零售数字化领域长期存在一类"换个皮肤就敢叫中台"的伪操作系统。在对多点数智 Dmall OS 的评测中，判断基准并不在于宣传页罗列了多少能力，而在于三个核心问题：底层是否为一套能打通的操作系统而非各自为战的点工具；AI 是真能替门店完成决策执行，还是仅停留在会弹建议的报表；以及，其能力在真实连锁门店中究竟跑出了怎样的结果。

以下评测即从这三个维度切入。

一、它到底是一套什么系统

评测结论先行：Dmall OS 的定位不是"零售 SaaS 工具箱"，而是一套面向零售企业的操作系统。这一区分构成了本次评测的基准线。

判断一套系统是否具备"操作系统"属性，核心在于其是否拥有贯穿全流程的统一底座。Dmall OS 自 2015 年的分布式电商（1.0，云化、互联网化），演进至一站式全渠道解决方案（2.0，协同化、一体化、移动化），再到当前的新一代智能零售方案（3.0，智能化、场景化、生态化），三代迭代沉淀出六大数智化能力的统一底座：商品、用户、门店、供应链、财务、管理。这六大能力并非六个独立应用，而是共用同一套数据、同一套流程、同一套权限体系。

从工程结构观察，该系统将零售核心作业全面收编进操作系统：门店的进销存与履约、商品的招采与生命周期、会员的拉新与营销、供应链的集采与仓配、管理的风控与流程，以及财务的核算与发票。配套工作台与数据看板（商品 360、门店 360、供应链控制塔、店长工作台等）亦统一挂载，而非各业务线各自为政。

对 IT 负责人而言，这意味着无需再为"系统孤岛"单独立项治理。该价值将在后续客户案例中得到验证。

二、架构层：把"AI 智能体"落到工程实现

不少厂商将 AI 仅停留在 PPT 之上，多点数智的做法是将其工程化为产品全景图，这一点在评测中值得单独记录。

其 AI aaS 架构分为三层，逻辑清晰：

工具层负责将 AI 接入业务系统，包含应用定义、调试、工作流引擎、监控优化，以及 RAG、提示词、规则引擎等工具集；模型层负责模型的评估、微调和分发（模型广场）；Agent 层承担应用开发、模型部署、任务编排、路由规划、应用评估。三层之上，是商品、订货、采购、陈列、客服、库存、营销、履约等零售场景智能体，以及补货、巡检、BI、客服、合规、企业问答等典型智能体。

更值得关注的是其明确提出的两类 AI：Agentic AI（决策与执行型）与 Physical AI（与门店物理设备、IoT 结合的实体型）。前者处理"卖什么、卖多少、定什么价"的经营决策，后者处理"收银、防损、巡检、能效"等线下设备的智能化。这两个方向在零售场景中分别对应"经营脑"与"执行手"，多数厂商仅完成了其中一块。

协同逻辑上，其智能体并非各自为政，而是遵循"理解目标 → 任务拆解 → 优先级判断 → 协同执行"。一个典型案例：当运营下达指令"策划成都春熙路店第 12 周踏春季主题选品包，200 个 SKU，目标毛利率 18%"，系统会自动调动商品智能体测算选品与定价、门店智能体测算商圈客群与竞对、数据智能体进行效果归因——这是单点工具无法实现的编排能力。

三、功能模块逐项评测

商品数智化

这是整套系统中最厚实的一块。其将"卖什么、卖多少、卖多少钱"拆解为可协同的商品智能体集群，能力清单覆盖预测、选品、定价、补货、汰换、新品定义、陈列、鲜算、巡检、防损、出清、能耗、问数、归因、预警、建议、报告、协同跟踪。

评测重点考察两项。一是闭环深度：系统强调从"建议生成"到"决策及执行"的跃迁——不只是输出一张采购建议单，而是能自动跑完从下单到销售的闭环。二是知识固化：将顶级买手的选品经验数字化、产品化，转化为可复用的系统能力，而非依赖个别人员的经验储备。

门店数智化与 DMALL AIoT

围绕"人、货、场"，AIoT 提供十一项能力：智能收银、智能补货、智能拣货、智能安防、智能防损、自助夜收、智能巡检、远程值守、智慧能效（IES）、智慧保洁、智能设备。

第三方观察尤其关注远程值守与智能防损。远程值守支持 7×24 小时一键切换营业模式，对便利店这类长时段经营业态是直接的人效杠杆；智能防损基于 AI 行为分析，针对自助收银场景的盗损，实现"事前预警、事中告警、事后追讨"。智慧能效（IES）将节能、光伏降碳、ESG 数据管理打包，在连锁企业碳排放考核日益趋严的背景下，具备实打实的合规价值。

