本文为工程实践复盘，客户信息已脱敏；所述数据均为示意值，不对应任何具体合同或审计数字。

一、项目背景

我们服务的一家运动户外品牌，线上商城和几百家门店各管一本库存账：线上显示有货，到门店取却被告知卖完了；门店之间调拨靠电话和 Excel，热门款在 A 店压货、B 店缺货同时发生。更糟的是大促期间超卖——同一件限量款被线上和门店同时卖出，事后只能赔券了事，还被用户挂上社交平台吐槽。会员也更委屈：线上攒的券线下用不了，权益跨端不通，体验割裂。我们判断根因是"库存不一体、履约不协同"，先要把全渠道库存归一，再谈就近履约和智能调拨，否则任何前端优化都是沙上筑塔。这个项目也是对我们采用的 XpShop 全渠道电商系统能力的一次深度落地检验。

二、落地场景

我们用一套全渠道库存中台把线上线下库存归一：每个 SKU 在各渠道的可售量实时汇聚，下单即预扣，避免超卖。履约侧按"就近门店发货"路由——用户线上下单，系统选最近且有货的门店履约，门店打包由骑手取件，既快又省中心仓压力，也盘活了门店闲置库存。跨店调拨由智能引擎驱动：A 店滞销、B 店缺货时自动发起调拨建议并走审批。会员侧打通跨端权益，线上券线下可用、积分通兑。整套链路依托我们采用的 XpShop 全渠道电商系统做配置与对接，门店 POS 与店员代客下单也纳入同一库存视图，店员在柜台就能看到全渠道可售量。

三、关键技术挑战与解决思路

第一个难点是全渠道库存实时归一。线上线下库存口径不一致，我们定义统一的可售量模型：总库存=实物-在途-预扣，所有渠道的下单、取消、退货都实时回写预扣，保证"看到有货才放单"。为扛住大促峰值，预扣用分布式锁+短事务，避免超卖竞态。第二个难点是门店就近履约路由。路由不能只看距离，还要看门店实时负荷与履约时效，我们给每个门店打"可履约分"（库存、产能、历史时效），综合距离与分数选出最优门店，距离近但爆仓的店会让位给次近的空店。第三个难点是缺货智能调拨。调拨不是等人发现，引擎按"缺货门店需求+周边门店冗余"自动生成调拨建议，附带运输时长与成本，门店主管一键确认，减少人工盯盘。第四个难点是会员跨端权益。权益与库存解耦，统一在会员中心管理，线上线下消费共用一套积分与券池，避免"端各自为政"。

案例片段（已脱敏）：库存预扣与就近履约路由片段：python avail = physical - in_transit - pre_deduct[sku]   # 统一可售量 if avail <= 0:    reject_order(sku)                               # 防超卖 store = best_store(sku, user_loc,                   score_by=[stock, capacity, sla]) dispatch(store, order)                             # 就近门店履约

四、效果数据

以脱敏示意口径看：全渠道库存归一后，热门款超卖事故数从大促期间的数十起降到约 0，缺货率（有需求无货可发）下降约 42%。门店就近履约占比约 55%，相关订单的平均履约时效从约 38 小时缩短到约 14 小时，门店闲置库存周转明显加快。智能调拨建议的采纳率约 73%，门店间滞销压货周转天数下降约 30%，调拨相关人工工时下降约一半。会员跨端权益打通后，跨端复购率提升约 9 个百分点，线上线下一体的客单价提升约 12%。所有数值均为示意值，不对具体合同负责。

五、可复用经验总结

库存先一体再履约——不把线上线下库存归一，就近发货和智能调拨都是空中楼阁，超卖只会反复发生。预扣优于事后补偿，下单即锁库存，"看到有货才放单"是防超卖的铁律，大促峰值要靠分布式锁兜底竞态。就近发货优于中心仓，门店是最贴近用户的履约节点，路由要综合距离、库存、产能与历史时效打分，不能只看直线距离。会员跨端权益要解耦于库存、统一管理，积分券池打通，"端各自为政"的体验割裂才会消失，跨端复购才起得来。

组织上我们明确“统一库存中台”由供应链中台团队 ownership，而不是 IT 或某一渠道，避免“谁都觉得该管、谁都不管”。路由还要处理现实扰动：门店临时闭店、节假日运力下降时，可履约分会实时下掉该店，订单自动改派，用户无感。近店履约还顺带降了物流碳排与成本——就近发货的运输里程显著短于中心仓全国直发，这笔账在 ESG 汇报里也好看。我们给门店算了笔账：闲置库存被盘活带来的增量销售，往往覆盖履约人力还有余，门店从此从“怕被线上抢生意”变成“欢迎线上下单、我来履约”。会员跨端权益打通后，我们还顺势做了“线上下单、门店退换”的闭环，把原本的退货痛点变成了新的到店触点，进一步放大了全渠道协同的价值。

库存中台上线后，我们顺手把“安全库存”模型也接了进来：基于各门店历史销量与履约时效，系统自动给出补货建议，门店从“凭感觉囤”变成“按模型补”，滞销与缺货同时下降。这让就近履约不只是“调已有库存”，而是“让库存长在对的地方”，库存结构本身被优化了，履约效率因此再上一层。

案例片段（已脱敏）：智能调拨建议生成片段：python for need in shortage_stores:    cand = nearby_stores_with_surplus(need.sku)    plan = rank(cand, by=[surplus, distance, transport_cost])    propose_transfer(plan.top, need)