商品組合建模可以根據每家門店的特有客戶群，分析出該店應上架哪些商品。現在有不少工具能幫助零售商找出最佳商品組合，如7thonline,Oracle，SAS等。以上工具都需要詳細的市場購物籃數據。這些數據能反映出哪些商品常被一起購買(具有關聯關系)、從而確定單店的商品組合。用正確的商品搭配正確的店鋪，就叫商店需求建模。

　　以下的例子能夠說明，這個過程真正運作起來有多復雜。商家往往認為商品組合建模就是把正確的商品放到正確的店鋪中;貨架及空間管理部門認為，商品組合建模是把商品擺在貨架上最合適的位置;負責為新店購買店址的房地產經理認為，該過程是為商店的銷售增長目標找到足夠大的購物群。可以看到，大多數人并沒有站在全局的角度看問題。分析師負責把每一塊零碎的部分拼合到整體分析大框架中。最后結果就是，逐漸把滯銷商品從店里撤出，上架更多暢銷單品，從而增加銷售額和收入。這些都是在單店的層面上進行的。

　　市場購物籃分析利用來自各個商店的數據，構建出挑選商品及購買頻率的行為模型。信用卡及購物卡數據能用來劃分消費者群組，把相似的消費者歸為一組。所有輸入信息中，購物者洞察是最難收集、最難捉摸的。但如果收集、使用得當，這部分信息能起到極大的作用。店址是最容易收集、最精準的數據點。地理及人口數據是地圖繪制中用到的最簡單的數據點，但又是切入模型的最佳途徑。

　　難點在于，要選擇正確的度量標準來劃分商店群組。大多數在搭建商店模型時，首先選擇使用地理人口統計學數據。表面看來這不無道理。但購物行為其實與店址(店鋪規模、營業面積、季節等)一樣重要，甚至比店址數據更重要。要為一家特定商店選出最佳商品組合，可以參照與其類似的商店的情況。

　　以下的例子可以突顯出建立商品群組模型的兩個直觀好處。

　　(1)零售商需要保持商品的高流轉率，以確保在結算運費之前同種單品已被反復出售多輪。所有，在正確的商店持有正確數量的正確單品是至關重要的。大多數零售連鎖店的利潤只占到營業額的4%~5%，這就意味著零售商在挑選商品組合時幾乎不能犯錯。如果貨架上的商品到結算時還沒被賣出，零售商就只能動用利潤來支付運費。

　　(2)此方法能大大優化配送中心的物流運作。如果相似的店鋪都集中在一起(具有群組效應)，卡車從配送中心出發，一趟就能給多家商店送貨。這即省時又省錢。沃爾瑪將這一優勢運用到極致，它根據地理人口條件選址建立配送中心，進而圍繞配送中心開設門店，利用各門店的市場購物籃數據確定商品組合、加速補貨。沃爾瑪的做法看似輕松，事實上需要強有力的數據庫，運用到數百萬兆字節的數據進行分析。