Chewy sustituyó la reposición basada en conjeturas por modelos que se ajustan a datos poco fiables.

La reposición parece sencilla: comprar suficiente cantidad de cada producto para que las estanterías no se queden vacías. En Chewy significa coordinar más de 100.000 SKU en más de 20 centros de distribución, comprar a miles de proveedores y ejecutar más de medio millón de pedidos de clientes al día, con una demanda fluctuante, proveedores con un desempeño inconsistente y restricciones cambiantes.

La tentación es confiar en los datos y aplicar reglas de negocio. Pero los datos no son fiables y las decisiones están profundamente interconectadas: lo que se pide en un centro depende de lo que se tiene y de dónde se coloca. Chewy creó un conjunto de modelos basados en ciencia sobre una plataforma de ingeniería propia, respaldado por un monitoreo analítico continuo.

El sistema corrige los datos poco fiables, tiene en cuenta la incertidumbre de suministro y respeta las restricciones de los proveedores al decidir los pedidos de compra, el stock de seguridad y la ubicación del inventario. Este es el movimiento clave: en lugar de negar el desorden, los modelos lo absorben y lo corrigen antes de optimizar.

Verificada mediante análisis causal, la solución mejoró la ubicación del inventario, redujo los envíos divididos y acortó las distancias de envío, con un impacto financiero en un negocio de márgenes ajustados. Convirtió a Chewy en finalista del Premio Franz Edelman 2026.

Crear modelos que corrigen los datos erróneos y luego optimizar.

Corregir los datos erróneos en su origen supera a optimizar una decisión construida sobre ruido.

Las decisiones de reposición interconectadas no pueden resolverse almacén por almacén.

Menos envíos divididos y distancias más cortas reducen el costo en una categoría de márgenes ajustados.

El monitoreo continuo mantiene honestos a los modelos a medida que las condiciones cambian.

Cuando los datos de entrada no son fiables, conviene esforzarse en hacer que el modelo sea robusto frente a ellos antes de intentar optimizar la decisión por encima.

La plataforma de reposición de Chewy fue seleccionada como finalista del Premio Franz Edelman 2026, y el caso mostró cómo se puede construir un conjunto de modelos en tiempo real y tolerante a errores a escala de comercio electrónico. El resultado —una mejor ubicación del inventario con menos envíos divididos y distancias más cortas— es el tipo de ganancia estructural y recurrente que importa en una categoría con márgenes muy pequeños.