Nauwkeurigere catalogi en snellere support met OpenAI

Wayfair, een van 's werelds grootste woonwinkels, heeft OpenAI-modellen geïntegreerd in kritieke interne systemen om workflows voor leverancierssupport te verbeteren en de kwaliteit van de productcatalogus op grote schaal te verhogen. Wat in 2024 begon als kleinschalige testreleases, is uitgegroeid tot een volwaardig productiesysteem dat handmatig werk vermindert, de besluitvorming versnelt en de datakwaliteit voor miljoenen producten verbetert.

In plaats van generatieve AI als experiment of losse oplossing te zien, integreerde Wayfair OpenAI-modellen in de kern van zijn processen. Het bedrijf begon waar de complexiteit en schaal het grootst zijn: het routeren en afhandelen van supportvragen van leveranciers en het consistent verbeteren van tienduizenden productkenmerken in een catalogus van zo’n 30 miljoen artikelen.

Wayfair’s catalogusteam beheert tientallen miljoenen producten in bijna duizend verschillende productklassen. Consistente en nauwkeurige tags voor productkenmerken, zoals kleur, materiaal, grootte of specifieke kenmerken, zijn essentieel voor zoekopdrachten, aanbevelingen en merchandising.    

"Hoe beter onze datakwaliteit, hoe meer vertrouwen we opbouwen bij de klant. Het is essentieel omdat het klanten in staat stelt de juiste aankoopbeslissingen te nemen, waardoor kostbare problemen verderop in het proces, zoals retourzendingen van onjuist gepresenteerde producten, direct afnemen," aldus Jessica D'Arcy, Associate Director of Catalog Merchandising bij Wayfair. 

Vóór OpenAI waren verbeteringen in tagging voornamelijk afhankelijk van leveranciers en klanten om Wayfair te laten weten dat er iets niet klopte. Handmatige inspanning kon het volume niet bijbenen.  Vroege AI-modellen op maat voor afzonderlijke tags waren effectief, maar bleken duur om te bouwen en te onderhouden. "We begonnen met het bouwen van maatwerkmodellen voor afzonderlijke tags, en technisch gezien werkte dat”, zegt Carolyn Phillips, Wayfairs staff machine learning-wetenschapper. "Maar als je naar 47.000 tags kijkt, werkt die aanpak simpelweg niet op die schaal."

Om verder te gaan dan eenmalige modellen, creëerde Wayfair een tag-agnostisch systeem dat is gebouwd op één enkel OpenAI-model. Een 'definitie-agent' neemt informatie van het web en interne definities op om voor elke tag een contextuele betekenis te bepalen. "Het echte knelpunt waren niet de prestaties van het model", zei Phillips. "Het was de menselijke tijd die nodig was om te definiëren en te coderen wat elke tag daadwerkelijk betekende." Deze context vormt, samen met productgegevens die uit het volledige data-ecosysteem van Wayfair zijn samengebracht, input voor een kader dat attributen binnen verschillende productklassen kan classificeren. Het team is nu de dekking van het model aan het uitbreiden naar nieuwe attributen, met een snelheid die 70 keer hoger ligt dan nog maar een jaar geleden.

Het systeem draait nu in productie op meer dan 1 miljoen producten. En de eerste golf producten met verbeterde kenmerken is inmiddels lang genoeg live om de impact van het verbeteren van de gegevenskwaliteit op de klantreis te meten.  "Wanneer je de attribuutvolledigheid verbetert, is dat niet abstract. Je ziet het terugkomen in de prestaties van SEO en PLA, in hoe klanten producten ontdekken,” zei Phillips. Een gecontroleerde A/B-test liet een substantiële en significante toename zien in vertoningen, klikken en paginarangschikking in de behandelgroep.

Wayfair gaf beslissingen over het corrigeren van productgegevens echter niet zomaar uit handen aan het model. "Ons doel is vertrouwen op te bouwen, zodat klanten met vol vertrouwen iets kopen", aldus Phillips. Het bedrijf ontwikkelde gestructureerde tests met behulp van een praktisch auditproces waarbij medewerkers monsters fysiek inspecteren om de output van het model te valideren, en werkte samen met leveranciers om wijzigingen te valideren. Vanaf nu zullen geautomatiseerde systemen, wanneer het op gegevens gebaseerde vertrouwen hoog is, de inhoud rechtstreeks overschrijven en de leverancier van de wijziging op de hoogte stellen. En wanneer niet aan een hoge norm wordt voldaan of het label als risicovol wordt beschouwd, vraagt Wayfair eerst om bevestiging van de leverancier voordat het de wijziging doorvoert.

Wayfair werkt samen met tienduizenden leveranciers om hun uitgebreide catalogus te ondersteunen. Om supportverzoeken van leveranciers te beheren, beoordeelden Wayfair-medewerkers van oudsher elk binnenkomend ticket, stelden ze handmatig vast wat leveranciers probeerden te bereiken en stuurden ze problemen door naar de juiste interne verantwoordelijke: een tijdrovend en foutgevoelig proces. "Verzoeken van leveranciers zijn niet eenvoudig", aldus Graham Ganssle, verantwoordelijk voor leverancierssupport en operations bij Wayfair. "Ze omvatten honderden typen problemen, en geen enkele medewerker kan onmogelijk al die typen problemen beheersen."

