A Wayfair melhora a precisão do catálogo e o suporte com a OpenAI

A Wayfair, uma das maiores retalhistas de artigos para casa do mundo, integrou modelos da OpenAI em sistemas internos críticos para melhorar os fluxos de trabalho de suporte a fornecedores e a qualidade do catálogo de produtos à escala. O que começou como lançamentos em pequena escala para testar valor, em 2024, evoluiu para um sistema de produção completo que reduz o esforço manual, acelera a tomada de decisão e melhora a qualidade dos dados em milhões de produtos.

Em vez de tratar a IA generativa como uma experiência ou uma solução pontual, a Wayfair integrou modelos da OpenAI em fluxos de trabalho operacionais centrais. A empresa começou pelas áreas em que a complexidade e a necessidade de escala eram maiores: encaminhar e resolver pedidos de suporte a fornecedores e melhorar, de forma consistente, dezenas de milhares de atributos de produto num catálogo de cerca de 30 milhões de itens.

A equipa de catálogo da Wayfair gere dezenas de milhões de produtos em quase mil classes de produto diferentes. Tags de atributos de produto consistentes e precisas — como cor, material, tamanho ou funcionalidades específicas — são essenciais para pesquisa, recomendações e merchandising.    

«Quanto melhor for a nossa qualidade dos dados, mais confiança criamos junto do cliente. É essencial porque permite aos compradores tomar as decisões de compra certas, reduzindo diretamente problemas posteriores dispendiosos, como devoluções por produtos mal representados», afirmou Jessica D'Arcy, Diretora Associada de Merchandising de Catálogo na Wayfair. 

Antes da OpenAI, as melhorias nas tags dependiam sobretudo de fornecedores e clientes para informarem a Wayfair de que algo parecia errado. O esforço manual não conseguia acompanhar o volume.  Os primeiros modelos personalizados de IA para tags individuais foram eficazes, mas revelaram-se caros de criar e manter. «Começámos por criar modelos à medida para tags individuais e, tecnicamente, funcionou», afirmou Carolyn Phillips, cientista de machine learning (staff) da Wayfair. «Mas, quando se está a falar de 47 000 tags, essa abordagem simplesmente não é escalável.»

Para ir além de modelos pontuais, a Wayfair criou um sistema independente de tags, assente num único modelo da OpenAI. Um «agente de definição» recolhe informação da web e definições internas para produzir um significado contextual para cada tag. «O verdadeiro estrangulamento não era o desempenho do modelo», afirmou Phillips. «Era o tempo humano necessário para definir e codificar o que cada tag realmente significava.» Este contexto, juntamente com dados de produtos agregados de todo o ecossistema de dados da Wayfair, alimenta uma estrutura que consegue classificar atributos entre classes de produto. A equipa está agora a expandir a cobertura do modelo para novos atributos a um ritmo 70x superior ao de há apenas um ano.

O sistema já está em produção em mais de 1 milhão de produtos. E a primeira vaga de produtos com atributos melhorados já está disponível há tempo suficiente para medir o impacto de melhorar a qualidade dos dados na jornada do cliente.  «Quando melhora a completude dos atributos, não é abstrato. Vê-se isso refletido no desempenho de SEO e PLA — na forma como os clientes descobrem produtos», afirmou Phillips. Um teste A/B controlado mostrou um aumento substancial e significativo em impressões, cliques e posicionamento no ranking no grupo de tratamento.

No entanto, a Wayfair não delegou simplesmente no modelo as decisões sobre a correção de dados de produto. «O nosso objetivo é gerar confiança para que os clientes tenham plena confiança no que estão a comprar», afirmou Phillips. A empresa desenvolveu testes estruturados através de um processo de auditoria prática, em que os colaboradores inspecionam fisicamente amostras para validar os resultados do modelo, e trabalhou com fornecedores para validar alterações. Agora, quando a confiança baseada em dados é elevada, sistemas automatizados substituem diretamente o conteúdo e notificam o fornecedor da alteração. E, quando não é cumprido um padrão elevado ou a tag é considerada de alto risco, a Wayfair procura primeiro a confirmação do fornecedor antes de efetuar a alteração.

A Wayfair trabalha com dezenas de milhares de fornecedores para apoiar o seu catálogo abrangente. Para gerir pedidos de suporte a fornecedores, os colaboradores da Wayfair, historicamente, reviam todos os tickets recebidos, identificavam manualmente o que os fornecedores estavam a tentar fazer e encaminhavam os casos para o responsável interno correto — um processo moroso e propenso a erros. «Os pedidos dos fornecedores não são simples», disse Graham Ganssle, de suporte a fornecedores e operações, na Wayfair. «Abrangem centenas de tipos de problemas, e nenhum colaborador consegue realisticamente dominar todos.»

