Chewy用能适应不可靠数据的模型取代了凭猜测补货的做法。

补货听起来简单：买足每种产品，避免货架缺货。在Chewy，这涉及到协调超过10万个SKU、20多个配送中心，从数千家供应商采购，每天执行超过50万个客户订单，同时需求波动、供应商表现不稳定、约束条件不断变化。

人们倾向于信任数据并应用业务规则。但数据不可靠，决策又深度互联：在一个中心订购什么取决于你持有多少库存以及放在哪里。Chewy在定制工程平台上构建了一套科学驱动的模型，并辅以持续的分析监控。

该系统在决定采购订单、安全库存和库存布局时，纠正不可靠数据、考虑供应不确定性并遵守供应商约束。关键一步是：不是否认数据的混乱，而是让模型在优化前吸收并纠正这些混乱。

经因果分析验证，该解决方案改善了库存布局，减少了拆分订单，缩短了运输距离，在微利业务中带来财务影响。这使Chewy成为2026年弗兰兹·埃德尔曼奖决赛入围者。

先构建能纠正不良数据的模型，再进行优化。

在源头纠正不良数据比优化基于噪声的决策更好。

相互关联的补货决策不能逐个仓库解决。

更少的拆分订单和更短的运输距离在薄利品类中降低成本。

持续监控保持模型在条件变化时保持真实。

当输入数据不可靠时，先努力让模型对其有鲁棒性，然后再尝试优化决策。

Chewy的补货平台被选为2026年弗兰兹·埃德尔曼奖决赛入围者，该案例展示了如何在电商规模下构建实时、容错的模型套件。结果——更好的库存布局、更少的拆分订单和更短的运输距离——是在利润极薄的品类中重要的结构性、经常性收益。