AI驱动门店拣货：从关闭电商中心到30分钟履约的路径

2025-12-19，Ahold Delhaize USA 旗下的 Giant Food 与 The Giant Company 宣布：将于 2026 年第一季度末前关闭 6 个集中式电商履约中心，转向 门店履约（in-store fulfillment）。这不是“电商降温”，而是零售物流在“速度、可得性、品类”三重压力下的一次结构性改道。

我一直觉得，很多企业在讨论“集中仓 vs 分布式门店拣货”时，容易把问题说成选边站：要么上大仓自动化，要么靠门店人肉拣货。现实更像一道动态优化题——今天的最优解，可能在下个促销周期、下个城市、甚至下周就变了。而 AI 的价值，恰恰在于把这道题从“拍脑袋决策”变成“持续算账、持续调度”。

这篇文章用 Giant 的案例做一个切口，讲清楚三个问题：为什么集中式电商中心在生鲜零售里越来越难；门店履约到底难在哪；以及 AI 如何把“关仓转型”从痛苦的组织工程，变成可控的运营升级。

集中式电商中心被关掉：问题不在“仓”，在“承诺”

集中式电商履约中心的初衷很合理：规模化拣选、标准化流程、更高的单位订单效率。The Giant Company 在 2018 年宣布投资建设 Lancaster 履约中心时，也强调它能更高效地支撑电商增长。

但到了 2025-2026，消费者的购买预期变了，而且变得更“苛刻”：

• 更快：同日达、甚至 30 分钟达不再稀奇
• 更多：线上希望看到接近门店的“全量货架”而不是仓里那一小部分
• 更可用：晚间、周末、天气波动时也要有履约能力

集中仓最怕的就是“承诺升级”。仓离人远，一旦你把 SLA（到达时效）从“次日达”卷到“小时达”，成本曲线会突然变得很难看：需要更多前置点、更多骑手/车辆、更复杂的波次、以及更高的缺货与替代率管理成本。

Ahold Delhaize USA 的表述其实很直白：客户越来越期待更快、更丰富、更可用的配送，而门店履约能更好满足。

一句话说透：集中仓擅长“规模效率”，门店擅长“近场速度与货架完整性”。当竞争焦点从“便宜”变成“快+全”，组织就会向门店倾斜。

门店履约不是“把人塞进卖场拣货”这么简单

门店履约看起来像开倒车：让店员在货架间拣货，听上去既影响顾客体验又费人。但它能赢，靠的是两个现实优势：

1. 库存更接近真实需求：门店货架就是需求发生地
2. 离消费者更近：天然具备“前置仓”属性

难点也非常硬核，主要集中在四个“运营摩擦”上。

1）库存准确率：线上承诺的底盘

门店库存系统往往存在“账实不符”：丢损、错放、顾客拿走未结账、盘点频率不足等，都会让线上可售变成“幻影库存”。集中仓可以用更严的库位管理压住误差，但门店不行。

AI 在这里能做的不是“预测”，而是“纠错”：

• 用销售节奏、补货记录、历史缺货与替代行为，训练 门店级库存可信度模型
• 将“可售”从二值（有/无）变成概率：例如对某 SKU 给出 0.82 的可得概率
• 在下单环节做动态承诺：可信度低的 SKU 自动提示替代或延后配送

这会直接减少“拣货失败导致的退款/改配”，也减少一线员工的无效走动。

2）拣货效率：走路才是最大的浪费

门店拣货的成本核心不是“拿货动作”，而是“走路”。如果一个员工在高峰期绕着卖场找商品，10 单就能把人拖垮。

AI 能提供两类立竿见影的优化：

• 拣货路径优化：把一个订单或一批订单的拣货点位，算成最短路线（类似旅行商问题的工程化版本）
• 波次与任务编排：把同一区域的订单合并拣货，把生鲜/常温分段拣货，减少折返

很多团队以为路径优化只是“省几分钟”，但在节假日（比如圣诞节前一周、春节前两周）这种订单峰值期，省下来的其实是：少招人、少加班、少崩溃。

3）时效与运力：门店多了，调度更难

集中仓是“少节点、重资产”；门店履约是“多节点、轻资产”。节点一多，调度复杂度指数上升：哪个门店出货？怎么拼单？骑手/司机怎么跑？出现延误怎么改派？

AI 调度系统的关键能力是实时决策：

• 基于距离、路况、门店拥挤度、拣货队列长度，做 订单分配（Order Sourcing）
• 基于配送承诺与路线约束，做 车辆路径规划（VRP）
• 对 30 分钟达订单，做 优先级与插单策略，避免把整条线路打乱

