A Wayfair az OpenAI-jal katalógust pontosít és támogatást gyorsít

A világ egyik legnagyobb háztartási cikkeket forgalmazó kiskereskedője, a Wayfair, integrálta az OpenAI modelleket kritikus belső rendszereibe, hogy skálázható módon javítsa a beszállítói támogatási munkafolyamatokat és a termékkatalógus minőségét. A 2024-ben kis léptékű értékteszteléssel kezdődő kezdeményezés mára teljes körű éles rendszerré nőtte ki magát, amely csökkenti a manuális munkát, gyorsítja a döntéshozatalt, és javítja az adatok minőségét több millió termék esetében.

Ahelyett, hogy a generatív AI-ra kísérletként vagy pontmegoldásként tekintett volna, a Wayfair OpenAI-modelleket ágyazott be az alapvető operatív munkafolyamatokba. A vállalat először arra összpontosított, ahol a komplexitás és a skálázás iránti igény a legnagyobb volt: a beszállítói támogatási kérések útvonalának meghatározására és megoldására, valamint több tízezer termékattribútum következetes javítására egy nagyjából 30 millió tételből álló katalógusban.

A Wayfair katalóguscsapata több tízmillió terméket kezel csaknem ezer különböző termékkategóriában. Az egységes és pontos termékjellemző-címkék – például a színre, anyagra, méretre vagy egyedi jellemzőkre vonatkozó adatok – elengedhetetlenek a kereséshez, az ajánlásokhoz és a termékek hatékony megjelenítéséhez.   

„Minél jobb az adataink minősége, annál nagyobb bizalmat építünk ki az ügyféllel. Ez azért létfontosságú, mert ezáltal a vásárlóink képesek meghozni a helyes vásárlási döntéseket hozzák meg, és közvetlenül csökkenti a költséges, később jelentkező problémákat, például a félrevezetően bemutatott termékek miatti visszaküldéseket.” - mondta Jessica D'Arcy, a Wayfair katalógusalapú értékesítésért felelős társigazgatója. 

Az OpenAI előtt a címkézési fejlesztések elsősorban a beszállítókra és az ügyfelekre támaszkodtak, hogy jelezzék a Wayfairnek, ha valami hibásnak tűnt. A manuális erőfeszítés nem tudta tartani a lépést a volumennel.  A korai, egyedi AI-modellek az egyes címkékhez hatékonyak voltak, de a fejlesztés és a karbantartás drágának bizonyult. „Egyedi modelleket kezdtünk építeni az egyes címkékhez, és technikailag ez működött is” – mondta Carolyn Phillips, a Wayfair gépi tanulással foglalkozó vezető kutatója. „De amikor 47 000 címkét nézel, ez a megközelítés egyszerűen nem skálázódik.”

Hogy túllépjenek az egyedi, elszigetelt modellek használatán, a Wayfair egy címkefüggetlen rendszert hozott létre, amely egyetlen OpenAI-modellre épül. Egy „definíciós ügynök” a webes és belső definíciók alapján minden címkéhez meghatározza a kontextus szerinti jelentést. „Az igazi szűk keresztmetszetet nem a modell teljesítménye jelentette” – mondta Phillips. „Hanem az az emberi munka, amely ahhoz kellett, hogy pontosan meghatározzuk és leképezzük, mit jelent valójában egy-egy címke.” Ez a kontextus – a Wayfair teljes adatökoszisztémájából összegyűjtött termékadatokkal együtt – egy olyan keretrendszerbe kerül, amely képes a termékjellemzők besorolására a különböző termékkategóriákban. A csapat most 70-szer gyorsabban terjeszti ki a modell lefedettségét új attribútumokra, mint csupán egy évvel ezelőtt.

A rendszer már több mint 1 millió terméknél fut éles környezetben. Az első, bővített attribútumokkal ellátott termékcsoport pedig már elég régóta él ahhoz, hogy mérni lehessen, milyen hatással van a jobb adatminőség a vásárlói útra.  „Amikor javul az attribútumok teljessége, az nem valami elvont dolog. Megjelenik a SEO és a PLA teljesítményében is – abban, ahogyan a vásárlók rátalálnak a termékekre” – mondta Phillips. Egy kontrollált A/B-teszt alapján a tesztcsoportban jelentősen és statisztikailag is szignifikánsan nőtt a megjelenések és a kattintások száma, valamint javult a helyezés a keresési eredményekben.

