Wayfair forbedrer både katalogpresisjon og kundestøtte med OpenAI

Wayfair, en av verdens største forhandlere av produkter til hjemmet, har integrert OpenAI-modell i kritiske interne systemer for å forbedre arbeidsflyter for leverandørstøtte og kvaliteten på produktkatalogen i stor skala. Det som begynte som småskalatester av verdi i 2024, har utviklet seg til et fullverdig produksjonssystem som reduserer manuelt arbeid, akselererer beslutningstaking og forbedrer datakvaliteten på tvers av millioner av produkter.

I stedet for å behandle generativ KI som et eksperiment eller en punktløsning, integrerte Wayfair OpenAI-modeller i sentrale operative arbeidsflyter. Selskapet fokuserte først der kompleksiteten og behovet for skala var størst: å rute og løse støttehenvendelser fra leverandører og å forbedre titusenvis av produktattributter konsekvent på tvers av en katalog med omtrent 30 millioner varer.

Wayfairs katalogteam administrerer flere titalls millioner produkter fordelt på nesten tusen ulike produktklasser. Enhetlige og presise attributt-tagger (som farge, materiale, størrelse og spesifikke egenskaper) er avgjørende for søk, anbefalinger og varepresentasjon.    

"Jo bedre datakvaliteten vår er, desto mer tillit bygger vi hos kunden. Det er avgjørende fordi det gjør det mulig for kundene å ta de riktige kjøpsbeslutningene, noe som direkte reduserer kostbare problemer i etterkant, som returer på grunn av feilaktig fremstilte produkter," sa Jessica D'Arcy, Associate Director of Catalog Merchandising at Wayfair. 

Før OpenAI var forbedringer av tagging primært avhengig av at leverandører og kunder fortalte Wayfair at noe så galt ut. Manuell innsats klarte ikke å holde tritt med volumet.  Tidlige egendefinerte KI-modeller for individuelle tagger var effektive, men viste seg å være dyre å bygge og vedlikeholde. «Vi startet med å bygge skreddersydde modeller for individuelle tagger, og teknisk sett fungerte det», sa Carolyn Phillips, Wayfairs maskinlæringsforsker i staben. “Men når du ser på 47,000 tagger, skalerer den tilnærmingen rett og slett ikke.”

For å gå bort fra enkeltstående modeller utviklet Wayfair et system som ikke er avhengig av spesifikke tagger, og basert det på én enkelt OpenAI-modell. En «definisjonsagent» tråler nettet og interne definisjoner for å produsere kontekstuell mening for hver tagg. «Den virkelige flaskehalsen var ikke modellens ytelse», sa Phillips. «Det var den tiden som et menneske trengte for å definere og kode hva hver tagg faktisk betydde.» Denne konteksten, sammen med produktdata aggregert på hele Wayfairs dataøkosystem, inngår i et rammeverk som kan klassifisere attributter i alle produktklasser. Teamet utvider nå modellens dekning til nye attributter i et tempo som er 70 ganger høyere enn for bare ett år siden.

Systemet har nå kjørt i produksjon på mer enn 1 million produkter. Og den første bølgen av produkter med forbedrede attributter har nå vært tilgjengelig lenge nok til at vi kan måle innvirkningen av forbedret datakvalitet på kundereisen.  «Når du forbedrer attributtene, er det ikke abstrakt. Du ser at det vises i SEO- og PLA-resultater og i hvordan kundene oppdager produkter», sa Phillips. En kontrollert A/B-test viste en betydelig og statistisk signifikant økning i visninger, klikk og siderangering i behandlingsgruppen.

Men Wayfair overlot ikke uten videre beslutningene om hva og hvordan produktdata skulle korrigeres, til modellen. «Vårt mål er å bygge tillit, slik at kundene er helt trygge på det de kjøper,» sa Phillips. Selskapet utviklet strukturert testing med en praktisk revisjonsprosess der ansatte fysisk inspiserer prøver for å kontrollere at modellens utdata stemmer, og samarbeidet med leverandørene for å validere endringer. Nå når databasert tillit er høy, overskriver automatiserte systemer innholdet direkte og varsler leverandøren om endringen. Og når en høy standard ikke oppfylles eller taggen anses å ha høy risiko, søker Wayfair først leverandørens bekreftelse før endringen gjennomføres.

Wayfair samarbeider med titusenvis av leverandører for å støtte den omfattende katalogen sin. For å håndtere leverandørstøttehenvendelser har Wayfair-ansatte historisk sett gjennomgått hver innkommende henvendelse, manuelt identifisert hva leverandørene prøvde å oppnå, og rutet saker til riktig intern eier—en tidkrevende og feilutsatt prosess. «Leverandørforespørsler er ikke enkle», sa Graham Ganssle, leverandørstøtte og drift i Wayfair. “De spenner over hundrevis av problemtyper, og ingen enkelt medarbeider kan realistisk sett mestre alle.”

