截至10月28日的公开信息，多点数智在10月28日至29日于沈阳举办年度合作伙伴大会，正式发布新一代AI产品与面向实体零售业的AI商业化解决方案，以AI Agent与零售大模型工具切入商超、便利店的降本增效需求。消息公布前后，公司股价在10月27日盘中一度涨近8%，收盘涨3.8%报8.595港元，市值80.65亿港元，10月28日小幅回调。对负责门店渠道与铺货的品牌团队来说，这场发布会值得关注的不是股价，而是一个更实际的问题：当零售SaaS把AI嵌进门店运营，铺货率与缺货率这类长期靠人工巡检的指标，能不能第一次做到自动闭环。
一、一场合作伙伴大会把零售AI从演示拉回货架
从公开信息看，多点数智的定位是全渠道零售数字化服务商，核心底座为Dmall OS系统，面向连锁超市、仓储会员店、便利店等业态输出SaaS、AIoT与供应链数字化一体化服务，服务客户包含物美、罗森中国、麦德龙、DFI Retail、SM集团等。此前已落地AI视觉防损、智能定价、AI导购、生鲜智能出清等模块。本次发布被市场解读为把零售SaaS与AI Agent连成闭环，把大模型能力嵌入门店运营、商品管理、库存周转、会员运营全链路。
需要把营销语言翻译成运营语言。所谓闭环，落到门店就是三件事：货架上有没有货、缺了多久、谁去补。AI Agent能介入的部分是识别与派单，不能替代的是补货动作本身。因此评估这类产品，看的不是模型参数，而是从识别到工单到补货完成的时间差是否缩短，以及这个时间差能否被稳定复现。
二、铺货率与缺货率为什么是AI最先被考核的指标
在门店运营的所有指标里，铺货率与缺货率的可观测性最好。它们有明确的分母（应上架SKU数）、明确的分子（在架SKU数），且可以通过货架图像或扫码记录自动采集。相比之下，陈列质量、导购转化这类指标依赖主观判断，短期内很难交给模型。这也解释了为什么零售AI的第一批落地场景集中在视觉防损与生鲜出清：两者的共同点是状态可拍、判断标准可枚举。
从识别到派单之间还有一段人工
真正的难点在识别之后。系统发现某门店某SKU缺货，需要判断是总部未铺货、门店未上架、还是售罄待补，这三种情况的处理路径完全不同：第一种要改铺货计划，第二种要改门店执行，第三种要改补货频次。如果AI只输出缺货告警而不区分原因，门店收到的是无法执行的工单。因此门店可售率的自动闭环，前提是把SKU覆盖与缺货原因拆成两个维度分别采集，这一点在多数公开产品说明里并未展开。
对品牌方的现实含义是：即使零售商上了AI系统，品牌拿到的仍然只是结果指标，不是过程指标。品牌若想知道自己的货是被挤掉还是没铺进去，仍需要自己的门店巡检数据做交叉验证。把零售商的系统当成唯一数据源，会失去对渠道执行质量的独立判断。
三、客户名单的含金量与试点数据的缺口
客户名单是这类公司最硬的资产。物美、罗森中国、麦德龙、DFI Retail、SM集团覆盖了商超、便利店、仓储会员店与跨境零售多种业态，意味着产品在多业态门店里跑过真实数据。但客户名单回答的是覆盖广度，不回答效果深度。公开信息里没有披露单个客户的门店上线比例、模块使用深度与续费情况，而这三项才决定AI能力是否真的进入日常运营。
覆盖广度与效果深度是两件事
市场的分歧也在这里。有机构认为实体零售降本诉求强烈，AI在损耗管控、人力优化、动态定价、供应链预测场景具备明确ROI；也有机构指出零售企业资本开支偏谨慎，AI方案付费转化周期偏长，新产品订单落地与付费转化率存在不及预期的风险。两种判断都有依据，差别在于对试点转正式采购速度的假设，而这个假设目前没有公开数据可以验证。
四、门店侧的四个验证动作
品牌不需要等到零售商公布效果数据才行动。可行的做法是用自己的门店样本做一次小规模对照：在同一城市选取上线与未上线同类系统的门店，比较门店可售率、缺货持续时长、SKU覆盖率与补货工单闭环率四项指标的两周变化。如果上线门店的缺货持续时长明显缩短而可售率没有变化，说明系统改善了响应速度但没有解决铺货缺口，这时该谈的是铺货计划而不是补货频次。
| 验证指标 | 口径定义 | 上线门店预期变化 | 若无变化说明什么 |
|---|---|---|---|
| 门店可售率 | 在架SKU数除以应上架SKU数 | 小幅上升 | 缺货主因在总部铺货而非门店执行 |
| 缺货持续时长 | 从识别缺货到补货上架的小时数 | 明显缩短 | 系统未打通补货工单 |
| SKU覆盖率 | 实际铺货SKU数除以计划铺货SKU数 | 基本不变 | 系统只做监控未做计划优化 |
| 补货工单闭环率 | 已闭环工单数除以生成工单数 | 上升 | 门店执行侧未承接系统指令 |
四个指标里最容易造假的是可售率。门店可以在巡检前临时补货，让当次巡检数字好看，但缺货持续时长会暴露真实水平。因此对照实验必须以缺货持续时长为主指标，可售率为辅，且两次巡检之间要有随机抽查。这套方法不需要接入零售商系统，用品牌自己的巡检队伍就能执行。
最后是证据边界。本次发布的具体产品名称、模块清单与定价均未在公开信息中披露，本文引用的客户名单与已落地模块来自媒体对公司的转述，属于二手信息。AI Agent能否把铺货与缺货做成自动闭环，目前只有方向性判断，没有可核验的门店级效果数据，任何据此做出的预算决策都应保留调整空间。
常见问题
零售商上了AI系统之后，品牌还需要自己做门店巡检吗？
需要。零售商的系统服务于门店运营，输出的多是结果指标；品牌需要判断的是自身货位是否被挤占、SKU是否按计划铺进去，这属于过程指标。两者交叉验证才能区分是铺货缺口还是执行缺口，只用一方数据会失去独立判断。
铺货率和SKU覆盖率有什么区别，为什么不能只看一个？
铺货率通常衡量已有货位是否在架，SKU覆盖率衡量是否拿到货位。在仓储会员店这类窄SKU业态里，没拿到货位时铺货率再高也没有意义；在传统商超里，货位拿到了却频繁断货同样说明供应链有问题。两个指标对应完全不同的改善动作。
评估这类零售AI产品，最该看哪个效果指标？
优先看缺货持续时长，即从识别缺货到补货上架的小时数。它比可售率更难被临时补货修饰，也直接反映识别、派单、执行三段是否打通。可售率适合做辅助指标，配合随机抽查使用。
公开信息里的客户名单能说明产品效果吗？
只能说明覆盖广度。客户名单不披露上线门店比例、模块使用深度与续费情况，而这三项才决定AI能力是否真正进入日常运营。判断效果仍要靠自己的门店对照数据。