这类能力决定了门店履约能否从“能做”变成“能规模化做”。

4）品类与替代：生鲜零售的真实世界

生鲜的“同款替代”不是电商那套 SKU 替换那么简单：大小、成熟度、品牌偏好都会引发投诉。门店履约在生鲜上优势明显（更新鲜、更近），但替代策略也更敏感。

一个实用做法是：用 AI 把替代从“事后道歉”变成“事前协商”。

• 学习用户历史替代接受度（如偏好“同品牌”还是“同价位”）
• 结合门店当日可得与保质期压力，给出替代建议
• 对高敏感商品（婴儿食品、过敏源），默认不替代

如果当初就用 AI 来“算账”，这些电商中心会不会更晚关？

这也是很多管理层关心的：集中式电商中心是不是被时代抛弃了？我更倾向于一个务实观点：不是被抛弃，而是被重新定价。

AI 能把“集中仓的寿命”拉长，但前提是你用它解决三件事：

1）用仿真与数字孪生做网络选址：别靠感觉投 2 年

在零售履约网络里，真正昂贵的错误不是“系统不好用”，而是“节点建错了”。

用数字孪生（网络仿真）可以把以下变量放进同一个模型里滚动测算：

• 需求时空分布（按邮编/商圈、按小时）
• SLA 结构（30 分钟、2 小时、当日、次日各占比）
• 门店拣货产能与拥堵函数
• 第三方履约（如即时配送平台）的成本曲线

算出来的结果通常不是“全仓”或“全店”，而是混合网络：部分区域保留集中仓做补货与长尾，核心城区用门店/前置点做即时。

2）仓内自动化要对准“订单结构”，不是对准“设备炫技”

很多自动化项目的问题在于：设备很先进，但订单结构变了。

如果订单从“大单、可波次”转向“小单、碎片化、强时效”，传统自动化的吞吐优势会被拣选拆单、合单、出库节奏打折。

更适合的方向是“柔性自动化 + AI 预测波动”：

• 预测小时级订单峰值，提前排班与预分拣
• 针对高频 SKU 做小型自动化拣选单元（而不是全仓大改造）

3）把“关仓/转型”做成一套可复制的运营迁移方案

Ahold Delhaize USA 提到会为受影响员工提供其他岗位机会，同时继续使用第三方履约伙伴（如 Instacart、DoorDash）以支持最快 30 分钟送达。这里隐含了一种典型路径：

• 自建节点收缩
• 门店履约放大
• 第三方补位高时效需求

AI 可以把迁移过程变得可控，核心是三张“作战图”：

1. 订单热力图：哪些邮编必须 30 分钟？哪些接受次日？
2. 产能地图：每家门店的拣货上限、拥堵时段、缺货风险
3. 成本曲线图：自履约 vs 第三方，在不同 SLA 下的边际成本

把这三张图周更，你的策略就不会滞后。

可落地的5步清单：把分散履约做成“更快、更稳、更省”

如果你正在做类似的集中仓收缩、门店履约扩张（或准备做），我建议按下面 5 步推进，避免一上来就堆系统。

1. 先定义 SLA 分层：30 分钟/2 小时/当日/次日，各自的利润底线是多少
2. 做门店库存可信度评分：把“账实不符”量化到 SKU×门店
3. 上线拣货路径与波次优化：先从 20% 订单量最高的门店试点
4. 建立订单分配与改派规则：把“哪个门店出货”从人工变成算法
5. 用看板盯住三项硬指标：
   • 拣货失败率（缺货/替代引发）
   • 准时率（按 SLA 分层）
   • 单均履约成本（含拣货+配送+退款）

这 5 步做完，你会很清楚：哪里需要 AI 深化（预测、仿真、调度），哪里只是流程与数据治理。

结尾：门店履约是趋势，但“靠人扛”不是答案

Giant Food 与 The Giant Company 关闭集中式电商中心，本质上是在为“更快到家、更全可买、更高可用”重新配置履约网络。行业里类似动作并不孤立，越来越多零售商都在把订单从区域中心拉回门店。

真正的分水岭在于：**你是用 AI 把分散履约变成一套可计算、可调度、可预测的系统，还是让门店靠经验硬扛波动。**前者能把 30 分钟达变成稳定能力，后者只会把运营压力转嫁给一线。

如果你的团队也在评估“集中仓要不要关、门店履约怎么做、第三方如何组合”，不妨先回答一个更实际的问题：当需求在节假日突然翻倍时，你的系统能不能在 5 分钟内重新做出最优分单与路线？答案往往决定了下一轮竞争门槛。