Wayfair boosts catalog accuracy and support speed with OpenAI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Wayfair는 OpenAI 모델을 상품 카탈로그와 공급업체 지원 업무에 내장해 수백만 개 상품의 속성 정확도를 높이고 티켓 처리 속도를 개선했다.

📌 핵심 요약

• Wayfair는 2024년 소규모 가치 검증으로 시작한 OpenAI 활용을 실제 운영 시스템으로 확장해, 상품 카탈로그 품질 개선과 공급업체 지원 자동화에 적용했다.
• 카탈로그 영역에서는 약 3천만 개 상품과 4만 7천 개 태그 문제를 개별 모델로 해결하는 방식이 확장성 한계에 부딪히자, 단일 OpenAI 모델 기반의 태그 비의존형 구조를 구축했다.
• 새 시스템은 태그 정의와 내부·외부 맥락, Wayfair의 상품 데이터를 결합해 속성을 분류하며, 100만 개 이상 상품에 적용되어 노출, 클릭, 페이지 순위 개선 효과를 확인했다.
• 공급업체 지원 영역에서는 Wilma라는 제품에 OpenAI 기반 티켓 분류와 여러 에이전트형 흐름을 도입해 요청 의도를 파악하고, 맥락을 보완하며, 적절한 팀으로 라우팅하도록 했다.
• Wayfair는 월 4만 1천 건의 티켓 자동화, 일부 워크플로에서 최대 70% 자동화, 250만 개 상품 태그 수정, 1,200개 이상의 ChatGPT Enterprise 좌석 배포 등 측정 가능한 운영 개선을 보고했다.

🧩 주요 포인트

1. Wayfair는 2024년 소규모 가치 검증으로 시작한 OpenAI 활용을 실제 운영 시스템으로 확장해, 상품 카탈로그 품질 개선과 공급업체 지원 자동화에 적용했다.
2. 카탈로그 영역에서는 약 3천만 개 상품과 4만 7천 개 태그 문제를 개별 모델로 해결하는 방식이 확장성 한계에 부딪히자, 단일 OpenAI 모델 기반의 태그 비의존형 구조를 구축했다.
3. 새 시스템은 태그 정의와 내부·외부 맥락, Wayfair의 상품 데이터를 결합해 속성을 분류하며, 100만 개 이상 상품에 적용되어 노출, 클릭, 페이지 순위 개선 효과를 확인했다.
4. 공급업체 지원 영역에서는 Wilma라는 제품에 OpenAI 기반 티켓 분류와 여러 에이전트형 흐름을 도입해 요청 의도를 파악하고, 맥락을 보완하며, 적절한 팀으로 라우팅하도록 했다.
5. Wayfair는 월 4만 1천 건의 티켓 자동화, 일부 워크플로에서 최대 70% 자동화, 250만 개 상품 태그 수정, 1,200개 이상의 ChatGPT Enterprise 좌석 배포 등 측정 가능한 운영 개선을 보고했다.

🧠 상세 정리

1. 소규모 실험에서 핵심 운영 시스템으로의 확장

Wayfair는 OpenAI 모델을 단순한 실험이나 일회성 도구로 다루지 않고, 공급업체 지원과 상품 카탈로그 관리라는 핵심 내부 업무 흐름에 직접 통합했다. 이 작업은 2024년 소규모 출시를 통해 가치를 검증하는 단계에서 시작해, 현재는 수동 작업을 줄이고 의사결정을 빠르게 하며 데이터 품질을 높이는 프로덕션 시스템으로 발전했다. 회사가 먼저 집중한 영역은 복잡성과 규모 문제가 큰 곳이었다. 구체적으로는 공급업체 지원 요청을 분류하고 해결하는 업무, 그리고 약 3천만 개 상품에 걸쳐 수만 개 속성 태그를 일관되게 개선하는 업무가 핵심 대상이었다.

2. 카탈로그 품질 문제가 중요한 이유

Wayfair의 카탈로그 팀은 수천만 개 상품과 거의 1천 개에 가까운 상품군을 관리한다. 색상, 소재, 크기, 특정 기능 같은 상품 속성 태그는 검색, 추천, 머천다이징에 직접 영향을 주기 때문에 고객 경험의 기반이 된다. Jessica D'Arcy는 데이터 품질이 좋아질수록 고객 신뢰가 커지고, 구매자가 올바른 결정을 내릴 수 있어 잘못 표현된 상품으로 인한 반품 같은 비용 문제를 줄일 수 있다고 설명했다. 즉 이 사례에서 카탈로그 데이터는 단순한 내부 정리 대상이 아니라, 고객 발견, 구매 판단, 사후 비용에 연결되는 운영 자산으로 다뤄진다.