A Wayfair azonban nem egyszerűen a modellre bízta a termékadatok javításával kapcsolatos döntéseket. „Az a célunk, hogy bizalmat építsünk, és a vásárlók teljesen biztosan tudhassák, mit vásárolnak” – mondta Phillips. A vállalat strukturált tesztelési folyamatot dolgozott ki egy gyakorlati auditeljárással, amelyben a munkatársak fizikailag is megvizsgálják a mintákat a modellkimenet ellenőrzése érdekében, emellett a beszállítókkal is egyeztetik a módosításokat. Most, hogy már magas a megbízhatóság az adatok alapján, az automatizált rendszerek közvetlenül felülírják a tartalmat, és értesítik a beszállítót a változtatásról. Ha pedig ez a magas színvonal nem teljesül, vagy az adott címke magas kockázatúnak minősül, a Wayfair először a beszállító jóváhagyását kéri, és csak utána módosít.

A Wayfair több tízezer beszállítóval dolgozik együtt, hogy támogassa azok átfogó termékkatalógusát. A beszállítói támogatási kérések kezeléséhez a Wayfair munkatársai korábban minden beérkező jegyet manuálisan átnéztek, meghatározták, hogy a beszállító mit próbál elérni, majd az ügyet a megfelelő belső felelősnek továbbították—ez időigényes és hibalehetőségekkel teli folyamat volt. „A beszállítói kérések egyáltalán nem egyszerűek” – mondta Graham Ganssle, a Wayfair beszállítói támogatásért és működésért felelős munkatársa. „Százféle problématípust ölelnek fel, és egyetlen munkatárs sem tudja mindet teljesen átlátni.”

A Wayfair AI-támogatott funkciókkal bővítette a Wilma nevű termékét, hogy segítsen optimalizálni a beszállítói támogatási munkafolyamatokat. Az egyik első éles funkció a jegyek triázsa, amelyet egy OpenAI-modell végez. A rendszer felolvassa a beérkező kéréseket, kitölti a hiányzó kontextust, és a jegyeket a megfelelő csapathoz irányítja. A Wilmát gyors telepítésre tervezték: a már OpenAI API-kkal integrált rendszerre építve a prototípusból kb. egy hónap alatt éles rendszer lett. „Wilma előnyt biztosít a munkatársaknak” – mondta Ganssle. „Elolvassa a jegyet, meghatározza a célt, a mi adatbázisainkból kiegészíti a kontextust, szükség esetén kapcsolatba lép a beszállítókkal, és a problémát a megfelelő irányba továbbítja.”

A jegyek továbbítása mellett a Wayfair tucatnyi AI-támogatott folyamatot telepített konkrét megoldó csapatok számára. Például a Replacement Part Operations csapat számára készült co-pilot áttekinti a bonyolult ügytörténeteket, javasolja a következő lépéseket, és előterjesztett válaszokat készít, amelyeket az emberi munkatársak ellenőriznek. Ezek az asszisztensek történeti adatokon lettek betanítva, így megtanulják, hogy a sikeres megoldás hogyan néz ki a kontextusban. „A modellek képesek a teljes ügyfél- és beszállítói folyamat kontextusát összegezni, amit egyetlen munkatárs nehezen tudna” – mondta Ganssle. „Ez a szélesebb láthatóság nagyobb ügyfél- és beszállítói elégedettséghez vezet.”

A Wayfair nyomon követi, hogy milyen gyakran egyeznek az AI javaslatai az emberi munkatárs végső döntésével—ezt a mutatót egyeztetési aránynak („alignment rate) hívják. Ha egy csapaton belül az egyeztetési arány tartósan eléri az előre meghatározott küszöböt, a munkafolyamatok átválthatnak asszisztens („co-pilot”) módról félautonóm („autopilot”) módra. Ez a fokozatos megközelítés bizalmat épít, és biztosítja a minőségellenőrzést a bevezetés során.

