Wayfair 借助 OpenAI 提升目录准确性与支持速度

# Wayfair 借助 OpenAI 提升目录准确性与支持响应速度 来源：https://openai.com/index/wayfair/ Wayfair 是全球最大的家居用品零售商之一，该公司已将 OpenAI 模型集成到关键内部系统中，以大规模改进供应商支持工作流程和产品目录质量。从 2024 年小规模发布的价值验证起步，现已发展为全生产系统，减少了人工操作，加速了决策，并改善了数百万产品的数据质量。 Wayfair 并未将生成式 AI 视为实验或点式解决方案，而是将其嵌入核心运营工作流。公司首先聚焦在复杂性和规模化需求最高的领域：路由和解决供应商支持请求，以及一致地改进约 3000 万件产品目录中数万个产品属性。 > “最有价值的是思想伙伴关系。不仅仅是模型的使用权限，更是共同探索新的用例并快速行动的能力。” > > — Fiona Tan，首席技术官 Wayfair 的目录团队管理着近千个不同产品类别的数千万件产品。一致且准确的产品属性标签（如颜色、材质、尺寸或特定功能）对于搜索、推荐和商品陈列至关重要。 “我们的数据质量越高，与客户建立的信任就越强。这至关重要，因为它能帮助购物者做出正确的购买决策，直接减少因产品描述不当而导致的昂贵下游问题，如退货。”Wayfair 目录商品销售副总监 Jessica D'Arcy 表示。 在引入 OpenAI 之前，标签改进主要依赖供应商和客户告知 Wayfair 哪里看起来有问题。手动处理无法跟上数量。早期针对个别标签的定制 AI 模型虽然有效，但构建和维护成本高昂。“我们最初为单个标签构建定制模型，技术上可行，”Wayfair 机器学习科学家 Carolyn Phillips 说，“但面对 47,000 个标签时，这种方法根本无法扩展。” UI 截图展示了针对“圆胡桃木实木咖啡桌，28.7 英寸”的 AI 产品质量审核。左侧是一张低矮圆形木质咖啡桌的照片，带有圆柱形桌腿和上面摆放的花瓶。右侧是一个表格，对比了产品属性的原始值和 AI 修正值。AI 标记了几个问题：将木材种类从胡桃木更正为松木，将桌腿设计从球脚改为直腿，将未完成和扇形边缘标记为否，并添加了包含抽屉：否。尺寸和桌面厚度保持不变。横幅显示“AI 质量审核 – 发现 5 个问题”，页脚注明“已修正 4 处，已添加 1 个属性，已验证 2 个属性，所有修正均已自动应用。” 为了摆脱一次性模型，Wayfair 创建了一个基于单一 OpenAI 模型的、与标签无关的系统。一个“定义代理”摄取网络和内部定义，为每个标签生成上下文含义。“真正的瓶颈不是模型性能，”Phillips 说，“而是定义和编码每个标签实际含义所需的人工时间。”这些上下文，连同从 Wayfair 数据生态系统中聚合的产品数据，被输入到一个能够跨产品类别分类属性的框架中。该团队现在以一年前 70 倍的速度将模型覆盖范围扩展到新属性。 该系统目前已在上百万种产品上投入生产。第一批具有增强属性的产品已经上线足够长的时间，可以衡量改进数据质量对客户旅程的影响。“当你改进属性完整性时，这并不是抽象的。你会看到它在 SEO 和 PLA 表现中体现出来——体现在客户如何发现产品上，”Phillips 说。一项受控 A/B 测试显示，处理组在展示量、点击量和页面排名方面均有显著提升。 然而，Wayfair 并未简单地将纠正产品数据的决策交给模型。“我们的目标是建立信任，让客户完全确信他们正在购买什么，”Phillips 说。公司开发了结构化测试，采用实操审核流程，由员工亲自检查样品以验证模型输出，并与供应商合作验证更改。现在，当基于数据的置信度很高时，自动化系统会直接覆盖内容并通知供应商更改。而当高标准未达到或标签被视为高风险时，Wayfair 首先征求供应商确认，然后再进行更改。 Wayfair 与数万家供应商合作，支持其全面的产品目录。为了管理供应商支持请求，Wayfair 员工过去需要审查每一个传入的工单，手动识别供应商试图完成什么，并将问题路由给正确的内部负责人——这是一个耗时且容易出错的过程。