A Wayfair adicionou funcionalidades agênticas a um produto chamado Wilma para reforçar estes fluxos de trabalho com IA. Uma das primeiras funcionalidades em produção é a triagem de tickets, alimentada por um modelo da OpenAI. O sistema lê os pedidos recebidos, preenche o contexto em falta e encaminha os tickets para a equipa adequada. A Wilma foi concebida para ser implementada rapidamente; construída sobre um sistema já integrado com as APIs da OpenAI, passou do protótipo à produção em cerca de um mês. «A Wilma dá mais capacidade de atuação aos colaboradores», disse Ganssle. «Lê o ticket, identifica a intenção, preenche o contexto a partir das nossas bases de dados, volta a contactar os fornecedores se necessário e encaminha o problema na direção certa.»

Para além do encaminhamento, a Wayfair implementou uma dúzia de fluxos de IA agêntica para equipas de resolução específicas. Por exemplo, um copiloto para a equipa de Operações de Peças de Substituição lê históricos de casos complexos, propõe próximos passos e sugere respostas em rascunho que os colaboradores humanos revêm. Estes assistentes são treinados com dados históricos para aprenderem o que é considerado sucesso em contexto. «Os modelos conseguem sintetizar o contexto ao longo de todo o percurso de uma forma que é difícil para um único colaborador fazer», disse Ganssle. «Essa visibilidade mais abrangente contribui para uma maior satisfação de clientes e fornecedores.»

A Wayfair acompanha a frequência com que as recomendações da IA coincidem com a decisão final do agente humano — uma métrica chamada «alignment rate». Em cada equipa, quando o alinhamento atinge de forma consistente um limiar predefinido, os fluxos de trabalho podem passar de modos de assistência («co-pilot») para modos semiautónomos («autopilot»). Esta abordagem faseada cria confiança e assegura controlos de qualidade durante a implementação.

A Wayfair relata melhorias mensuráveis desde que integrou modelos da OpenAI em sistemas internos.

Do lado do catálogo, a empresa reduziu o número de tags de atributos de produto incorretas ou em falta que um cliente pode ver — tendo corrigido 2,5 milhões de tags de produto em mais de um milhão dos produtos mais visíveis e mais comprados no catálogo da Wayfair. Esperam quadruplicar este impacto nos próximos seis meses.

No suporte a fornecedores, sistemas de triagem, co-pilot e auto-pilot aumentaram a capacidade ao automatizar 41 000 tickets por mês (até 70% em alguns fluxos de trabalho) e reduziram os tempos de resposta ao retirar trabalho manual rotineiro das cargas de trabalho dos colaboradores. Isto reduz drasticamente o tempo de resolução em vários fluxos de trabalho, aumenta significativamente a satisfação dos fornecedores e reduz as reaberturas de tickets nesses fluxos de trabalho.

A visibilidade mais abrangente que os modelos oferecem sobre os tickets e a intenção dos fornecedores — para além do que um único colaborador consegue ver num ecrã — contribuiu para esse aumento de satisfação.

A nível operacional, as equipas reportam:

• Encaminhamento e resolução mais rápidos de tickets complexos de fornecedores
• Maior satisfação dos fornecedores
• Menos trabalho manual de introdução e classificação de dados
• Cobertura mais ampla de problemas sem exigir especialização em centenas de tópicos
• Maior confiança nos atributos do catálogo antes da publicação.

A Wayfair também implementou mais de 1 200 licenças do ChatGPT Enterprise junto dos seus cerca de 12 000 colaboradores, para apoiar tarefas ad hoc, resolução interna de problemas e experimentação com modelos generativos.

A Wayfair tem uma longa história de investimento em machine learning e de colaboração com plataformas de IA e fornecedores de LLM para fazer avançar o seu negócio. Agora, os avanços nos modelos de fronteira, em particular nos sistemas multimodais, estão a expandir o que as suas equipas conseguem construir. Isto é importante no retalho de artigos para casa, onde os produtos são visuais, dependem do estilo e são frequentemente subjetivos.

«Estamos entusiasmados com a gama de problemas que agora conseguimos abordar», disse Carolyn Phillips. «Os algoritmos tradicionais exigem conjuntos de dados rigorosamente definidos. Estes modelos permitem-nos lidar com a ambiguidade e o contexto de uma forma que antes não era escalável.» 

Olhando para o futuro, a procura dos colaboradores pelo ChatGPT Enterprise tem sido forte. As equipas da Wayfair veem-no como uma ferramenta prática que as ajuda a avançar mais depressa.

As expetativas dos clientes também estão a mudar rapidamente. Cada vez mais compradores se sentem à vontade a usar IA no dia a dia e começam a esperar capacidades semelhantes quando navegam, comparam e compram online.

«Em casa, os clientes muitas vezes não têm as palavras exatas para aquilo que procuram», disse Fiona Tan. «A linguagem natural e os sistemas multimodais ajudam a colmatar essa lacuna.»

Para os líderes da Wayfair, o objetivo continua a ser reforçar a especialização humana, ao mesmo tempo que se escala a capacidade interna. «Estamos a construir para um mundo em que a IA faz parte da experiência de compra — seja no nosso site, através do suporte ou através de interfaces conversacionais», concluiu Fiona Tan.