Chewy ersetzte Nachbestellungen nach Vermutungen durch Modelle, die sich unzuverlässigen Daten anpassen.

Nachschub klingt einfach: von jedem Produkt genug kaufen, damit die Regale nicht leer werden. Bei Chewy bedeutet das, über 100.000 SKUs in mehr als 20 Fulfillment-Centern zu koordinieren, bei Tausenden Lieferanten einzukaufen und täglich über eine halbe Million Kundenbestellungen auszuführen, während die Nachfrage schwankt, Lieferanten unbeständig liefern und sich Rahmenbedingungen ändern.

Die Versuchung ist, den Daten zu vertrauen und Geschäftsregeln anzuwenden. Doch die Daten sind unzuverlässig, und die Entscheidungen sind eng miteinander verknüpft: Was in einem Center bestellt wird, hängt davon ab, was man vorhält und wo man es platziert. Chewy entwickelte eine wissenschaftlich fundierte Modellsuite auf einer eigens gebauten Engineering-Plattform, unterstützt durch kontinuierliche analytische Überwachung.

Das System korrigiert unzuverlässige Daten, berücksichtigt Angebotsunsicherheit und respektiert Lieferantenrestriktionen, während es über Bestellungen, Sicherheitsbestände und Lagerplatzierung entscheidet. Das ist der entscheidende Schritt: Statt die Unordnung zu leugnen, absorbieren und korrigieren die Modelle sie, bevor sie optimieren.

Durch Kausalanalyse verifiziert, verbesserte die Lösung die Lagerplatzierung, verringerte Teillieferungen und verkürzte Versandentfernungen und erzielte finanzielle Wirkung in einem margenschwachen Geschäft. Sie machte Chewy zum Finalisten des Franz-Edelman-Awards 2026.

Modelle bauen, die schlechte Daten korrigieren, und dann optimieren.

Schlechte Daten an der Quelle zu korrigieren ist besser, als eine auf Rauschen aufgebaute Entscheidung zu optimieren.

Miteinander verknüpfte Nachschubentscheidungen lassen sich nicht Lager für Lager lösen.

Weniger Teillieferungen und kürzere Entfernungen senken die Kosten in einer margenschwachen Kategorie.

Kontinuierliche Überwachung hält die Modelle ehrlich, während sich die Bedingungen verschieben.

Wenn die Eingabedaten unzuverlässig sind, sollte man Aufwand darauf verwenden, das Modell robust dagegen zu machen, bevor man versucht, die Entscheidung darauf aufbauend zu optimieren.

Chewys Nachschubplattform wurde als Finalist des Franz-Edelman-Awards 2026 ausgewählt, und der Fall zeigte, wie sich eine echtzeitfähige, fehlertolerante Modellsuite im E-Commerce-Maßstab aufbauen lässt. Das Ergebnis – bessere Lagerplatzierung mit weniger Teillieferungen und kürzeren Entfernungen – ist die Art strukturellen, wiederkehrenden Gewinns, der in einer Kategorie mit sehr kleinen Margen zählt.