Chewy 以能因應不可靠資料的模型，取代憑猜測的補貨方式。

補貨聽起來很簡單：把每項商品買得夠多，讓貨架不缺貨。但在 Chewy，這意味著要協調超過 100,000 個 SKU、橫跨 20 多座物流中心，向數千家供應商採購，並每天執行超過 50 萬筆客戶訂單，同時需求波動、供應商表現不穩定、限制條件不斷變化。

直覺的做法是信任資料並套用業務規則。但資料並不可靠，而且各項決策彼此深度連動：你在某座中心訂購什麼，取決於你持有什麼以及你把貨放在哪裡。Chewy 在自訂的工程平台上打造了一套以科學為基礎的模型組合，並以持續的分析監控作為支援。

這套系統會修正不可靠的資料、納入供應不確定性，並在決定採購訂單、安全庫存與庫存配置時遵守供應商限制。這是關鍵的一步：模型不否認混亂的存在，而是在最佳化之前先吸收並修正它。

經因果分析驗證，這套解決方案改善了庫存配置、減少了拆單出貨並縮短了運輸距離，在一個利潤微薄的產業中帶來財務效益。這使 Chewy 成為 2026 年 Franz Edelman 獎的決選入圍者。

打造能修正不良資料的模型，然後再進行最佳化。

從源頭修正不良資料，勝過在雜訊之上最佳化一項決策。

彼此連動的補貨選擇無法一次只解決一座倉庫。

更少的拆單出貨與更短的距離，可在利潤微薄的品類中降低成本。

持續監控讓模型在條件變動時仍保持誠實。

當輸入資料不可靠時，應先投入心力讓模型對資料具備穩健性，再嘗試在此基礎上最佳化決策。

Chewy 的補貨平台獲選為 2026 年 Franz Edelman 獎的決選入圍者，而這個案例顯示出如何在電子商務規模下打造一套即時、容錯的模型組合。其成果——更好的庫存配置、更少的拆單出貨與更短的距離——正是利潤極微薄的品類中至關重要的結構性、反覆出現的收益。