेटेड सिस्टम पर बना होने के कारण, यह लगभग एक महीने में प्रोटोटाइप से लाइव हो गया. “Wilma सहयोगियों को बेहतर क्षमता देता है,” Ganssle ने कहा. “यह टिकट पढ़ता है, इंटेंट पहचानता है, हमारे डेटाबेस से संदर्भ भरता है, ज़रूरत पड़ने पर सप्लायर्स से फिर संपर्क करता है, और इश्यू को सही दिशा में ले जाता है.”

रूटिंग से आगे बढ़ते हुए, Wayfair ने विशेष समाधान टीमों के लिए एक दर्जन एजेंटिक AI फ्लोज़ डिप्लॉय किए हैं. उदाहरण के लिए, रिप्लेसमेंट पार्ट ऑपरेशन्स टीम के लिए एक को-पायलट जटिल केस हिस्ट्री पढ़ता है, अगले कदम सुझाता है और ड्राफ्ट जवाब प्रस्तावित करता है, जिन्हें मानव सहयोगी रिव्यू करते हैं. ये असिस्टेंट्स ऐतिहासिक डेटा पर ट्रेन किए गए हैं, ताकि वे समझ सकें कि संदर्भ में सफलता कैसी दिखती है. “मॉडल्स पूरे सफर में फैले संदर्भ को इस तरह जोड़ सकते हैं, जो किसी एक सहयोगी के लिए करना मुश्किल होता है,” Ganssle ने कहा. “यह व्यापक दृश्यता ग्राहक और सप्लायर संतुष्टि को बढ़ाती है.”

Wayfair यह ट्रैक करता है कि AI की सिफारिशें कितनी बार मानव एजेंट के अंतिम निर्णय से मेल खाती हैं—इसे “एलाइनमेंट रेट” कहा जाता है. हर टीम के भीतर, जब एलाइनमेंट लगातार तय सीमा तक पहुँच जाता है, तो वर्कफ़्लोज़ असिस्टिव (“को-पायलट”) से सेमी-ऑटोनॉमस (“ऑटो-पायलट”) मोड में शिफ्ट हो सकते हैं. यह चरणबद्ध अप्रोच भरोसा बनाता है और रोलआउट के दौरान क्वालिटी कंट्रोल सुनिश्चित करता है.

Wayfair ने OpenAI मॉडल्स को इंटरनल सिस्टम्स में इंटीग्रेट करने के बाद मापने योग्य सुधार रिपोर्ट किए हैं.

कैटलॉग के स्तर पर, कंपनी ने ग्राहकों को दिखने वाले गलत या गायब प्रॉडक्ट एट्रिब्यूट टैग्स की संख्या कम की—Wayfair कैटलॉग के सबसे अधिक दिखाई देने वाले और खरीदे जाने वाले एक मिलियन से अधिक प्रॉडक्ट्स में 2.5M टैग्स को सही किया. वे अगले छह महीनों में इस प्रभाव को चार गुना करने की उम्मीद करते हैं.

सप्लायर सपोर्ट में, ट्रायेज, को-पायलट और ऑटो-पायलट सिस्टम्स ने प्रति माह 41,000 टिकट्स को ऑटोमेट करके थ्रूपुट बढ़ाया है (कुछ वर्कफ़्लोज़ में 70% तक) और नियमित मैन्युअल काम को कम करके टर्नअराउंड टाइम घटाया है. इससे कई वर्कफ़्लोज़ में समाधान का समय काफी कम होता है, सप्लायर संतुष्टि बढ़ती है और टिकट्स के दोबारा खुलने की घटनाएँ घटती हैं.

मॉडल्स जो व्यापक दृश्यता टिकट्स और सप्लायर इंटेंट में देते हैं—जो एक अकेला सहयोगी स्क्रीन पर देख सकता है उससे आगे—उसी ने संतुष्टि में इस बढ़ोतरी में योगदान दिया है.

ऑपरेशनल स्तर पर, टीमें बताती हैं:

• जटिल सप्लायर टिकट्स की तेज़ रूटिंग और समाधान
• सप्लायर संतुष्टि में वृद्धि
• मैन्युअल डेटा एंट्री और वर्गीकरण के काम में कमी
• सैकड़ों विषयों में विशेषज्ञता की आवश्यकता के बिना व्यापक इश्यू कवरेज
• पब्लिकेशन से पहले कैटलॉग एट्रिब्यूट्स में अधिक भरोसा.

Wayfair ने अपने लगभग 12,000 कर्मचारियों में 1,200 से अधिक ChatGPT Enterprise सीट्स डिप्लॉय की हैं, ताकि एड-हॉक टास्क्स, इंटरनल समस्या समाधान और जनरेटिव मॉडल्स के साथ प्रयोग को सपोर्ट किया जा सके.

Wayfair का मशीन लर्निंग में निवेश और AI प्लेटफॉर्म्स व LLM प्रोवाइडर्स के साथ सहयोग का लंबा इतिहास रहा है, जिससे उनके बिज़नेस को आगे बढ़ाया गया है. अब फ्रंटियर मॉडल्स, खासकर मल्टीमोडल सिस्टम्स में प्रगति, उनकी टीमों की निर्माण क्षमता को और बढ़ा रही है. यह होम रिटेल में खास मायने रखता है, जहाँ प्रॉडक्ट्स विज़ुअल, स्टाइल पर आधारित और अक्सर व्यक्तिपरक होते हैं.

“अब हम जिन समस्याओं को हल कर सकते हैं, उनके दायरे को लेकर हम उत्साहित हैं,” Carolyn Phillips ने कहा. “पारंपरिक एल्गोरिद्म के लिए सटीक रूप से परिभाषित डेटासेट्स की आवश्यकता होती है. ये मॉडल्स हमें अस्पष्टता और संदर्भ के साथ उस तरीके से काम करने की अनुमति देते हैं, जो पहले स्केलेबल नहीं था.” 

आगे देखते हुए, ChatGPT Enterprise के लिए कर्मचारियों की मांग मजबूत रही है. Wayfair की टीमें इसे एक व्यावहारिक टूल मानती हैं जो उन्हें तेज़ी से काम करने में मदद करता है.

ग्राहक अपेक्षाएँ भी तेजी से बदल रही हैं. अधिक ग्राहक अपनी रोज़मर्रा की ज़िंदगी में AI का उपयोग करने में सहज हो रहे हैं, और वे ऑनलाइन ब्राउज़, तुलना और खरीदारी करते समय भी ऐसी ही क्षमताओं की अपेक्षा करने लगे हैं.

“घर पर, ग्राहकों के पास अक्सर वह सटीक शब्द नहीं होते जो वे ढूंढ रहे होते हैं,” Fiona Tan ने कहा. “नेचुरल लैंग्वेज और मल्टीमोडल सिस्टम्स उस अंतर को भरने में मदद करते हैं.”

Wayfair के नेताओं के लिए, लक्ष्य मानव विशेषज्ञता को बढ़ाना और साथ ही इंटरनल क्षमता को स्केल करना है. “हम एक ऐसी दुनिया के लिए निर्माण कर रहे हैं जहाँ AI शॉपिंग जर्नी का हिस्सा है—चाहे वह हमारी साइट पर हो, सपोर्ट के माध्यम से हो, या कन्वर्सेशनल इंटरफेसेस के जरिए,” Fiona Tan ने कहा.