Wayfair tingkatkan akurasi katalog & percepat dukungan via OpenAI

Wayfair, salah satu peritel perlengkapan rumah terbesar di dunia, telah mengintegrasikan model OpenAI ke dalam sistem internal yang penting untuk meningkatkan alur kerja dukungan pemasok dan kualitas katalog produk dalam skala besar. Apa yang dimulai sebagai upaya menguji nilai dari rilis skala kecil pada tahun 2024 telah berkembang menjadi sistem produksi penuh yang mengurangi upaya manual, mempercepat pengambilan keputusan, dan meningkatkan kualitas data di seluruh jutaan produk.

Alih-alih memperlakukan AI generatif sebagai eksperimen atau solusi parsial, Wayfair mengintegrasikan model OpenAI ke dalam alur kerja operasional inti. Perusahaan mula-mula berfokus pada area dengan kompleksitas dan kebutuhan akan skala tertinggi: mengarahkan dan menyelesaikan permintaan dukungan pemasok serta meningkatkan puluhan ribu atribut produk secara konsisten di seluruh katalog yang mencakup sekitar 30 juta item.

Tim katalog Wayfair mengelola puluhan juta produk di hampir seribu kelas produk yang berbeda. Tag atribut produk yang konsisten dan akurat—seperti warna, bahan, ukuran, atau fitur tertentu—sangat penting untuk penelusuran, rekomendasi, dan pemasaran.    

"Semakin baik kualitas data kami, semakin besar kepercayaan yang kami bangun dengan pelanggan. Hal ini sangat penting karena memberdayakan pembeli untuk membuat keputusan pembelian yang tepat, yang secara langsung mengurangi masalah lanjutan yang mahal seperti pengembalian barang akibat produk yang disajikan secara tidak akurat,” kata Jessica D'Arcy, Asisten Direktur Pengelolaan Produk di Wayfair. 

Sebelum OpenAI, peningkatan penandaan utamanya bergantung pada pemasok dan pelanggan untuk memberi tahu Wayfair bahwa ada sesuatu yang tampak salah. Upaya manual tidak dapat mengimbangi volumenya.  Model AI khusus pada tahap awal untuk tag individual efektif, tetapi terbukti mahal untuk dibangun dan dipelihara. “Kami memulai dengan membangun model khusus untuk tag individual, dan secara teknis itu berhasil,” kata Carolyn Phillips, ilmuwan pembelajaran mesin di Wayfair. “Tetapi ketika Anda menangani 47.000 tag, pendekatan itu sama sekali tidak dapat diaplikasikan.”

Untuk melampaui model sekali pakai, Wayfair menciptakan sistem yang tidak bergantung pada tag yang dibangun di atas satu model OpenAI. Sebuah “agen definisi” menyerap definisi dari web maupun internal untuk menghasilkan makna kontekstual bagi setiap tag. “Hambatan yang sebenarnya bukanlah kinerja model,” kata Phillips. “Melainkan waktu yang diperlukan manusia untuk mendefinisikan dan mengodekan apa arti sebenarnya dari setiap tag.” Konteks ini, bersama dengan data produk yang diagregasikan dari seluruh ekosistem data Wayfair, menjadi masukan bagi sebuah kerangka kerja yang dapat mengklasifikasikan atribut di seluruh kelas produk. Kini, tim memperluas cakupan model ke atribut baru dengan laju 70x lipat dibandingkan dengan setahun yang lalu.

Sistem tersebut kini telah berjalan di lingkungan produksi pada lebih dari 1 juta produk. Dan gelombang pertama produk dengan atribut yang disempurnakan kini telah cukup lama tersedia untuk mengukur dampak peningkatan kualitas data terhadap perjalanan pelanggan.  “Ketika Anda meningkatkan kelengkapan atribut, itu bukan sesuatu yang abstrak. Anda melihatnya muncul dalam performa SEO dan PLA—dalam cara pelanggan menemukan produk,” kata Phillips. Uji A/B terkontrol menunjukkan peningkatan yang besar dan signifikan pada tayangan, klik, dan peringkat halaman di grup perlakuan.