3. 기존 방식의 한계와 개별 모델 접근의 비효율

OpenAI 도입 전 Wayfair의 태그 개선은 주로 공급업체나 고객이 잘못된 정보를 알려주는 방식에 의존했다. 하지만 상품 수와 속성 수가 너무 많아 수동 작업만으로는 필요한 속도와 범위를 따라가기 어려웠다. Wayfair는 초기에는 개별 태그마다 맞춤형 AI 모델을 만드는 방식도 시도했으며, 기술적으로는 효과가 있었다고 설명했다. 그러나 Carolyn Phillips는 4만 7천 개 태그를 다뤄야 하는 상황에서 태그별 맞춤 모델을 계속 만들고 유지하는 방식은 비용과 운영 측면에서 확장될 수 없었다고 말했다.

4. 태그 비의존형 AI 구조와 정의 에이전트

Wayfair는 개별 모델 중심 접근을 넘어서기 위해 단일 OpenAI 모델을 기반으로 한 태그 비의존형 시스템을 만들었다. 이 구조에서 정의 에이전트는 웹과 내부 정의를 받아 각 태그가 실제로 무엇을 의미하는지 문맥화된 설명을 생성한다. Phillips는 병목이 모델 성능 자체가 아니라, 각 태그의 의미를 사람이 정의하고 인코딩하는 데 필요한 시간이었다고 설명했다. 이렇게 만들어진 태그 맥락은 Wayfair 데이터 생태계 전반에서 모은 상품 데이터와 결합되어, 여러 상품군에 걸쳐 속성을 분류하는 프레임워크로 활용된다.

5. 카탈로그 적용 결과와 고객 발견성 개선

이 시스템은 현재 100만 개 이상의 상품에 대해 프로덕션에서 실행되었다. 향상된 속성이 적용된 첫 상품군은 충분한 기간 동안 운영되어, 데이터 품질 개선이 고객 여정에 미치는 영향을 측정할 수 있었다. Phillips는 속성 완성도를 개선하면 그 효과가 추상적인 수준에 머무르지 않고 SEO와 PLA 성과, 고객이 상품을 발견하는 방식에서 나타난다고 말했다. 통제된 A/B 테스트에서도 처리 그룹에서 노출, 클릭, 페이지 순위가 실질적이고 유의미하게 증가한 것으로 보고되었다.

6. 자동화와 신뢰 확보를 병행한 품질 관리

Wayfair는 상품 데이터 수정 결정을 모델에 그대로 넘기지 않았다. 회사의 목표는 고객이 구매하는 상품에 대해 완전히 확신할 수 있도록 신뢰를 구축하는 것이었다. 이를 위해 모델 출력은 사람이 직접 샘플을 물리적으로 검사하는 감사 절차와 공급업체 검증을 통해 평가되었다. 데이터 기반 확신이 높은 경우에는 자동 시스템이 콘텐츠를 직접 덮어쓰고 공급업체에 변경 사실을 알리지만, 기준을 충족하지 못하거나 위험도가 높은 태그는 먼저 공급업체 확인을 거친 뒤 변경하도록 설계했다.

7. Wilma를 통한 공급업체 지원 업무 재설계

Wayfair는 수만 개 공급업체와 협력하며 방대한 카탈로그를 지원한다. 과거에는 공급업체가 보낸 모든 티켓을 담당자가 직접 검토하고, 요청의 의도를 파악한 뒤 적절한 내부 담당자에게 전달해야 했다. Graham Ganssle는 공급업체 요청이 단순하지 않고 수백 가지 문제 유형에 걸쳐 있어 한 명의 담당자가 모든 영역을 현실적으로 숙달하기 어렵다고 설명했다. 이에 Wayfair는 Wilma라는 제품에 OpenAI 기반 에이전트형 기능을 추가해 티켓을 읽고, 빠진 맥락을 채우며, 필요한 경우 공급업체에 다시 확인하고, 적절한 팀으로 요청을 보내도록 했다.

