借助大數據和新技術，零售商對不同挑戰都有了更深入的“解法”，比如：
應用一：更懂消費者——透過大數據理解消費者的購物目的和購買決策偏好
通過大數據分析手段，零售商可以透過消費者行為梳理其購物目的和購買決策樹，并以此為依據進行更有針對性地品類管理優化。
門店分群通常是讀懂消費者的第一步，用以刻畫門店集體畫像。除考慮購物目的外，還需要考慮店鋪業態、競爭態勢以及人口特征等維度。
但門店集體畫像并不能完全描述顧客行為，更深層次的是消費者購買商品時的決策偏好。通過測算商品不同屬性之間的替代性，可以衡量顧客在選擇商品時考慮因素的重要性，從而構建購買決策樹，并應用于空間優化和選品中。
應用二：更符合消費者喜好的品類分布——通過品類邊際效益比較優化品類空間
品類空間優化的核心是增加邊際效益高的品類的空間，并動態調整貨架分配。通過對比每一品類在同類店鋪中的相對邊際效益和貨架空間，可以有針對性地幫助零售商確定品類空間優化的方向和力度。更重要的是，即使是同一家店，消費者的品類偏好喜好是隨著時間變化的，需根據季節時間的動態優化方案。
應用三：更具價值的 SKU選擇——基于消費者購買需求以及產品真正貢獻進行SKU優化
零售商在進行品類內的商品選擇時，需要思考兩個關鍵問題，即選擇的商品是夠能滿足顧客需求，以及是否能給零售商自身帶來真正的價值增量。
從顧客需求出發，商品組成需要分層，包含全國性、區域性和該類別店鋪專有的商品，同時結合消費者決策偏好進行SKU的選擇和陳列優化。
從零售商自身的價值提升來看，在進行商品增加、替換或下架等決策時，零售商需要評估商品的真正貢獻，其主要考慮因素包括SKU的銷售額、利潤率、替代效應、光環效應以及商品生命周期等。
其中，替代性體現滿足顧客特定需求的程度。以茶類飲料為例，盡管某款黑烏龍茶的銷售額要低于另一款涼茶，但由于其是貨架上唯一的黑烏龍茶商品，替代性較低，對零售商的真正貢獻反而更高，因此在面臨商品“二選一”決策時，黑烏龍茶可能更具吸引力。
應用四：更廣泛的數據——應用數據分析方法，收集更多類型的數據用于分析決策
以上所有應用都離不開數據，除交易數據外，商品屬性和市場輿情是品類管理重要的兩大核心數據。零售商的現實情況是數據雖多，但有效數據稀缺，數據質量更是有待維護。
借助數據科技，零售商可獲取更多有效數據，如：通過自然語言分析SKU名稱，整理商品基本屬性，并通過抓取電商數據，添加更多商品標簽；再比如：監控社交媒體數據，尋找潛在爆款。
應用五：更高效的流程——打造自動化選品工具
機器學習等技術使自動化選品工具成為現實，可幫助品類管理相關負責人進行有效的品類管理規劃、執行和監控，提高效率的同時減少誤差。節省>20,000工時的工作量，且更一致與合理。
結語
在新的背景下，傳統零售商急需重拾品類管理和門店執行優勢。顧客洞察是品類管理的前提，大數據和新技術則為品類管理插上了科技的翅膀，使零售商可以更全面地讀懂消費者、智選類與品。零售商不妨自我審視，是否已經準備好迎接數據技術時代的品類管理了呢？
