Chewyは不確実なデータに適応するモデルで当て推量の再発注を置き換えた。

補充は単純に聞こえる。各製品を棚切れしない程度に買えばよい。しかしChewyでは、10万を超えるSKUを20以上のフルフィルメントセンターにまたがって調整し、数千のベンダーから購入し、1日50万件を超える顧客注文を実行することを意味する。しかも需要は変動し、ベンダーの遂行能力は不安定で、制約は変化する。

誘惑に駆られるのは、データを信頼して業務ルールを適用することだ。しかしデータは信頼できず、意思決定は深く相互に結びついている。あるセンターで何を発注するかは、何を保有し、どこに配置するかによって変わる。Chewyは独自のエンジニアリングプラットフォーム上に科学主導のモデル群を構築し、継続的な分析モニタリングで支えた。

このシステムは信頼できないデータを修正し、供給の不確実性を考慮し、発注書、安全在庫、在庫配置を決定する際にベンダーの制約を守る。これが鍵となる動きだ。乱雑さを否定するのではなく、モデルが最適化の前にそれを吸収して修正する。

因果分析によって検証されたこの解決策は、在庫配置を改善し、分割出荷を減らし、輸送距離を短縮し、薄利の事業において財務的インパクトをもたらした。これによりChewyは2026年Franz Edelman Awardの最終候補となった。

不良データを修正するモデルを構築し、その上で最適化する。

不良データを源流で修正することは、ノイズの上に築かれた意思決定を最適化するよりも優れている。

相互に結びついた補充の選択肢は、倉庫ごとに一つずつ解くことはできない。

分割出荷の削減と距離の短縮は、薄利のカテゴリーにおいてコストを削減する。

継続的なモニタリングにより、状況が変化してもモデルの誠実さが保たれる。

入力データが信頼できない場合、その上で意思決定を最適化しようとする前に、モデルをそれに対して頑健にする努力を費やすべきだ。

Chewyの補充プラットフォームは2026年Franz Edelman Awardの最終候補に選ばれ、この事例はリアルタイムで誤りに耐性のあるモデル群をeコマース規模で構築できることを示した。その成果、すなわち分割出荷を減らし距離を短縮しながら在庫配置を改善することは、非常に小さなマージンのカテゴリーで重要となる構造的で反復的な利益の一種である。