Wayfair 透過 OpenAI 提升商品目錄準確度與支援效率

Wayfair 是全球最大的家居用品零售商之一，已將 OpenAI 模型整合至關鍵內部系統，用來提升供應商支援流程與商品目錄品質。2024 年先以小規模測試驗證價值，如今已發展成完整的正式系統，減少人工處理，加快決策，同時提升數百萬項產品的資料品質。

Wayfair 並未將生成式 AI 視為單一工具或實驗，而是直接導入核心營運流程。公司優先處理最複雜、最需要規模化的工作，包括分流並處理供應商支援請求，以及在約 3,000 萬件商品中，穩定提升數萬項產品屬性。

Wayfair 的商品目錄團隊管理數千萬件商品，涵蓋近千種產品類別。產品屬性標籤必須一致且準確，例如顏色、材質、尺寸與功能，才能支援搜尋、推薦與商品陳列。

「資料品質越高，顧客對我們的信任就越強。這一點非常關鍵，因為顧客能做出正確的購買決策，也能減少因產品資訊不準確而產生的退貨等高成本問題。」Wayfair 商品目錄商品規劃副總監 Jessica D'Arcy 表示。

在導入 OpenAI 之前，產品標籤的改善主要仰賴供應商或顧客回報問題。人工處理無法應付這樣的規模。早期為單一標籤建立的客製 AI 模型雖然有效，但建置與維護成本過高。Wayfair 資深機器學習科學家 Carolyn Phillips 表示：「我們一開始為各個標籤打造專屬模型，技術上是可行的。但當標籤數量達到 47,000 個時，這種做法便無法擴展。」

為了擺脫單次模型，Wayfair 建立了一套不依賴特定標籤、以單一 OpenAI 模型為核心的系統。「定義智慧體」會整合網路與內部資料，為每個標籤建立清楚的語意脈絡。Phillips 表示：「瓶頸不在模型效能。真正耗時的是人力定義與編碼每個標籤的意義。」這些語意資料，加上整個資料系統中的產品資訊，會輸入分類框架，用來判斷各類產品的屬性。目前團隊擴展新屬性的速度，已比一年前快 70 倍。

該系統已在超過 100 萬件商品上正式運作。第一批完成屬性強化的商品也已累積足夠時間，用來評估資料品質對顧客體驗的影響。Phillips 表示：「提升屬性完整度並不是抽象概念。可以直接反映在 SEO 與 PLA 表現上，也會影響顧客如何找到商品。」A/B 測試顯示，實驗組的曝光、點擊與頁面排名都有顯著提升。

Wayfair 並未將產品資料修正完全交由模型決定。Phillips 表示：「我們的目標是建立信任，讓顧客對購買內容有充分信心。」公司建立結構化測試流程，由人員實際檢查樣本，驗證模型結果，並與供應商共同確認修改內容。當資料信賴度足夠時，系統會自動覆寫內容並通知供應商。若未達標準或屬於高風險標籤，則會先取得供應商確認再進行修改。

Wayfair 與數萬家供應商合作，共同支撐其完整的商品目錄。為了處理供應商的支援請求，過去 Wayfair 員工需要逐一查看每一張工單，手動判斷供應商的需求，再將問題分派給對應的內部負責團隊。整個流程既耗時又容易出錯。「供應商的要求本來就不簡單，」Wayfair 供應商支援與營運負責人 Graham Ganssle 表示。「這些要求涵蓋數百種類型的問題，任何一位人員都不可能全部精通。」

Wayfair 在名為 Wilma 的產品中加入智慧體功能，透過 AI 強化這些工作流程。其中一項率先上線的功能，是由 OpenAI 模型驅動的工單分流。系統會讀取傳入的要求，補齊缺漏的背景資訊，並將工單分派給合適的團隊。Wilma 的設計重點在於快速部署。由於建立在已整合 OpenAI API 的系統上，從原型到正式上線約只花了一個月。「Wilma 讓員工能把力氣用在更有價值的事情上，」Ganssle 表示。「系統會讀取工單、判斷意圖，從資料庫補齊背景資訊，必要時再向供應商確認，最後把問題導向正確的處理方向。」

