„Wayfair“ spartina aptarnavimą ir tikslina katalogą su „OpenAI“

„Wayfair“, viena didžiausių pasaulyje namų apyvokos prekių mažmenininkių, integravo „OpenAI“ modelius į svarbiausias vidines sistemas, kad dideliu mastu pagerintų tiekėjų aptarnavimo darbo eigas ir produktų katalogo kokybę. Tai, kas prasidėjo kaip vertės tikrinimas nedidelio masto leidimais 2024 m., tapo visavertė realiomis sąlygomis veikianti sistema, kuri sumažina rankų darbo poreikį, paspartina sprendimų priėmimą ir pagerina milijonų produktų duomenų kokybę.

Užuot traktavusi generatyvinį DI kaip eksperimentą ar pavienį sprendimą, „Wayfair“ integravo „OpenAI“ modelius į pagrindines operatyvines darbo eigas. Pirmiausia įmonė susitelkė į sritis, kuriose sudėtingumas ir masto poreikis buvo didžiausi: tiekėjų aptarnavimo prašymų nukreipimą ir sprendimą bei nuoseklų dešimčių tūkstančių produktų atributų tobulinimą maždaug 30 milijonų prekių kataloge.

„Wayfair“ katalogo komanda valdo dešimtis milijonų produktų, priklausančių beveik tūkstančiui skirtingų produktų klasių. Nuoseklios ir tikslios produktų atributų žymos, tokios kaip spalva, medžiaga, dydis ar specifinės savybės, yra būtinos paieškai, rekomendacijoms ir prekybai.    

„Kuo geresnė mūsų duomenų kokybė, tuo daugiau pasitikėjimo įgyjame bendraudami su klientu. Tai labai svarbu, nes suteikia pirkėjams galimybę priimti teisingus pirkimo sprendimus ir tiesiogiai sumažina brangiai kainuojančių problemų, pavyzdžiui, grąžinimų dėl klaidinančių produktų aprašymų, skaičių“, – sakė „Wayfair“ katalogo prekybos asocijuotoji direktorė Jessica D'Arcy. 

Iki „OpenAI“ žymėjimo patobulinimai daugiausia priklausė nuo to, ar tiekėjai ir klientai pranešdavo „Wayfair“ apie galimas problemas. Vien darbuotojai nebuvo pajėgūs apdoroti tokio kiekio duomenų.  Ankstyvieji specialiai atskiroms žymoms sukurti DI modeliai buvo veiksmingi, tačiau juos kurti ir prižiūrėti buvo brangu. „Pradėjome kurdami specialiai pritaikytus modelius atskiroms žymoms, ir techniškai tai pasiteisino“, – sakė „Wayfair“ mašininio mokymosi mokslininkė Carolyn Phillips. „Tačiau, kai susiduriate su 47 tūkst. žymų, šis požiūris tiesiog nėra pritaikomas dideliu mastu.“

Siekdama atsisakyti vienkartinių modelių, „Wayfair“ sukūrė nuo žymų nepriklausančią sistemą, pagrįstą vienu „OpenAI“ modeliu. „Apibrėžčių agentas“ apdoroja saityną ir vidines apibrėžtis, kad sukurtų kontekstinę reikšmę kiekvienai žymai. „Tikroji kliūtis buvo ne modelio našumas“, – sakė C. Phillips. „Tai buvo žmogaus laikas, kurio reikėjo norint apibrėžti ir užkoduoti, ką iš tikrųjų reiškia kiekviena žyma.“ Šis kontekstas kartu su produkto duomenimis, surinktais iš visos „Wayfair“ duomenų ekosistemos, perduodamas į modelį, galintį klasifikuoti atributus visose produktų klasėse. Dabar komanda plečia modelio aprėptį naujiems atributams 70 kartų greičiau nei vos prieš metus.

Sistema jau veikia realiomis sąlygomis su daugiau nei 1 milijonu produktų. O pirmoji produktų su patobulintais atributais banga jau pakankamai ilgai prieinama viešai, kad būtų galima išmatuoti duomenų kokybės gerinimo poveikį kliento patirčiai.  „Pagerinus atributų išsamumą, pokytis nėra tik teorinis. Matosi, kaip tai atsispindi SEO ir PLA našume – tame, kaip klientai atranda produktus“, – sakė C. Phillips. Kontroliuojamas A / B testas parodė, kad tiriamojoje grupėje daug ir reikšmingai išaugo parodymų, paspaudimų ir puslapio reitingo rodikliai.