Wayfair la til agentdrevne funksjoner i et produkt som heter Wilma for å støtte disse arbeidsflytene med KI. En av de første funksjonene i produksjon er triagering av henvendelser drevet av en OpenAI-modell. Systemet leser innkommende forespørsler, fyller inn manglende kontekst og ruter henvendelser til riktig team. Wilma ble utformet for å kunne rulles ut raskt; bygget på et system som allerede var integrert med OpenAI API-er, gikk det fra prototype til live på omtrent én måned. «Wilma gir medarbeiderne større handlingsrom», sa Ganssle. «Den leser henvendelsen, identifiserer hensikten, fyller inn kontekst fra databasene våre, tar kontakt med leverandører igjen om nødvendig, og peker problemet i riktig retning.»

Utover ruting har Wayfair distribuert et dusin agentbaserte KI-flyter for spesifikke løsnings-team. For eksempel leser en kopilot for teamet for drift av reservedeler kompleks sakshistorikk, foreslår neste steg og foreslår utkast til svar som menneskelige medarbeidere gjennomgår. Disse assistentene er trent på historiske data, slik at de lærer hvordan suksess ser ut i kontekst. «Modellene kan syntetisere kontekst gjennom hele kundereisen på en måte som er vanskelig for én enkelt medarbeider å gjøre», sa Ganssle. «Den bredere synligheten bidrar til høyere kunde- og leverandørtilfredshet.»

Wayfair sporer hvor ofte KI-ens anbefalinger samsvarer med den endelige beslutningen til den menneskelige agenten—en måling som kalles «alignment rate.» Innenfor hvert team, når samkjøring konsekvent når en forhåndsbestemt terskel, kan arbeidsflyter skifte fra assisterende («kopilot») til semi-autonome («autopilot») moduser. Denne trinnvise tilnærmingen bygger tillit og sikrer kvalitetskontroller under utrullingen.

Wayfair rapporterer målbare forbedringer siden de integrerte OpenAI-modell i interne systemer.

På katalogsiden reduserte selskapet antallet feilaktige eller manglende produktattributt-tagger en kunde kunne se—etter å ha korrigert 2,5 millioner produkttagger på tvers av over en million av de mest synlige og kjøpte produktene i Wayfair-katalogen. De forventer å firedoble denne effekten i løpet av de neste seks månedene.

I leverandørstøtte har triage-, kopilot- og autopilotsystemer økt gjennomstrømmingen ved å automatisere 41 000 henvendelser per måned (det er opptil 70 % i noen arbeidsflyter) og redusert behandlingstidene ved å fjerne rutinearbeid fra de ansattes arbeidsmengde. Dette reduserer saksbehandlingstiden i mange arbeidsflyter, øker leverandørenes tilfredshet og gjør at færre saker må åpnes på nytt i disse arbeidsflytene.

Den bredere synligheten som modeller gir inn i saker og leverandørintensjon—utover det en enkelt medarbeider kan se på en skjerm—har bidratt til den økningen i tilfredshet.

Operasjonelt sett rapporterer team:

• Raskere ruting og løsning av komplekse leverandørhenvendelser
• Økt leverandørtilfredshet
• Redusert manuell dataregistrering og klassifiseringsarbeid
• Bredere dekning av problemstillinger uten å kreve ekspertise på tvers av hundrevis av emner
• Høyere trygghet i katalogattributter før publisering.

Wayfair har også rullet ut mer enn 1,200 ChatGPT Enterprise-lisenser på tvers av sin arbeidsstyrke på omtrent 12,000 personer for å støtte ad hoc-oppgaver, intern problemløsning og eksperimentering med generative modeller.

Wayfair har en lang historie med investering i maskinlæring og samarbeid med KI-plattformer og LLM-leverandører for å forbedre virksomheten sin. Med fremskrittene innen banebrytende modeller, særlig multimodale systemer, får Wayfairs team utvidede muligheter for hva de kan bygge. Det er viktig innen hjeminnredning, der produktene er visuelle, preget av stil og ofte oppleves subjektivt.

«Vi gleder oss over at vi nå kan ta tak i et mye større omfang av problemer», sa Carolyn Phillips. «Tradisjonelle algoritmer krever strengt definerte datasett. Med disse modellene kan vi håndtere tvetydighet og kontekst på en måte som tidligere ikke var skalerbar.» 

Ser fremover har etterspørselen blant ansatte etter ChatGPT Enterprise vært sterk. Team hos Wayfair ser på det som et praktisk verktøy som hjelper dem med å jobbe raskere.

Kundens forventninger skifter også raskt. Flere kunder blir komfortable med å bruke KI i hverdagen, og de begynner å forvente lignende funksjoner når de surfer, sammenligner og kjøper på nettet.

«Hjemme har kundene ofte ikke de nøyaktige ordene for det de leter etter», sa Fiona Tan. “Naturlig språk og multimodale systemer bidrar til å bygge bro over det gapet.”

For Wayfair-ledere er målet fortsatt å styrke menneskelig ekspertise samtidig som vi skalerer intern kapasitet. «Vi bygger for en verden der KI er en del av handleopplevelsen – enten det er på nettstedet vårt, gjennom kundestøtte eller gjennom samtalegrensesnitt», avsluttet Fiona Tan.