“供应商请求并不简单，”Wayfair 供应商支持与运营 Graham Ganssle 说，“它们涵盖数百种问题类型，没有哪个员工能真正掌握所有类型。” Wayfair 在一个名为 Wilma 的产品中添加了代理功能，以增强这些工作流程。生产中的首批功能之一是基于 OpenAI 模型的工单分类系统。该系统读取传入请求，补充缺失的上下文，并将工单路由到适当的团队。Wilma 的设计目标是快速部署；它构建在已经集成了 OpenAI API 的系统之上，从原型到上线大约用了一个月。“Wilma 为员工提供了杠杆，”Ganssle 说，“它读取工单，识别意图，从我们的数据库中补充上下文，必要时联系供应商，并将问题指向正确的方向。” 除了路由，Wayfair 还为特定的解决方案团队部署了十几个代理式 AI 流程。例如，为配件零件运营团队提供的副驾系统会读取复杂的案例历史，提出下一步建议和草拟回复，由人工员工审核。这些助手基于历史数据进行训练，以便了解在上下文中成功的样子。“模型能够以单个员工难以做到的方式综合整个旅程的上下文，”Ganssle 说，“这种更广泛的可见性有助于提高客户和供应商满意度。” Wayfair 会追踪 AI 建议与人工作出最终决策的匹配频率——即“对齐率”。在每个团队中，当对齐率持续达到预定阈值时，工作流程可以从辅助模式（“副驾”）切换到半自主模式（“自动驾驶”）。这种分阶段的方法建立了信任，并确保在推广过程中保持质量控制。 > “如果一开始没有正确路由问题，下游的一切都会变慢。分类是基础。” > > – Graham Ganssle，Wayfair 供应商支持运营 Wayfair 报告了自将 OpenAI 模型集成到内部系统以来可衡量的改进。 在目录方面，公司减少了客户可能看到的错误或缺失的产品属性标签数量——已纠正了 Wayfair 目录中超过一百万个最显眼和购买量最高的产品的 250 万个产品标签。他们预计未来六个月将这一影响翻两番。 在供应商支持方面，分类、副驾和自动驾驶系统通过每月自动化处理 41,000 个工单（在某些工作流程中高达 70%）提高了吞吐量，并通过去除常规手工工作减少了周转时间。这极大地缩短了多个工作流程的解决时间，显著提升了供应商满意度，并减少了这些工作流程中工单的重新打开。 模型为工单和供应商意图提供的更广泛可见性（超越了单个员工在屏幕上能看到的信息）是满意度提升的因素之一。 在运营方面，团队报告： - 更快地路由和解决复杂的供应商工单 - 提高供应商满意度 - 减少手动数据录入和分类工作 - 无需掌握数百个主题的专业知识即可覆盖更广泛的问题 - 在发布前对目录属性更有信心。 Wayfair 还已在其约 12,000 名员工中部署了超过 1,200 个 ChatGPT Enterprise 席位，以支持临时任务、内部问题解决和生成式模型实验。 Wayfair 在投资机器学习以及与 AI 平台和 LLM 提供商合作以推动业务发展方面有着悠久的历史。现在，前沿模型（尤其是多模态系统）的进步正在扩展其团队能够构建的内容。这在家居零售领域尤为重要，因为产品通常是视觉化、风格化且常带有主观性的。 “我们对现在能够解决的问题范围感到兴奋，”Carolyn Phillips 说，“传统算法需要严格定义的数据集。这些模型使我们能够以一种以前无法扩展的方式处理模糊性和上下文。” 展望未来，员工对 ChatGPT Enterprise 的需求一直很强劲。Wayfair 的团队将其视为帮助他们更快行动的实用工具。 客户期望也在迅速变化。越来越多的购物者习惯在日常生活中使用 AI，并开始在浏览、比较和在线购买时期待类似的能力。 “在家里，客户往往找不到确切的词语来描述他们想要的东西，”Fiona Tan 说，“自然语言和多模态系统有助于弥补这一差距。” 对于 Wayfair 的领导层来说，目标仍然是在扩展内部能力的同时增强人类专业知识。“我们正在构建一个 AI 成为购物旅程一部分的世界——无论是在我们的网站上、通过支持还是通过对话界面，”Fiona Tan 总结道。