Wayfair 利用 OpenAI 提升商品目錄準確度和支援效率

Wayfair 作為全球最大的家居用品零售商之一，已將 OpenAI 模型整合至最主要的內部系統，以大規模提升供應商支援工作流程和產品目錄質素。這項工作最初於 2024 年以小規模價值測試為起點，現已發展成完整的生產系統，大幅減少人手操作，加快決策流程，並提升數百萬項產品的數據質素。

Wayfair 並沒有將生成式 AI 視為試驗或個別的解決方案，而是將 OpenAI 模型深度整合至核心營運流程。公司首先針對複雜度和規模需求最高的範疇，包括供應商支援要求的分流與處理，以及在約 3,000 萬項商品的目錄中一致地優化數以萬計的產品屬性。

Wayfair 的商品目錄團隊管理數以千計產品類別，涵蓋數以千萬計的商品。一致而準確的產品屬性標籤，例如顏色、物料、尺寸或特定功能，對搜尋、產品建議和商品陳列都非常重要。

Wayfair 商品目錄商品化副總監 Jessica D'Arcy 表示：「數據質素越高，客戶對我們就更加信任。這一點非常關鍵，因為它能幫助顧客作出正確的購買決定，並直接減少因產品資訊失實而導致的退貨等高成本後續問題。」

在引入 OpenAI 之前，標籤優化主要依賴供應商或顧客回報問題。人手處理難以應付龐大的規模。早期針對個別標籤建立的自訂 AI 模型雖然有效，但開發及維護成本不菲。Wayfair 資深機器學習科學家 Carolyn Phillips 表示：「我們一開始為每個標籤建立專屬模型，技術上是可行的。但當標籤數量達到 47,000 個時，這種方法根本無法擴展。」

為突破單次模型的限制，Wayfair 建立了一套以單一 OpenAI 模型為基礎、與標籤無關的系統。系統中的「定義智能代理」會整合網絡和內部定義，為每個標籤建立因應情境的理解。Phillips 表示：「真正的瓶頸並不在於模型表現，而是需要大量人手去界定每個標籤的實際含意，然後再進行編碼。」在新系統中，這些情境資料，連同從 Wayfair 數據生態系統整合而來的產品數據，會一同輸入至一個可跨產品類別進行屬性分類的框架。團隊現時將模型擴展至新屬性的速度，已達到一年前的 70 倍。

這套系統目前已應用於超過 100 萬項產品上。而首批具備強化屬性的產品現已上線一段時間，足以衡量提升數據質量對客戶整體體驗的影響。Phillips 表示：「當產品屬性更加完整，所帶來的影響並非抽象的質素提升，而是能夠直接反映在 SEO 和 PLA 表現上，例如影響顧客如何發現產品。」控制比較 A/B 測試顯示，實驗組在曝光量、點擊率和頁面排名方面都大幅度且顯著提升。

然而，Wayfair 並沒有將修正產品數據的決策完全交由模型處理。Phillips 表示：「我們的目標是建立信任，令顧客對所購買的產品完全有信心。」公司透過實作審核流程建立結構化測試，由員工親身檢查樣本以驗證模型輸出，並與供應商合作以驗證變更。現時，當數據信心水平較高時，自動化系統會直接更新相關內容，並通知供應商有關更改。而當未達高標準或標籤被視為高風險時，Wayfair 會先取得供應商確認，才進行修改。

Wayfair 與數以萬計的供應商合作，以支援其完整的商品目錄。過往在處理供應商支援要求時，員工需要逐一檢視每個支援個案，手動判斷供應商的需求，並將問題分派至合適的內部負責人，這個流程不但費時，亦很容易出錯。Wayfair 供應商支援與營運主管 Graham Ganssle 表示：「供應商的支援要求並不簡單。這些支援個案涵蓋數百種問題類型，並非任何一位員工可以全面掌握。」