Tačiau „Wayfair“ ne šiaip sau perdavė sprendimus dėl produkto duomenų taisymo modeliui. „Mūsų tikslas – ugdyti pasitikėjimą, kad klientai būtų visiškai tikri tuo, ką perka“, – sakė C. Phillips. Įmonė susistemino testavimą naudodama praktinio audito procesą, per kurį darbuotojai fiziškai tikrina pavyzdžius, kad patvirtintų modelio išvestį, ir bendradarbiavo su tiekėjais siekdama patvirtinti pakeitimus. Dabar, kai duomenimis pagrįstas pasitikėjimas yra didelis, automatizuotos sistemos tiesiogiai perrašo turinį ir praneša tiekėjui apie pakeitimą. O kai aukštas standartas nepasiekiamas arba žyma laikoma didelės rizikos, „Wayfair“ pirmiausia siekia gauti tiekėjo patvirtinimą prieš atlikdama pakeitimą.

„Wayfair“ bendradarbiauja su dešimtimis tūkstančių tiekėjų, kad palaikytų savo išsamų katalogą. Siekdami valdyti tiekėjų aptarnavimo prašymus, „Wayfair“ darbuotojai istoriškai peržiūrėdavo kiekvieną gaunamą užklausą, rankiniu būdu nustatydavo, ką tiekėjai bandė pasiekti, ir nukreipdavo problemas tinkamam vidiniam savininkui – tai buvo daug laiko atimantis ir klaidų tikimybę didinantis procesas. „Tiekėjų užklausos nėra paprastos“, – sakė Grahamas Ganssle'as iš „Wayfair“ tiekėjų aptarnavimo ir operacijų padalinio. „Jos apima šimtus problemų tipų, ir nė vienas darbuotojas realiai negali visų jų išmanyti.“

„Wayfair“ papildė produktą, pavadintą „Wilma“, agentų funkcijomis, kad šias darbo eigas papildytų DI. Viena pirmųjų realiomis sąlygomis veikiančių funkcijų yra „OpenAI“ modeliu paremtas užklausų rūšiavimas. Sistema perskaito gaunamus prašymus, užpildo trūkstamą kontekstą ir nukreipia užklausas atitinkamai komandai. „Wilma“ buvo sukurta taip, kad ją būtų galima greitai įdiegti; sukurta sistemoje, jau integruotoje su „OpenAI“ API, ji nuo prototipo iki veikiančios versijos perėjo maždaug per vieną mėnesį. „Wilma“ suteikia darbuotojams pranašumą“, – sakė G. Ganssle'as. „Ji perskaito užklausą, nustato ketinimą, užpildo kontekstą iš mūsų duomenų bazių, prireikus susisiekia su tiekėjais ir nukreipia problemą tinkama linkme.“

Be nukreipimo, „Wayfair“ įdiegė keliolika agentų DI darbo eigų, skirtų konkrečioms problemų sprendimo komandoms. Pavyzdžiui, Atsarginių dalių operacijų komandos pagalbininkas perskaito sudėtingą atvejo istoriją, pasiūlo tolesnius žingsnius ir atsakymų juodraščius, kuriuos peržiūri darbuotojai. Šie asistentai išmokyti naudojant istorinius duomenis, todėl jie išmoksta, kaip konkrečiame kontekste atrodo sėkmingas rezultatas. „Modeliai gali apibendrinti visos kelionės kontekstą taip, kaip būtų sunku padaryti vienam darbuotojui“, – sakė G. Ganssle'as. „Toks platesnis matomumas prisideda prie didesnio klientų ir tiekėjų pasitenkinimo.“

„Wayfair“ stebi, kaip dažnai DI rekomendacijos sutampa su galutiniu darbuotojo sprendimu – šis rodiklis vadinamas „suderinamumo rodikliu“. Kiekvienoje komandoje, kai suderinamumas nuosekliai pasiekia iš anksto nustatytą ribą, darbo eigos gali pereiti iš pagalbinio (angl. „co-pilot“) į pusiau autonominį (angl. „autopilot“) režimą. Šis etapinis požiūris stiprina pasitikėjimą ir užtikrina kokybės kontrolę diegiant sistemą.