Namun, Wayfair tidak begitu saja menyerahkan keputusan tentang memperbaiki data produk kepada model. “Tujuan kami adalah membangun kepercayaan agar pelanggan benar-benar yakin dengan apa yang mereka beli,” kata Phillips. Perusahaan mengembangkan pengujian terstruktur menggunakan proses audit langsung, di mana para staf memeriksa sampel secara fisik untuk memvalidasi output model, dan bekerja sama dengan pemasok untuk memvalidasi perubahan. Kini, ketika tingkat keyakinan berdasarkan data tinggi, sistem otomatis akan langsung menimpa konten dan memberi tahu pemasok tentang perubahan tersebut. Dan, ketika standar yang tinggi tidak terpenuhi atau tag tersebut dianggap berisiko tinggi, Wayfair terlebih dahulu meminta konfirmasi dari pemasok sebelum melakukan perubahan tersebut.

Wayfair bekerja sama dengan puluhan ribu pemasok untuk mendukung katalog komprehensif mereka. Untuk mengelola permintaan dukungan pemasok, secara historis karyawan Wayfair meninjau setiap tiket yang masuk, secara manual mengidentifikasi apa yang ingin dicapai pemasok, dan meneruskan masalah kepada penanggung jawab internal yang tepat—sebuah proses yang memakan waktu dan rentan terhadap kesalahan. “Permintaan pemasok tidak sederhana,” kata Graham Ganssle, bagian dukungan dan operasional pemasok di Wayfair. “Mencakup ratusan jenis masalah, dan tidak ada satu staf pun yang secara realistis dapat menguasai semuanya.”

Wayfair menambahkan fitur agentik ke produk bernama Wilma untuk meningkatkan alur kerja ini dengan AI. Salah satu fitur pertama dalam produksi adalah triase tiket yang didukung oleh model OpenAI. Sistem membaca permintaan yang masuk, melengkapi konteks yang belum ada, dan mengarahkan tiket ke tim yang sesuai. Wilma dirancang agar dapat diterapkan dengan cepat; dibangun di atas sistem yang sudah terintegrasi dengan API OpenAI, sistem ini beralih dari prototipe ke produksi dalam waktu sekitar satu bulan. “Wilma memberi keunggulan kepada karyawan ,” kata Ganssle. “Fitur ini membaca tiket, mengidentifikasi maksudnya, melengkapi konteks dari basis data kami, menghubungi kembali pemasok jika perlu, dan mengarahkan masalah ke jalur yang tepat.”

Selain pengarahan, Wayfair telah menerapkan puluhan alur AI agentik untuk tim penyelesaian tertentu. Misalnya, kopilot untuk tim Operasi Suku Cadang Pengganti membaca riwayat kasus yang kompleks, mengusulkan langkah-langkah selanjutnya, dan menyarankan draf tanggapan yang ditinjau oleh staf manusia. Asisten ini dilatih menggunakan data historis sehingga mereka mempelajari seperti apa kesuksesan dalam konteksnya. “Model dapat menyintesis konteks di seluruh perjalanan secara keseluruhan dengan cara yang sulit dilakukan oleh satu karyawan saja,” kata Ganssle. “Visibilitas yang lebih luas tersebut berkontribusi pada kepuasan pelanggan dan pemasok yang lebih tinggi.”

Wayfair melacak seberapa sering rekomendasi AI sesuai dengan keputusan akhir agen manusia—metrik yang disebut “tingkat keselarasan.” Di dalam setiap tim, ketika keselarasan secara konsisten mencapai ambang batas yang telah ditentukan, alur kerja dapat beralih dari mode bantuan (“kopilot”) ke mode semi-otonom (“autopilot”). Pendekatan bertahap ini membangun kepercayaan dan memastikan kontrol kualitas selama peluncuran.

