Wayfair ningkataké akurasi katalog lan kacepetan dhukungan

Wayfair, salah siji pengecer perlengkapan omah paling gedhé ing donya, wis ngintegrasèkaké model OpenAI menyang sistem internal penting kanggo ningkataké alur kerja dhukungan pemasok lan kualitas katalog produk kanthi skala gedhé. Sing wiwitane mung uji nilai saka rilis skala cilik ing 2024, saiki wis dadi sistem produksi lengkap sing nyuda gawé manual, nyepetaké pangambilan keputusan, lan ningkataké kualitas data ing mayuta-yuta produk.

Tinimbang nganggep AI generatif mung eksperimen utawa solusi titik, Wayfair nancepaké model OpenAI menyang alur kerja operasional inti. Perusahaan iki luwih dhisik fokus ing area sing paling rumit lan paling butuh skala: ngerutekaké lan ngrampungaké panjalukan dhukungan pemasok lan ningkataké puluhan ewu atribut produk kanthi konsisten ing katalog sing isiné kurang luwih 30 yuta item.

Tim katalog Wayfair ngatur puluhan yuta produk ing meh sewu kelas produk sing béda. Tag atribut produk sing konsisten lan akurat—kayata warna, bahan, ukuran, utawa fitur tartamtu—iku penting kanggo panelusuran, rekomendasi, lan merchandising.    

"Saya apik kualitas data kami, saya gedhé kapercayan sing bisa dibangun karo pelanggan. Iki penting banget amarga mbantu pembeli njupuk keputusan tuku sing pas, lan langsung nyuda masalah larang ing tahap sabanjuré kayata pengembalian amarga produk digambaraké ora akurat," ujare Jessica D'Arcy, Associate Director of Catalog Merchandising ing Wayfair. 

Sadurungé OpenAI, perbaikan tag utamané gumantung marang pemasok lan pelanggan kanggo ngandhani Wayfair manawa ana sing katon salah. Gawé manual ora bisa ngimbangi volume sing ana. Model AI kustom awal kanggo tag siji-siji pancèn efektif, nanging kabukten larang kanggo dibangun lan dirawat. “Kita miwiti kanthi mbangun model khusus kanggo saben tag, lan sacara teknis kuwi bisa,” ujare Carolyn Phillips, staf ilmuwan machine learning Wayfair. “Nanging nalika sampeyan ngadhepi 47.000 tag, pendekatan kuwi ora bakal bisa diskalaké.”

Kanggo ngluwihi model siji-siji, Wayfair nggawe sistem sing ora gumantung marang tag tartamtu lan dibangun ing ndhuwur siji model OpenAI. Sawijining “agen definisi” nyerna web lan definisi internal kanggo ngasilaké makna kontekstual kanggo saben tag. “Hambatan sejatiné dudu kinerja modelé,” ujare Phillips. “Nanging wektu manungsa sing dibutuhaké kanggo netepaké lan ngode apa teges saben tag saktenané.” Konteks iki, bebarengan karo data produk sing dikumpulaké saka ekosistem data Wayfair, mlebu menyang kerangka kerja sing bisa nggolongaké atribut ing macem-macem kelas produk. Saiki tim lagi ngembangaké cakupan model menyang atribut anyar kanthi laju 70 kaping luwih cepet tinimbang setaun kepungkur.

Sistem iki saiki wis mlaku ing produksi kanggo luwih saka 1 yuta produk. Lan gelombang pisanan produk kanthi atribut sing wis ditingkataké saiki wis cukup suwé aktif kanggo ngukur pengaruh perbaikan kualitas data marang perjalanan pelanggan.  “Nalika sampeyan ningkataké kelengkapan atribut, asilé ora abstrak. Sampeyan bisa ndelok pengaruhé ing kinerja SEO lan PLA—ing cara pelanggan nemokaké produk,” ujare Phillips. Uji A/B sing dikontrol nuduhaké kenaikan sing gedhé lan signifikan ing impresi, klik, lan peringkat kaca ing klompok perlakuan.