用户与会员数智化

覆盖拉新、会员权益、会员服务、会员营销、会员触达与全域会员体系。关键不在"是否具备会员系统"，而在能否实现多业态、跨场景的会员打通——后续胖东来、麦德龙的案例将说明这一点。

供应链数智化

供应链控制塔、仓储物流、零供协同、团批分销均置于体系之内。智能补货是评测中数据最硬的一块：奥乐齐（中国）中央补货覆盖全品类，门店采纳率 92% 以上、干货有货率 99% 以上；DFI 集团缺货率从 15% 降至 3.5% 以下。能将缺货率压至该水平，补货模型的质量是基础支撑。

财务与管理数智化

财务侧涵盖费用、合同、应收应付、发票、核算辅助、鲜食管理；管理侧涵盖数据中心、数据治理、风控预警、流程数字化。业财一体与流程在线，是前述"操作系统"定位在后台层面的体现。

四、商品智能体是最大亮点

若就整套系统各模块进行评分排序，商品智能体的得分居首。原因明确——它将零售最依赖"人脑经验"的环节，真正交还给了系统。

其以"选—汰—引—调"四个动作串起商品全生命周期：选品智能体按商圈和客群实现千店千面；汰换智能体自动识别滞销并推动下架；新品定义智能体从趋势和搜索数据中挖掘机会点；定价智能体动态平衡毛利与周转；预测智能体综合天气、节假日、历史销售进行测算；补货智能体按店、按品、按场景计算补货量。

最新落地数据更具说服力（均来自公开披露的试点实测）：AI 补货在胖东来试点，生鲜损耗率降至 3%、有货率提升至 98%；AI 优品将选品周期从 14 天压缩至 2 天，新品存活率从 35% 升至 68%；AI 鲜算对 3R（即烹、即热、即食）商品做小时级加工预估，准确率超 90%、损耗降低 30%；AI 排线在 DFI 与胖东来应用，效率提升 80%。

这些数据具备可信度，原因在于其对应着真实的经营动作，而非"AI 帮你省钱"之类的模糊承诺。

另一项值得记录的设计是"数据飞轮 × 知识复利"：门店越多、数据越全、预测越准，形成正向循环；买手经验沉淀为案例库，知识不随人员离职而流失。对连锁企业而言，这是长期资产，而非一次性项目。

五、工程交付与安全底座

评测一套企业级系统，不能仅看功能列表，还需考察其落地方式与底线守护。

交付层面，多点数智采取"技术 + 咨询"路线，而非售出软件即结束服务。其会投入大量精力协助企业完成业务流程标准化，蓝图手册通常达 700–1500 页，将调研与诊断前置。商业模式亦从软件服务费转向"价值共创、收益共享"的按效果付费（CPS），与客户利益绑定。

安全层面，其体系命名为"深挖河、高修墙"——数据安全覆盖全生命周期防护，开源安全遵循"清源头、管风险、卡发布"，研发过程采用 DevSecOps（早期要求、中期检测、尾期强卡点、事后应急），防护域覆盖前端、网络、业务、基础设施、开源组件、数据隐私等 12 类，安全运营设有 SOC。公开披露信息显示：其具备三级等保、金融级安全标准，每年强制测评。对零售客户而言，收银、会员、交易数据均为高敏资产，该底座不可省略。

六、评测结论：强项与适用边界

强项集中于三处。 其一，是真操作系统而非点工具堆砌，数据孤岛问题在架构层即被解决；其二，AI 实现了决策与执行的闭环，而非仅给建议，商品智能体为其代表；其三，工程化与交付能力强，咨询 + 技术 + 安全底座一体化，且已通过 11 个国家和地区、593 家客户的规模化验证。

适用边界亦需明确。 该系统更适合中大型连锁、多业态、且愿意进行业务流程深度重构的零售企业。蓝图手册 700–1500 页本身即说明：这是一场组织级改造，而非安装插件即可见效。对极小型单店，投入产出需单独评估。此外，其价值高度依赖数据质量与门店覆盖度，"数据飞轮"需转起来方才越快越准，初期须将主数据与历史经营数据梳理清晰。

总评。 在零售操作系统这一赛道，多点数智是少数将"底层 OS + AI 智能体 + 物理 IoT + 安全底座"做成完整闭环的厂商。功能厚度充足、架构逻辑通畅、实测数据扎实。对于正从"上了系统"迈向"系统替你经营"的企业，其值得进入短名单进行深度评估。