Chewy는 불안정한 데이터에 적응하는 모델로 추측 기반 재주문을 대체했다.

재고 보충은 간단해 보인다. 각 제품을 충분히 사서 진열대가 비지 않게 하면 된다. 하지만 Chewy에서는 20개 이상의 풀필먼트 센터에 걸쳐 10만 개가 넘는 SKU를 조정하고, 수천 개의 공급업체로부터 구매하며, 수요가 변동하고 공급업체의 성과가 일관되지 않고 제약 조건이 바뀌는 가운데 매일 50만 건이 넘는 고객 주문을 처리하는 일을 뜻한다.

유혹은 데이터를 신뢰하고 비즈니스 규칙을 적용하는 것이다. 그러나 데이터는 신뢰할 수 없고 의사결정은 깊이 얽혀 있다. 한 센터에서 무엇을 주문할지는 그곳에 무엇을 보유하고 어디에 배치하는지에 달려 있다. Chewy는 맞춤형 엔지니어링 플랫폼 위에 과학 기반의 모델 모음을 구축했고, 지속적인 분석 모니터링으로 이를 뒷받침했다.

이 시스템은 구매 주문, 안전 재고, 재고 배치를 결정하면서 신뢰할 수 없는 데이터를 교정하고, 공급 불확실성을 고려하며, 공급업체 제약을 준수한다. 이것이 핵심이다. 혼란을 부정하는 대신 모델이 혼란을 흡수하고 교정한 뒤 최적화한다.

인과 분석을 통해 검증된 이 해결책은 재고 배치를 개선하고 분할 배송을 줄이며 배송 거리를 단축해, 박마진 사업에서 재무적 영향을 창출했다. 이로써 Chewy는 2026년 Franz Edelman Award 최종 후보가 되었다.

나쁜 데이터를 교정하는 모델을 구축한 뒤 최적화하라.

나쁜 데이터를 원천에서 교정하는 것이 잡음 위에 세워진 의사결정을 최적화하는 것보다 낫다.

상호 연결된 재고 보충 선택은 창고 하나씩 따로 풀 수 없다.

분할 배송이 줄고 거리가 단축되면 박마진 카테고리에서 비용이 절감된다.

지속적인 모니터링은 상황이 변해도 모델이 정직하게 유지되도록 한다.

입력 데이터가 신뢰할 수 없을 때는 그 위에서 의사결정을 최적화하려 하기 전에 모델을 데이터에 견고하게 만드는 데 노력을 쏟아야 한다.

Chewy의 재고 보충 플랫폼은 2026년 Franz Edelman Award 최종 후보로 선정되었고, 이 사례는 전자상거래 규모에서 실시간의 오류 허용 모델 모음을 어떻게 구축할 수 있는지 보여주었다. 분할 배송이 줄고 거리가 단축된 더 나은 재고 배치라는 결과는 마진이 매우 작은 카테고리에서 중요한 구조적이고 반복적인 이익이다.