„Wayfair“ praneša apie išmatuojamą pagerėjimą, integravus „OpenAI“ modelius į vidines sistemas.

Katalogo srityje įmonė sumažino neteisingų ar trūkstamų produktų atributų žymų, kurias gali pamatyti klientas, skaičių – ištaisiusi 2,5 mln. produktų žymų daugiau nei milijonui labiausiai matomų ir perkamų produktų „Wayfair“ kataloge. Tikimasi per ateinančius šešis mėnesius šį poveikį padidinti keturgubai.

Tiekėjų aptarnavimo srityje rūšiavimo, pagalbinio ir automatinio pilotavimo sistemos padidino pralaidumą, automatizuodamos 41 tūkst. užklausų per mėnesį (tai sudaro iki 70 proc. visų užklausų kai kuriose darbo eigose), ir sutrumpino apdorojimo laiką, pašalinusios įprastą rankinį darbą. Tai smarkiai sutrumpina sprendimo laiką daugelyje darbo eigų, gerokai padidina tiekėjų pasitenkinimą ir sumažina pakartotinį užklausų atidarymą tose darbo eigose.

Didesnį pasitenkinimą lėmė ir tai, kad modeliai suteikia platesnį supratimą apie užklausas bei tiekėjų ketinimus, nei gali matyti vienas darbuotojas savo ekrane.

Operatyviniu požiūriu komandos praneša apie:

• greitesnį sudėtingų tiekėjų užklausų nukreipimą ir sprendimą;
• išaugusį tiekėjų pasitenkinimą;
• mažiau rankinio duomenų įvedimo ir klasifikavimo;
• platesnę problemų aprėptį, nereikalaujančią šimtų temų išmanymo;
• didesnį pasitikėjimą katalogo atributais prieš juos paskelbiant.

„Wayfair“ taip pat įdiegė daugiau nei 1 200 „ChatGPT Enterprise“ licencijų savo maždaug 12 tūkst. darbuotojų turinčioje organizacijoje, kad palaikytų pavienes užduotis, vidinį problemų sprendimą ir eksperimentavimą su generatyviniais modeliais.

„Wayfair“ turi ilgą investavimo į mašininį mokymąsi ir bendradarbiavimo su DI platformomis bei LLM teikėjais patirtį, siekdama tobulinti savo verslą. Dabar pažanga priešakiniuose modeliuose, ypač daugiarūšėse sistemose, praplečia tai, ką jos komandos gali sukurti. Tai svarbu namų apyvokos prekių mažmeninėje prekyboje, kur produktai yra vizualūs, stilistiniai ir dažnai subjektyvūs.

„Džiaugiamės problemų, kurias dabar galime išspręsti, mastu“, – sakė Carolyn Phillips. „Tradiciniams algoritmams reikia griežtai apibrėžtų duomenų rinkinių. Šie modeliai leidžia mums dirbti su dviprasmiškumu ir kontekstu taip, kaip anksčiau nebuvo įmanoma pritaikyti dideliu mastu.“ 

Žvelgiant į ateitį, darbuotojų poreikis naudoti „ChatGPT Enterprise“ išlieka didelis. „Wayfair“ komandos mato tai kaip praktišką įrankį, padedantį joms dirbti greičiau.

Klientų lūkesčiai taip pat sparčiai keičiasi. Vis daugiau pirkėjų įpranta naudoti DI savo kasdieniame gyvenime ir pradeda tikėtis panašių galimybių naršydami, lygindami ir pirkdami internetu.

„Būdami namuose, klientai dažnai neranda tikslių žodžių tam, ko ieško, apibūdinti“, – sakė Fiona Tan. „Natūralioji kalba ir daugiarūšės sistemos padeda užpildyti šią spragą.“

„Wayfair“ vadovų tikslas išlieka sustiprinti žmonių patirtį, plečiant vidinius pajėgumus. „Kuriame pasauliui, kuriame DI yra apsipirkimo patirties dalis – tiek svetainėje, tiek klientų aptarnavimo kanaluose ar pokalbių sąsajose“, – apibendrino Fiona Tan.