واي فير: تدقيق مواصفات ملايين المنتجات وأتمتة تذاكر الموردين
واي فير استخدمت نماذج أوبن إيه آي لتدقيق مواصفات أكثر من 11 مليون منتج، وأتمتة حوالي 41 ألف تذكرة دعم موردين شهريًا.
- الجهة
- Wayfair
- المجال
- العمليات والأتمتة
- الأداة
- OpenAI، ChatGPT
- المصدر
- أوبن إيه آي: قصة عميل واي فير
نُشر المصدر: 25 سبتمبر 2026
وش كانت المشكلة؟
الكتالوج فيه حوالي 40 مليون منتج، ودقة اللون والخامة والحجم تؤثر على البحث والإرجاع. وفي نفس الوقت عندهم عشرات آلاف الموردين وتذاكر دعم يدوية بطيئة ومعرّضة للخطأ.
وش سوّوا؟
بنت نظام جودة كتالوج يبني دليل تعريفات للوسوم ثم يراجع بيانات المنتج ويلصق التصنيفات، مع تدقيق بشري/مورد عند الثقة المنخفضة. وفي منصة ويلما صار النظام يقرأ طلب المورد ويكمل السياق ويحوّل للفريق الصح، مع عشرات سير العمل الآلية.
النتيجة حسب المصدر
- تدقيق وتصحيح بيانات خصائص لأكثر من 11 مليون منتج من الأكثر ظهورًا وشراءً.
- أتمتة حوالي 41 ألف تذكرة دعم موردين في الشهر، وتصل الأتمتة لين 70% من التذاكر في بعض المسارات.
- أكثر من 1200 مقعد شات جي بي تي إنتربرايز بين حوالي 12 ألف موظف.
- اختبار أ/ب أظهر ارتفاعًا ملحوظًا في الظهور والنقر وترتيب الصفحة لمجموعة التجربة.
الأرقام منقولة كما نشرها المصدر، وما تحققنا منها بشكل مستقل. وقصص العملاء غالبًا من الشركة اللي تبيع الأداة، فنتيجتك ممكن تختلف.
وش تتعلم منها؟
الأرقام من قصة أوبن إيه آي عن واي فير. الدرس: ابدأ بجودة البيانات الظاهرة للعميل (اللون/المقاس) لأنها ترجع كمبيعات وإرجاع أقل، وبعدها أتمت تذاكر الموردين.
كيف تسويها بنفسك؟
- حدد أهم خصائص المنتج اللي تسبب إرجاع أو بحث فاشل.
- اكتب تعريفات واضحة لكل قيمة (مثلاً وش يعني «بيج»).
- خل النموذج يقترح التصنيف، وخل مراجعة بشرية للحالات الحساسة.
- للتذاكر: صنّف الطلب وعبّئ السياق من أنظمتك قبل ما يفتحها الموظف.
- ارفع مستوى الأتمتة بس بعد ما توصيّات الذكاء الاصطناعي تطابق قرار الموظف بنسبة عالية.
برومبت جاهز تبدأ فيه
عدّل اللي بين الأقواس [ ] على وضعك. ولا تلصق بيانات عملاء أو أرقام هويات في أداة ما تعرف سياستها.
حالات وأدلة قريبة
المصدر
آخر تحديث للصفحة: 5 نوفمبر 2026