Nanging, Wayfair ora mung nyerahaké keputusan kanggo mbeneraké data produk marang model. “Tujuan kami yaiku mbangun kapercayan supaya pelanggan yakin tenan marang apa sing dituku,” ujare Phillips. Perusahaan ngembangaké pengujian terstruktur liwat proses audit langsung nalika karyawan mriksa sampel sacara fisik kanggo mvalidasi output model, lan kerja bareng pemasok kanggo mvalidasi owah-owahan. Saiki, nalika kapercayan adhedhasar data wis dhuwur, sistem otomatis bakal langsung nimpa konten lan ngabari pemasok babagan owah-owahan kasebut. Lan nalika standar dhuwur durung kasil digayuh utawa tag dianggep berisiko dhuwur, Wayfair luwih dhisik njaluk konfirmasi saka pemasok sadurungé nindakake owah-owahan.

Wayfair kerja bareng puluhan ewu pemasok kanggo ndhukung katalogé sing komprehensif. Kanggo ngatur panjalukan dhukungan pemasok, biyèn karyawan Wayfair mriksa saben tiket sing mlebu, ngenali kanthi manual apa sing arep ditindakaké pemasok, lan ngerutekaké masalah menyang penanggung jawab internal sing bener—proses sing ngentèkaké wektu lan rawan salah. “Panjalukan pemasok kuwi ora sederhana,” ujare Graham Ganssle, supplier support and operations ing Wayfair. “Panjalukan kuwi nyakup atusan jinis masalah, lan ora ana siji karyawan waé sing realistis bisa nguwasani kabèh.”

Wayfair nambah fitur agentic ing produk jenengé Wilma kanggo nguwatké alur kerja iki nganggo AI. Salah siji fitur produksi sing paling awal yaiku triase tiket sing didhukung model OpenAI. Sistem iki maca panjalukan mlebu, ngisi konteks sing kurang, lan ngerutekaké tiket menyang tim sing cocog. Wilma dirancang supaya bisa dipasang kanthi cepet; amarga dibangun ing sistem sing wis kaintegrasi karo API OpenAI, produk iki pindhah saka prototipe dadi aktif mung kurang luwih sajrone sewulan. “Wilma maringi daya ungkit kanggo karyawan,” ujare Ganssle. “Dhèwèké maca tiket, ngenali maksud, ngisi konteks saka basis data kami, ngubungi pemasok manèh yen perlu, lan ngarahaké masalah menyang jalur sing pas.”

Saliyane ngerutekaké, Wayfair wis nerapaké selusin alur AI agentic kanggo tim resolusi tartamtu. Contoné, sawijining co-pilot kanggo tim Replacement Part Operations maca riwayat kasus sing rumit, ngusulaké langkah sabanjuré, lan nyaranaké draf tanggapan sing banjur ditinjau karyawan manungsa. Asisten-asisten iki dilatih nganggo data historis supaya padha sinau kaya apa wujud kasil ing konteks nyata. “Model bisa nyintesis konteks ing sakabehing perjalanan kanthi cara sing angel ditindakake siji karyawan,” ujare Ganssle. “Visibilitas sing luwih jembar iki nyumbang marang kepuasan pelanggan lan pemasok sing luwih dhuwur.”

Wayfair nglacak sepira kerepé rekomendasi AI cocog karo keputusan pungkasan agen manungsa—metrik iki diarani “alignment rate.” Ing saben tim, nalika alignment kanthi konsisten tekan ambang sing wis ditemtokaké, alur kerja bisa digeser saka mode asistif (“co-pilot”) menyang mode semi-otonom (“autopilot”). Pendekatan bertahap iki mbangun kapercayan lan njamin kontrol kualitas sajrone peluncuran.