Wayfair 在名為 Wilma 的產品中加入智能代理功能，以 AI 強化相關流程。其中一項率先投入生產的功能，是由 OpenAI 模型驅動的支援個案分類。系統會讀取來自供應商的支援要求，補充缺失的情境，並將支援個案分派至合適團隊。Wilma 以快速部署為設計目標，建基於已整合 OpenAI API 的系統，從原型到正式上線，當中只需要約一個月的時間。Ganssle 表示：「Wilma 令員工可以更有效地發揮能力。系統可以閱讀支援個案、識別意圖、從資料庫中補充情境，必要時再向供應商查詢，並將問題引導至正確方向。」

除了分流外，Wayfair 亦為不同處理團隊部署了十多個智能代理流程。例如，專為更換零件營運團隊而設的協作助理，可以閱讀複雜案例記錄，提出下一步建議，並生成回覆草稿供員工審核。這些助理經由歷史數據進行訓練，能透過情境學習成功處理方式。Ganssle 表示：「模型能整合整個流程中的情境，單一員工往往難以掌握這種程度的資訊。這種更全面的視野有助提升顧客和供應商滿意度。」

Wayfair 會追蹤 AI 的建議，並與服務專員的最終決定作比較，了解兩者是否相符，而這項測量標準稱為「對齊率」。在每個團隊中，當一致性持續達到預定的門檻時，工作流程就可以從輔助（「副手」）模式轉變為半自主（「自動駕駛」）模式。這種分階段的方法有助逐步建立信任，並確保在推出期間進行品質控制。

Wayfair 報告指，自從將 OpenAI 模型整合至內部系統以來，已經見到可以量度的實質改善。

在商品目錄方面，公司已大幅減少顧客可能看到的錯誤或缺失產品屬性標籤。目前已在 Wayfair 目錄中超過 100 萬個顧客最常瀏覽和購買的產品上，修正了約 250 萬個產品標籤。未來六個月，預計這項成效將進一步擴大至四倍。

在供應商支援方面，透過支援個案分類、協作助理和自動化系統，吞吐量提升，每月可自動處理約 41,000 個支援個案（在部分流程中最高可達 70%），同時減少員工需處理的日常重複工作，從而縮短處理時間。這大幅加快了多個流程的問題解決速度，顯著提升供應商滿意度，並減少需要重新開啟支援個案的情況。

此外，模型能夠提供更全面的視角，深入理解支援個案的內容和供應商意圖。單一員工往往難以透過電腦畫面全面掌握這些資訊，因此全新流程亦有助提升對支援的滿意度。

在營運層面上，團隊表示：

• 更快轉介及解決複雜的供應商支援個案
• 提升供應商滿意度
• 減少人工資料輸入和分類工作
• 議題覆蓋範圍更廣泛，無需具備涵蓋數百個主題的專業知識。
• 在發佈前對目錄屬性更有信心。

Wayfair 亦已在其約 12,000 名員工中部署超過 1,200 個 ChatGPT Enterprise 帳戶，用於支援臨時任務、內部問題解決，以及對生成式模型的實驗與探索。

Wayfair 一直積極投資於機器學習，並與各類 AI 平台及大型語言模型 (LLM) 供應商合作，推動業務發展。如今，前沿模型的進步，特別是多模態系統，正進一步擴展團隊可構建的應用範圍。這在家居零售領域尤為重要，因為產品往往講求視覺效果和風格，且帶有一定主觀性。

Carolyn Phillips 表示：「我們對現時能夠處理的問題範圍感到非常興奮。傳統演算法需要高度明確定義的數據集，這些模型讓我們能夠在不確定性和情境中運作，並以過去難以實現的規模處理問題。」

展望未來，員工對 ChatGPT Enterprise 的需求持續強勁。Wayfair 各團隊普遍視之為一項實用工具，有助加快工作節奏。

同時，顧客的期望亦正在迅速轉變。越來越多消費者已習慣在日常生活中使用 AI，並開始期望在網上瀏覽、比較及購物時，也能獲得類似的體驗。

Fiona Tan 表示：「在家居場景中，顧客往往難以準確描述自己想要的產品。自然語言與多模態系統正好能填補這個落差。」

對 Wayfair 管理層而言，目標仍然是結合人類專業知識，同時擴展內部能力規模。Fiona Tan 總結：「我們正為一個 AI 成為購物體驗一部分的世界作準備，無論是在我們的網站、支援服務，還是透過對話式介面。」