Wayfair förbättrar katalognoggrannhet och support med OpenAI

Wayfair, en av världens största återförsäljare av heminredning, har integrerat OpenAI-modeller i kritiska interna system för att förbättra arbetsflöden för leverantörssupport och kvaliteten i produktkatalogen i stor skala. Det som började som värdetester av småskaliga lanseringar under 2024 har utvecklats till ett fullskaligt produktionssystem som minskar manuellt arbete, påskyndar beslutsfattandet och förbättrar datakvaliteten för miljontals produkter.

I stället för att behandla generativ AI som ett experiment eller en punktlösning integrerade Wayfair OpenAI-modeller i centrala operativa arbetsflöden. Företaget fokuserade först där komplexiteten och behovet av skala var störst: att dirigera och lösa leverantörers supportärenden samt att konsekvent förbättra tiotusentals produktattribut i en katalog med cirka 30 miljoner artiklar.

Wayfairs katalogteam hanterar tiotals miljoner produkter inom närmare tusen olika produktklasser. Konsekventa och korrekta produktattributtaggar – till exempel färg, material, storlek eller specifika funktioner – är avgörande för sök, rekommendationer och merchandising.    

”Ju bättre datakvalitet vi har, desto mer förtroende bygger vi hos kunden. Det är avgörande eftersom det hjälper kunder att fatta rätt köpbeslut, vilket direkt minskar kostsamma efterföljande problem som returer på grund av felaktigt presenterade produkter”, säger Jessica D’Arcy, Associate Director of Catalog Merchandising på Wayfair.

Före OpenAI förlitade sig förbättringar av taggningen främst på att leverantörer och kunder berättade för Wayfair när något såg fel ut. Manuellt arbete kunde inte hålla jämna steg med volymen. Tidiga specialbyggda AI-modeller för enskilda taggar fungerade visserligen bra, men visade sig vara dyra att bygga och underhålla. ”Vi började med att bygga skräddarsydda modeller för enskilda taggar, och tekniskt sett fungerade det”, säger Carolyn Phillips, Staff Machine Learning Scientist på Wayfair. ”Men när man tittar på 47 000 taggar går den metoden helt enkelt inte att skala upp.”

För att komma bort från engångsmodeller skapade Wayfair ett taggagnostiskt system byggt på en enda OpenAI-modell. En ”definition agent” hämtar information från webben och interna definitioner för att ta fram en kontextuell betydelse för varje tagg. ”Den verkliga flaskhalsen var inte modellens prestanda”, säger Phillips. ”Det var den tid som krävdes för att manuellt definiera och koda vad varje tagg faktiskt betydde. ”Denna kontext, tillsammans med produktdata som samlats in från Wayfairs dataekosystem, matas in i ett ramverk som kan klassificera attribut över olika produktklasser. Teamet utökar nu modellens täckning till nya attribut i en takt som är 70 gånger högre än för bara ett år sedan.

Systemet har nu körts i produktion på mer än en miljon artiklar. Den första vågen av artiklar med förbättrade attribut har dessutom varit live tillräckligt länge för att man ska kunna mäta hur bättre datakvalitet påverkar kundresan. ”När man förbättrar attributens fullständighet är det inte abstrakt. Man ser det i SEO- och PLA-prestanda – i hur kunder upptäcker produkter”, säger Phillips. Ett kontrollerat A/B-test visade en tydlig och statistiskt signifikant ökning av visningar, klick och sidrankning i testgruppen.

Wayfair överlät dock inte bara besluten om att korrigera produktdata till modellen. ”Vårt mål är att bygga förtroende så att kunder kan känna sig helt trygga i vad de köper”, säger Phillips. Företaget utvecklade strukturerade tester med en praktisk granskningsprocess där medarbetare fysiskt inspekterar stickprov för att validera modellens resultat, och arbetade tillsammans med leverantörer för att verifiera ändringar. När den databaserade säkerheten nu är hög skriver automatiserade system över innehållet direkt och meddelar leverantören om ändringen. Om standarden däremot inte uppnås eller om taggen bedöms som högrisk söker Wayfair först bekräftelse från leverantören innan ändringen görs.

Wayfair samarbetar med tiotusentals leverantörer för att stödja sin omfattande katalog. För att hantera leverantörers supportförfrågningar granskade Wayfairs medarbetare tidigare varje inkommande ärende, identifierade manuellt vad leverantörerna försökte åstadkomma och dirigerade ärendena till rätt intern ansvarig – en tidskrävande och felbenägen process. ”Leverantörernas förfrågningar är inte enkla”, säger Graham Ganssle, Supplier Support and Operations på Wayfair. ”De omfattar hundratals olika ärendetyper, och ingen enskild medarbetare kan realistiskt sett behärska dem alla.”