Wayfair nglaporaké perbaikan sing bisa diukur wiwit ngintegrasèkaké model OpenAI menyang sistem internal.

Ing sisih katalog, perusahaan nyuda jumlah tag atribut produk sing salah utawa ilang sing bisa didelok pelanggan—kanthi wis mbeneraké 2,5 yuta tag produk ing luwih saka sejuta produk sing paling katon lan paling kerep dituku ing katalog Wayfair. Dheweke ngarep-arep dampak iki mundhak dadi kaping papat sajrone nem wulan sabanjuré.

Ing dhukungan pemasok, sistem triase, co-pilot, lan autopilot wis nambah kapasitas pangolahan kanthi ngotomatisasi 41.000 tiket saben wulan (nganti 70% ing sawatara alur kerja) lan nyuda wektu turnaround kanthi mbusak gawé manual rutin saka beban kerja karyawan. Iki kanthi dramatis nyepetaké wektu resolusi kanggo pirang-pirang alur kerja, ningkataké kepuasan pemasok kanthi signifikan, lan nyuda tiket sing dibukak manèh ing alur kerja kasebut.

Visibilitas sing luwih jembar sing diwènèhaké model marang tiket lan maksud pemasok—luwih saka sing bisa didelok siji karyawan ing layar—wis nyumbang marang kenaikan kepuasan kuwi.

Saka sisi operasional, tim nglaporaké:

• Rutek lan resolusi tiket pemasok rumit sing luwih cepet
• Kepuasan pemasok sing luwih dhuwur
• Nyuda gawé input data lan klasifikasi manual
• Cakupan masalah luwih jembar tanpa kudu nduwé keahlian ing atusan topik
• Kapercayan luwih dhuwur marang atribut katalog sadurungé diterbitaké.

Wayfair uga wis nerapaké luwih saka 1.200 kursi ChatGPT Enterprise ing tenaga kerja kira-kira 12.000 wong kanggo ndhukung tugas ad hoc, ngrampungaké masalah internal, lan eksperimen nganggo model generatif.

Wayfair nduwé sejarah dawa ing investasi machine learning lan kolaborasi karo platform AI lan panyedhiya LLM kanggo majokaké bisnisé. Saiki, kemajuan ing model tercanggih, mliginé sistem multimodal, saya nggedhèkaké apa waé sing bisa dibangun timé. Iki penting ing retail omah, amarga produk-produké visual, gaya, lan kerep sifaté subjektif.

“Kami bungah karo jangkah masalah sing saiki bisa kami tangani,” ujare Carolyn Phillips. “Algoritma tradisional mbutuhaké dataset sing ketat banget definisiné. Model-model iki maringi kami kemampuan kanggo nggarap ambiguitas lan konteks kanthi cara sing biyèn ora bisa diskalaké.” 

Yen ndelok mangsa ngarep, panjaluk karyawan kanggo ChatGPT Enterprise kuwat banget. Tim ing Wayfair ndelok iki minangka piranti praktis sing mbantu dheweke obah luwih cepet.

Ekspektasi pelanggan uga owah kanthi cepet. Saya akèh pembeli sing kepenak nggunakaké AI ing urip saben dina, lan padha wiwit ngarep-arep kapabilitas sing padha nalika browsing, mbandhingaké, lan tuku online.

“Ing omah, pelanggan kerep ora nduwé tembung sing pas kanggo apa sing digoleki,” ujare Fiona Tan. “Basa alami lan sistem multimodal mbantu njembatani kesenjangan kuwi.”

Kanggo pimpinan Wayfair, tujuané tetep nguwatké keahlian manungsa nalika nggedhèkaké kapabilitas internal. “Kami lagi mbangun kanggo jagad nalika AI dadi bagéan saka perjalanan belanja—apa kuwi ing situs kami, liwat dhukungan, utawa liwat antarmuka percakapan,” pungkase Fiona Tan.