Wayfair melaporkan peningkatan yang terukur sejak mengintegrasikan model OpenAI ke dalam sistem internal.

Dari sisi katalog, perusahaan mengurangi jumlah tag atribut produk yang salah atau hilang yang mungkin dilihat pelanggan—dengan telah memperbaiki 2,5 juta tag produk pada lebih dari satu juta produk yang paling terlihat dan paling banyak dibeli di katalog Wayfair. Mereka berharap untuk melipatgandakan dampak ini hingga empat kali lipat dalam enam bulan ke depan.

Dalam dukungan pemasok, triase, kopilot, dan sistem autopilot, throughput telah meningkat dengan mengautomasi 41.000 tiket per bulan (hingga 70% dalam beberapa alur kerja) dan waktu penyelesaian berkurang dengan menghilangkan pekerjaan manual rutin dari beban kerja karyawan. Hal ini secara drastis memangkas waktu penyelesaian untuk berbagai alur kerja, secara signifikan meningkatkan kepuasan pemasok, dan mengurangi tiket yang dibuka kembali dalam alur kerja tersebut.

Visibilitas yang lebih luas yang diberikan model terhadap tiket dan maksud pemasok—melampaui apa yang dapat dilihat oleh satu karyawan di layar—telah berkontribusi pada peningkatan kepuasan tersebut.

Secara operasional, tim melaporkan:

• Penyaluran dan penyelesaian tiket pemasok yang kompleks lebih cepat
• Peningkatan kepuasan pemasok
• Entri data manual dan pekerjaan klasifikasi yang berkurang
• Cakupan masalah yang lebih luas tanpa memerlukan keahlian di ratusan topik
• Keyakinan yang lebih tinggi terhadap atribut katalog sebelum dipublikasikan.

Wayfair juga telah mengerahkan lebih dari 1.200 lisensi ChatGPT Enterprise di seluruh tenaga kerjanya yang berjumlah sekitar 12.000 orang untuk mendukung tugas ad hoc, pemecahan masalah internal, dan eksperimen dengan model generatif.

Wayfair memiliki sejarah panjang dalam berinvestasi dalam pembelajaran mesin dan berkolaborasi dengan platform AI dan penyedia LLM untuk memajukan bisnis mereka. Kini, kemajuan dalam model terdepan, terutama sistem multimodal, memperluas apa yang dapat dibangun oleh timnya. Hal itu penting dalam ritel perlengkapan rumah, di mana produk sangat mengandalkan tampilan visual, gaya, dan sering kali bersifat subjektif.

“Kami antusias dengan cakupan masalah yang kini dapat kami tangani,” kata Carolyn Phillips. “Algoritma tradisional memerlukan kumpulan data yang didefinisikan secara ketat. Model-model ini memungkinkan kami untuk mengatasi ambiguitas dan konteks dengan cara yang sebelumnya tidak dapat diskalakan.” 

Melihat ke depan, permintaan karyawan terhadap ChatGPT Enterprise cukup kuat. Tim di Wayfair melihatnya sebagai alat praktis yang membantu mereka bergerak lebih cepat.

Ekspektasi pelanggan juga berubah dengan cepat. Semakin banyak pembeli yang merasa nyaman menggunakan AI dalam kehidupan sehari-hari mereka, dan mereka mulai mengharapkan kemampuan serupa saat menjelajahi, membandingkan, dan membeli secara online.

“Di rumah, pelanggan sering kali tidak memiliki kata-kata yang tepat untuk apa yang mereka cari,” kata Fiona Tan. “Bahasa alami dan sistem multimodal membantu mengatasi masalah tersebut.”

Bagi para pemimpin Wayfair, tujuannya tetap untuk meningkatkan keahlian manusia sekaligus meningkatkan kapabilitas internal. “Kami sedang membangun dunia di mana AI menjadi bagian dari perjalanan belanja—baik itu di situs kami, melalui dukungan, maupun melalui antarmuka percakapan,” simpul Fiona Tan.