A Wayfair mérhető javulásokról számol be az OpenAI-modellek belső rendszereibe történő beépítése óta.

A vállalat csökkentette a hibás vagy hiányzó termékattribútum-címkék számát, amelyeket a vásárlók láthatnak—több mint 2,5 millió termékcímkét javítottak a Wayfair katalógusában található, legtöbbet megnézett és vásárolt több mint egymillió terméknél. A cég azt tervezi, hogy a következő hat hónapban négyszeresére növeli ezt a hatást.

A beszállítói támogatásban a triázs-, asszisztált és automatikus működésű rendszerek havi 41 000 jegy feldolgozását automatizálták – egyes munkafolyamatokban ez akár 70%-os javulást is jelentett –, és csökkentették az átfutási időt azzal, hogy mentesítették a munkatársakat a rutinszerű manuális feladatok alól. Ez több munkafolyamatban is jelentősen lerövidíti a megoldási időt, számottevően növeli a beszállítói elégedettséget, és csökkenti a jegyek újbóli megnyitásának számát ezekben a folyamatokban.

A modell által a jegyekbe és a beszállítói szándékba nyújtott szélesebb körű betekintés—azon túl, amit egyetlen munkatárs a képernyőn látni tud—hozzájárult az elégedettség növekedéséhez.

Működés szempontjából a csapatok a következőkről számolnak be:

• A bonyolult beszállítói jegyek gyorsabb továbbítása és megoldása
• Megnövekedett beszállítói elégedettség
• Kevesebb manuális adatbevitel és osztályozási munka
• Szélesebb körű témalefedettség anélkül, hogy több száz témakörben szakértelmet követelne meg
• Nagyobb bizalom a katalógusattribútumokban a közzététel előtt.

A Wayfair több mint 1 200 ChatGPT Enterprise felhasználói licencet telepített a körülbelül 12 000 fős munkavállalói állományában, hogy támogassa az eseti feladatokat, a belső problémamegoldást, és lehetővé tegye a generatív modellekkel való kísérletezést.

A Wayfair régóta fektet be a gépi tanulásba, és hosszú ideje működik együtt MI-platformokkal és nagy nyelvi modelleket fejlesztő szolgáltatókkal az üzleti céljai előmozdítása érdekében. A legfejlettebb modellek, különösen a multimodális rendszerek előrelépései már kiszélesítik, milyen megoldásokat tudnak létrehozni a csapataik. Ez különösen fontos a lakberendezési kiskereskedelemben, ahol a termékeknél sokat számít a kinézet és a stílus, a megítélésük pedig gyakran szubjektív.

„Izgatottan várjuk, hogy milyen különböző problémákkal tudunk most már megbirkózni” – mondta Carolyn Phillips. „A hagyományos algoritmusokhoz szigorúan meghatározott adatkészletek kellenek. Ezek a modellek lehetővé teszik, hogy a homályos vagy kontextusfüggő problémákat skálázható módon kezeljük.” 

Előre tekintve, a munkavállalók kereslete a ChatGPT Enterprise iránt erős. A Wayfair csapatai gyakorlati eszközként tekintenek rá, amely segíti őket a gyorsabb munkavégzésben.

Az ügyfelek elvárásai szintén gyorsan változnak. Egyre több vásárló érzi magát komfortosan az AI mindennapi használatával, és egyre inkább hasonló képességeket várnak az online böngészéskor, összehasonlításkor és vásárláskor.

„Otthon a vásárlóknak gyakran hiányoznak a pontos szavaik arra, mit is keresnek” – mondta Fiona Tan. „A természetes nyelvi és multimodális rendszerek segítenek áthidalni ezt a szakadékot.”

A Wayfair vezetőinek a célja továbbra is az, hogy kiegészítsék az emberi szakértelmet, miközben skálázzák a belső képességeket. „Egy olyan világ számára építünk, ahol az AI a vásárlási folyamat része – legyen szó a webhelyünkről, az ügyféltámogatásról vagy a társalgási felületekről” – zárta gondolatait Fiona Tan.