Chewy a remplacé les réapprovisionnements fondés sur des estimations par des modèles qui s'adaptent à des données peu fiables.

Le réapprovisionnement semble simple : acheter suffisamment de chaque produit pour que les rayons ne soient jamais vides. Chez Chewy, cela signifie coordonner plus de 100 000 références (SKU) réparties dans plus de 20 centres de distribution, acheter auprès de milliers de fournisseurs et exécuter plus d'un demi-million de commandes clients par jour, avec une demande fluctuante, des fournisseurs aux performances irrégulières et des contraintes changeantes.

La tentation est de faire confiance aux données et d'appliquer des règles métier. Mais les données ne sont pas fiables et les décisions sont profondément interdépendantes : ce que l'on commande dans un centre dépend de ce que l'on détient et de l'endroit où on le place. Chewy a construit une suite de modèles fondés sur la science, sur une plateforme d'ingénierie sur mesure, soutenue par une surveillance analytique continue.

Le système corrige les données peu fiables, tient compte de l'incertitude de l'approvisionnement et respecte les contraintes des fournisseurs lorsqu'il décide des bons de commande, du stock de sécurité et du placement des stocks. C'est là le geste clé : plutôt que de nier le désordre, les modèles l'absorbent et le corrigent avant d'optimiser.

Vérifiée par analyse causale, la solution a amélioré le placement des stocks, réduit les expéditions fractionnées et raccourci les distances d'expédition, produisant un impact financier dans une activité à faible marge. Elle a fait de Chewy un finaliste du prix Franz Edelman 2026.

Construire des modèles qui corrigent les mauvaises données, puis optimiser.

Corriger les mauvaises données à la source vaut mieux que d'optimiser une décision bâtie sur du bruit.

Des choix de réapprovisionnement interdépendants ne peuvent pas être résolus entrepôt par entrepôt.

Moins d'expéditions fractionnées et des distances plus courtes réduisent les coûts dans une catégorie à faible marge.

Une surveillance continue maintient les modèles honnêtes à mesure que les conditions évoluent.

Lorsque les données d'entrée ne sont pas fiables, consacrer des efforts à rendre le modèle robuste à ces données avant de chercher à optimiser la décision par-dessus.

La plateforme de réapprovisionnement de Chewy a été retenue comme finaliste du prix Franz Edelman 2026, et le cas a montré comment une suite de modèles en temps réel et tolérante aux erreurs pouvait être construite à l'échelle du commerce électronique. Le résultat — un meilleur placement des stocks avec moins d'expéditions fractionnées et des distances plus courtes — est le type de gain structurel et récurrent qui compte dans une catégorie à très faible marge.