除了分流之外，Wayfair 也為特定處理團隊部署了十多個智慧體 AI 工作流程。例如，為 Replacement Part Operations 團隊打造的輔助工具，能讀取複雜的案件歷史、提出後續步驟，並產出回覆草稿，供人工人員審閱。這些助理以歷史資料進行訓練，因此能理解在不同情境下什麼才算成功的處理方式。「模型能整合整個處理歷程中的脈絡，這一點往往超出單一人員的能力範圍。」Ganssle 表示，「這種更全面的掌握，有助於提升顧客與供應商的滿意度。」

Wayfair 會追蹤 AI 建議與人工最終決策一致的比例，這項指標稱為「一致率」。在各個團隊中，當一致率持續達到預設門檻，工作流程就能從輔助（「副駕駛」）模式，逐步轉為半自主（「自動駕駛」）模式。這種分階段推進的方式，有助於建立信任，也能在導入過程中維持品質控管。

Wayfair 表示，自從將 OpenAI 模型整合進內部系統後，已帶來可量化的成效提升。

在商品目錄方面，公司已修正超過 100 萬件曝光度最高、銷量最高商品中的 250 萬筆產品屬性標籤，因此顧客看到錯誤或缺漏標籤的情況明顯減少。公司預計在未來六個月內，將這項成果再擴大四倍。

在供應商支援方面，透過分流、副駕駛與自動駕駛系統，每月可自動處理 41,000 張工單（部分流程最高達70%），整體處理量明顯提升，同時也因減少例行人工操作，加快處理速度。這大幅縮短多個流程的問題解決時間，顯著提升供應商滿意度，並降低工單再次開啟的情況。

模型能從工單與供應商意圖中提供更完整的整體視角，超出單一人員在螢幕上能掌握的範圍，進一步帶動滿意度提升。

從實際營運來看，各團隊回報：

• 更快分流並處理複雜的供應商工單
• 供應商滿意度提升
• 減少手動資料輸入與分類作業
• 在不需要具備跨數百個主題專業的情況下，也能涵蓋更廣泛的問題類型
• 在上線前，對商品目錄屬性的準確性更有信心。

Wayfair 也在約 12,000 名員工中部署超過 1,200 個 ChatGPT Enterprise 席位，用於支援臨時任務、內部問題解決，以及生成式模型的各類實驗。

Wayfair 長期投入機器學習，並持續與 AI 平台與大型語言模型供應商合作，推動業務發展。如今，前沿模型的進展，特別是多模態系統，正在擴大團隊可打造的應用範圍。這在居家零售領域尤其關鍵，因為產品高度仰賴視覺呈現與風格判斷，且往往帶有主觀性。

「我們現在能著手處理的問題範圍，比以前大得多，這讓人非常期待。」Carolyn Phillips 表示。「傳統演算法需要事先定義清楚的資料集。這些模型則能在存在不確定性與脈絡差異的情況下運作，而且能擴展到過去做不到的規模。」

展望未來，員工對 ChatGPT Enterprise 的需求持續強勁。Wayfair 各團隊將其視為能實際提升工作效率的工具。

顧客的期待也在快速改變。越來越多消費者已習慣在日常生活中使用 AI，也開始期待在線上瀏覽、比較與購買時，能有類似的能力支援。

「在家中，顧客往往說不出精確的搜尋用詞，」Fiona Tan 表示，「自然語言與多模態系統正好能補足這個落差。」

對 Wayfair 的管理團隊而言，核心目標仍是放大人類專業能力，同時提升整體營運規模。「我們正在打造一個讓 AI 融入購物歷程的世界，在我們的網站上、透過支援服務互動，或是對話式介面等各個接觸點發揮作用。」Fiona Tan 總結道。