Wayfair heeft agentic functies toegevoegd aan een product genaamd Wilma om deze workflows met AI te verbeteren. Een van de eerste functies in productie is tickettriage, mogelijk gemaakt door een OpenAI-model. Het systeem leest binnenkomende verzoeken, vult ontbrekende context aan en stuurt tickets naar het juiste team. Wilma is ontwikkeld om snel inzetbaar te zijn. Omdat het voortbouwde op een systeem dat al met de OpenAI-API’s was geïntegreerd, ging het in ongeveer een maand van prototype naar productie. "Wilma geeft medewerkers meer slagkracht," zei Ganssle. "Het leest de ticket, identificeert de intentie, vult de context aan met gegevens uit onze databases, neemt indien nodig opnieuw contact op met leveranciers en wijst het probleem in de juiste richting."

Naast routering heeft Wayfair een dozijn agentic AI-flows geïmplementeerd voor specifieke oplossingsteams. Een copiloot voor het team Replacement Part Operations leest bijvoorbeeld complexe casushistorie, stelt vervolgstappen voor en doet suggesties voor conceptantwoorden die vervolgens door medewerkers worden beoordeeld. Deze assistenten zijn getraind op historische gegevens, zodat ze leren hoe succes eruitziet in de context. "De modellen kunnen context samenbrengen gedurende het hele traject op een manier die voor één enkele medewerker moeilijk te evenaren is", aldus Ganssle. "Die bredere zichtbaarheid draagt bij aan een hogere klant- en leverancierstevredenheid."

Wayfair houdt bij hoe vaak de aanbevelingen van de AI overeenkomen met de uiteindelijke beslissing van de menselijke agent, een metric die het 'afstemmingspercentage' wordt genoemd. Binnen elk team kunnen workflows, wanneer de afstemming consequent een vooraf bepaalde drempel bereikt, verschuiven van ondersteunende 'co-pilot'- naar semi-autonome 'autopilot'-modi. Deze gefaseerde aanpak wekt vertrouwen en waarborgt kwaliteitscontroles tijdens de uitrol.

Wayfair meldt meetbare verbeteringen sinds de integratie van OpenAI-modellen in interne systemen.

Aan de cataloguskant heeft het bedrijf het aantal onjuiste of ontbrekende tags voor productkenmerken dat een klant mogelijk te zien krijgt verminderd door 2,5 miljoen producttags te corrigeren voor meer dan een miljoen van de meest bekeken en gekochte producten in de Wayfair-catalogus. Ze verwachten deze impact in de komende zes maanden te verviervoudigen.

In leverancierssupport hebben triage-, copiloot- en autopilootsystemen de doorvoer verhoogd door 41.000 tickets per maand te automatiseren (dat is in sommige workflows tot wel 70%) en de doorlooptijden verkort door routinematig handmatig werk uit de werklast van medewerkers te halen. Dit verkort de oplostijd voor meerdere workflows drastisch, verhoogt de tevredenheid van leveranciers aanzienlijk en vermindert het opnieuw openen van tickets in die workflows.

De bredere zichtbaarheid die modellen bieden in tickets en de intentie van leveranciers, voorbij wat één enkele medewerker op een scherm kan zien, heeft bijgedragen aan die toename in tevredenheid.

In de praktijk melden teams:

• Snellere routering en afhandeling van complexe leverancierstickets
• Verhoogde leverancierstevredenheid
• Minder handmatige gegevensinvoer en classificatiewerk
• Bredere dekking van vraagstukken zonder expertise over honderden onderwerpen te vereisen
• Meer vertrouwen in cataloguskenmerken vóór publicatie.

Wayfair heeft ook meer dan 1.200 ChatGPT Enterprise-licenties uitgerold binnen het personeelsbestand van ongeveer 12.000 medewerkers ter ondersteuning van ad-hoctaken, interne probleemoplossing en experimenten met generatieve AI-modellen.

Wayfair heeft een lange geschiedenis van investeringen in machine learning en samenwerking met AI-platforms en LLM-providers om hun bedrijfsactiviteiten te bevorderen. Nu breiden vooruitgangen in grensverleggende modellen, met name multimodale systemen, de mogelijkheden uit van wat de teams kunnen bouwen. Dat is van belang in de woonretail, waar producten visueel, stijlgebonden en vaak subjectief zijn.

"We zijn enthousiast over de reikwijdte van de problemen die we nu kunnen aanpakken", zegt Carolyn Phillips. "Traditionele algoritmes vereisen strak afgebakende gegevenssets. Deze modellen stellen ons in staat om om te gaan met ambiguïteit en context op een manier die voorheen niet schaalbaar was." 

De vraag onder medewerkers naar ChatGPT Enterprise is groot. Teams bij Wayfair zien het als een praktisch hulpmiddel waarmee ze sneller kunnen werken.

Ook klantverwachtingen veranderen snel. Steeds meer shoppers voelen zich in hun dagelijks leven op hun gemak bij het gebruik van AI, en ze beginnen vergelijkbare mogelijkheden te verwachten wanneer ze online rondkijken, vergelijken en kopen.

"Thuis hebben klanten vaak niet precies de woorden voor wat ze zoeken", aldus Fiona Tan. "Natuurlijke taal en multimodale systemen helpen die kloof te overbruggen."

Voor Wayfair-managers blijft het doel om menselijke expertise te versterken en tegelijkertijd de interne capaciteit op te schalen. "We bouwen voor een wereld waarin AI deel uitmaakt van de winkelervaring, of dat nu op onze site is, via support of via conversationele interfaces," zei Tan.