8. 티켓 분류에서 팀별 코파일럿과 오토파일럿으로

Wilma의 초기 프로덕션 기능 중 하나는 OpenAI 모델이 지원하는 티켓 분류였다. 이 시스템은 이미 OpenAI API와 통합된 기반 위에 구축되어 약 한 달 만에 프로토타입에서 라이브 시스템으로 전환되었다. Wayfair는 라우팅을 넘어 특정 해결 팀을 위한 12개의 에이전트형 AI 흐름도 배포했다. 예를 들어 Replacement Part Operations 팀의 코파일럿은 복잡한 케이스 이력을 읽고 다음 단계를 제안하며, 사람이 검토할 초안 응답을 제시한다. 회사는 AI 추천이 인간 담당자의 최종 결정과 얼마나 일치하는지를 정렬률로 추적하고, 기준에 도달한 경우 보조 모드에서 반자율 모드로 단계적으로 전환한다.

9. 측정 가능한 운영 성과와 ChatGPT Enterprise 활용

Wayfair는 OpenAI 모델을 내부 시스템에 통합한 뒤 여러 측정 가능한 개선을 보고했다. 카탈로그 측면에서는 고객이 볼 수 있는 잘못되었거나 누락된 상품 속성 태그를 줄였고, 가장 많이 노출되고 구매되는 상품 100만 개 이상에서 250만 개 상품 태그를 수정했다. 회사는 향후 6개월 안에 이 영향이 네 배로 확대될 것으로 예상한다고 밝혔다. 공급업체 지원에서는 티켓 분류, 코파일럿, 오토파일럿 시스템을 통해 월 4만 1천 건의 티켓을 자동화했고, 일부 워크플로에서는 최대 70%까지 자동화가 이뤄졌다. 또한 약 1만 2천 명 규모의 인력 중 1,200개 이상의 ChatGPT Enterprise 좌석을 배포해 임시 업무, 내부 문제 해결, 생성형 모델 실험에도 활용하고 있다.

10. 향후 방향: 시각적·자연어 기반 쇼핑 경험

Wayfair는 오랫동안 머신러닝과 AI 플랫폼 협업에 투자해 왔으며, 이제 더 발전한 모델이 팀이 구축할 수 있는 범위를 넓히고 있다고 설명한다. 특히 홈 리테일은 상품이 시각적이고 스타일과 취향이 중요하며, 때로는 주관적인 판단이 필요한 분야라는 점에서 멀티모달 시스템의 의미가 크다고 본다. Carolyn Phillips는 전통적 알고리즘이 엄격하게 정의된 데이터셋을 요구하는 반면, 새로운 모델은 모호성과 맥락을 더 확장 가능한 방식으로 다루게 해준다고 말했다. Fiona Tan은 고객이 집에서 원하는 것을 정확한 단어로 표현하지 못하는 경우가 많으며, 자연어와 멀티모달 시스템이 그 간극을 메울 수 있다고 설명했다.

🧾 핵심 주장 / 시사점

• Wayfair 사례의 핵심은 생성형 AI를 별도 실험으로 두지 않고, 카탈로그 수정과 지원 티켓 처리처럼 반복적이면서도 규모가 큰 운영 흐름에 직접 연결했다는 점이다.
• 자동화 확대는 모델 성능만으로 이루어진 것이 아니라, 태그 정의, 데이터 맥락 수집, 수동 감사, 공급업체 확인, 정렬률 기반 단계 전환 같은 신뢰 장치와 함께 설계되었다.
• 상품 속성 데이터 개선은 내부 효율에 그치지 않고 검색 노출, 광고 성과, 페이지 순위, 고객 신뢰, 반품 가능성 같은 리테일 비즈니스 성과와 연결되는 문제로 제시된다.

✅ 액션 아이템

• Wayfair가 3천만 개 상품에서 적용한 방식처럼 태그 정의와 내부·외부 맥락을 결합해 단일 OpenAI 모델 기반 카탈로그 분류 체계로 통합 여부를 검증한다.
• 카탈로그 운영에서 4만7천 개 태그의 분산 처리 한계를 피하기 위해 태그 비의존형 설계를 기준으로 모델·파이프라인 변경 범위를 정의하고 적용 경로를 정리한다.
• Wilma형 티켓 분류와 에이전트형 라우팅 흐름을 월 4만1천 건 자동화, 일부 워크플로 70% 자동화, 250만 개 태그 수정 실적으로 연동해 운영 성과를 점검한다.

❓ 열린 질문

• 단일 OpenAI 모델이 3천만 상품·4만7천 태그 환경에서 분리형 모델 대비 정확도와 지연을 어떻게 유지할 것인가?
• 요청 의도 분류와 맥락 보강 후 팀 라우팅 단계에서 오탐·누락을 줄이기 위한 추가 판단 기준은 무엇인가?
• 100만 상품에서 본 노출·클릭·페이지순위 개선 효과가 3천만 상품 전체 적용 시에도 동일하게 유지될 수 있는가?