商品组合建模可以根据每家门店的特有客户群，分析出该店应上架哪些商品。现在有不少工具能帮助零售商找出最佳商品组合，如7thonline,Oracle，SAS等。以上工具都需要详细的市场购物篮数据。这些数据能反映出哪些商品常被一起购买(具有关联关系)、从而确定单店的商品组合。用正确的商品搭配正确的店铺，就叫商店需求建模。

　　以下的例子能够说明，这个过程真正运作起来有多复杂。商家往往认为商品组合建模就是把正确的商品放到正确的店铺中;货架及空间管理部门认为，商品组合建模是把商品摆在货架上最合适的位置;负责为新店购买店址的房地产经理认为，该过程是为商店的销售增长目标找到足够大的购物群。可以看到，大多数人并没有站在全局的角度看问题。分析师负责把每一块零碎的部分拼合到整体分析大框架中。最后结果就是，逐渐把滞销商品从店里撤出，上架更多畅销单品，从而增加销售额和收入。这些都是在单店的层面上进行的。

　　市场购物篮分析利用来自各个商店的数据，构建出挑选商品及购买频率的行为模型。信用卡及购物卡数据能用来划分消费者群组，把相似的消费者归为一组。所有输入信息中，购物者洞察是最难收集、最难捉摸的。但如果收集、使用得当，这部分信息能起到极大的作用。店址是最容易收集、最精准的数据点。地理及人口数据是地图绘制中用到的最简单的数据点，但又是切入模型的最佳途径。

　　难点在于，要选择正确的度量标准来划分商店群组。大多数在搭建商店模型时，首先选择使用地理人口统计学数据。表面看来这不无道理。但购物行为其实与店址(店铺规模、营业面积、季节等)一样重要，甚至比店址数据更重要。要为一家特定商店选出最佳商品组合，可以参照与其类似的商店的情况。

　　以下的例子可以突显出建立商品群组模型的两个直观好处。

　　(1)零售商需要保持商品的高流转率，以确保在结算运费之前同种单品已被反复出售多轮。所有，在正确的商店持有正确数量的正确单品是至关重要的。大多数零售连锁店的利润只占到营业额的4%~5%，这就意味着零售商在挑选商品组合时几乎不能犯错。如果货架上的商品到结算时还没被卖出，零售商就只能动用利润来支付运费。

　　(2)此方法能大大优化配送中心的物流运作。如果相似的店铺都集中在一起(具有群组效应)，卡车从配送中心出发，一趟就能给多家商店送货。这即省时又省钱。沃尔玛将这一优势运用到极致，它根据地理人口条件选址建立配送中心，进而围绕配送中心开设门店，利用各门店的市场购物篮数据确定商品组合、加速补货。沃尔玛的做法看似轻松，事实上需要强有力的数据库，运用到数百万兆字节的数据进行分析。