Wayfair lade till agentiska funktioner i en produkt som heter Wilma för att förstärka dessa arbetsflöden med AI. En av de första funktionerna i produktion är ärendetriagering som drivs av en OpenAI-modell. Systemet läser inkommande förfrågningar, fyller i saknad kontext och dirigerar ärenden till rätt team. Wilma har utformats för att kunna driftsättas snabbt. Den bygger på ett system som redan var integrerat med OpenAI-API:er och gick från prototyp till drift på ungefär en månad. ”Wilma ger våra medarbetare hävstång”, säger Ganssle. ”Den läser ärendet, identifierar avsikten, fyller i kontext från våra databaser, kontaktar leverantörer igen vid behov och pekar ärendet i rätt riktning.”

Utöver dirigering har Wayfair infört ett dussin agentiska AI-flöden för specifika lösningsteam. Till exempel läser en co-pilot för Replacement Part Operations-teamet komplex ärendehistorik, föreslår nästa steg och tar fram utkast till svar som medarbetare sedan granskar. Dessa assistenter tränas på historiska data så att de lär sig hur framgång ser ut i sitt sammanhang. ”Modellerna kan sammanfoga kontext från hela ärendeflödet på ett sätt som är svårt för en enskild medarbetare”, säger Ganssle. ”Den bredare överblicken bidrar till högre kund- och leverantörsnöjdhet.”

Wayfair följer hur ofta AI-rekommendationerna överensstämmer med den mänskliga handläggarens slutliga beslut – ett mått som kallas ”alignment rate”. Inom varje team kan arbetsflöden gå från assisterande läge (”co-pilot”) till halvautonomt läge (”autopilot”) när överensstämmelsen konsekvent når en förutbestämd nivå. Detta stegvisa arbetssätt bygger förtroende och säkerställer kvalitetskontroller under implementeringen.

Wayfair rapporterar mätbara förbättringar sedan de integrerade OpenAI-modeller i sina interna system.

På katalogsidan har företaget minskat antalet felaktiga eller saknade produktattributtaggar som kunder kan möta genom att ha korrigerat 2,5 miljoner produkttaggar på över en miljon av de mest synliga och mest köpta produkterna i Wayfairs katalog. De räknar med att fyrdubbla denna effekt under de kommande sex månaderna.

Inom leverantörssupporten har triage-, co-pilot- och autopilot-system ökat kapaciteten genom att automatisera 41 000 ärenden per månad (upp till 70 % i vissa arbetsflöden) och minskat handläggningstiderna genom att ta bort rutinmässigt manuellt arbete från medarbetarnas arbetsbörda. Detta förkortar tiden till lösning avsevärt i flera arbetsflöden, ökar leverantörsnöjdheten markant och minskar antalet ärenden som öppnas på nytt i dessa flöden.

Den bredare insyn som modellerna ger i ärenden och leverantörers avsikter – bortom vad en enskild medarbetare kan se på en skärm – har bidragit till denna ökade nöjdhet.

Operativt sett rapporterar teamen följande:

• Snabbare dirigering och lösning av komplexa leverantörsärenden
• Ökad leverantörsnöjdhet
• Minskad manuell datainmatning och klassificeringsarbete
• Bredare täckning av problem utan krav på expertis inom hundratals ämnen
• Högre tillförlitlighet i katalogattribut före publicering.

Wayfair har också implementerat fler än 1 200 ChatGPT Enterprise-licenser i sin arbetsstyrka på cirka 12 000 personer för att stödja ad hoc-uppgifter, intern problemlösning och experimenterande med generativa modeller.

Wayfair har en lång historia av att investera i maskininlärning och samarbeta med AI-plattformar och LLM-leverantörer för att utveckla verksamheten. Nu utökar framsteg inom banbrytande modeller, särskilt multimodala system, det som teamen kan bygga. Det är särskilt viktigt inom heminredningshandel, där produkter är visuella, stilmässiga och ofta subjektiva.

”Vi är entusiastiska över bredden av problem vi nu kan ta oss an”, säger Carolyn Phillips. ”Traditionella algoritmer kräver mycket tydligt definierade datamängder. De här modellerna gör det möjligt för oss att hantera tvetydighet och kontext på ett sätt som tidigare inte gick att skalanpassa.”

Framåt har efterfrågan på ChatGPT Enterprise bland medarbetarna varit stark. Team på Wayfair ser det som ett praktiskt verktyg som hjälper dem att arbeta snabbare.

Även kundernas förväntningar förändras snabbt. Allt fler kunder känner sig bekväma med att använda AI i vardagen och börjar förvänta sig liknande funktioner när de bläddrar, jämför och handlar online.

”Hemma har kunder ofta inte de exakta orden för det de letar efter”, säger Fiona Tan. ”Naturligt språk och multimodala system hjälper till att överbrygga den klyftan.”

För Wayfairs ledning är målet fortsatt att förstärka mänsklig expertis samtidigt som den interna kapaciteten skalas upp. ”Vi bygger för en värld där AI är en del av köpresan – oavsett om det är på vår webbplats, via supporten eller genom konversationsbaserade gränssnitt”, avslutar Fiona Tan.