在大多数零售企业中，选品这件事，看似简单，本质却极其复杂。 很多企业至今仍停留在： • 靠经验选品 • 靠供应商推荐 • 靠同行“抄作业” • 或者一句话：“这个卖得不错，上吧” 问题是—— 为什么卖得好？适不适合你？未来还会不会卖？ 这些问题，往往没有答案。
一、一个关键转变：我们尝试不再“选商品”，而是“理解消费者”
在宽广集团的一次实际工作中，基于集团采购对现有商品的汰换需求和新品的引进判断， 我们引入人工智能辅助决策，通过“小龙虾”对外连接多套大模型的能力，和对本地数据的调用权限，进行了一次浅层尝试。 这有点儿像之前的RAG模式，但借助“小龙虾”的一些特性，明显要好用的多了。
目标很简单： 不再问“这个商品卖不卖”， 而是问—— 消费者为什么会买它？ 于是，我们构建了一套核心模型： 消费决策树模型 以饼干为例： 消费者购买路径不是随机的，而是： 功能需求 → 品牌认知 → 产地信任 → 包装规格 举个例子： • 想吃夹心 → 奥利奥 → 进口/国产 → 97g还是迷你装 不是先看品牌，而是先看“我要什么”。
二、AI做了什么？不是“预测”，而是“结构化认知”
很多人误以为AI就是预测销量。 实际上，我们做的更底层：
把商品“拆开” 例如一个SKU： • 功能：去油污 / 除菌 / 去味 • 品牌：国产 / 头部 / 白牌 • 人群：家庭 / 宠物 / 母婴 • 价格带：10元 / 30元 / 50元 • 包装：单瓶 / 组合装 👉 AI把“商品”拆成“决策因子”
把数据“对齐” 我们不只看门店数据，还融合： • 淘宝（消费趋势） • 京东（评价量、需求强度） • 1688（供给端热度） • 美团（即时消费场景） 👉 线上是“趋势放大器”，线下是“真实交易场”
形成“新品引进评分模型” 最终，每一个新品，不再是主观判断，而是： 维度 含义 功能匹配度 是否刚需 品牌力 是否有认知 趋势强度 是否在增长 人群匹配 是否符合门店客群 价格带 是否在舒适区 包装适配 是否适合门店 👉 每个SKU都有一个“潜力分”
三、结果很直接：不是更复杂，而是更清晰
我们得到的不是一堆复杂模型，而是非常“商业”的结果：
哪些商品应该上 例如： • 洗衣机槽清洁剂（功能明确 + 高复购） • 重油污清洁剂（场景刚需） • 除菌洗护（趋势爆发） • 宠物家庭专用清洁（新赛道）
哪些商品不要再扩 例如： • 普通洗洁精（高度同质化） • 普通洗衣液（价格战严重）
哪些是“伪爆品” 有些商品： • 在线上卖得很好 • 但在线下门店动销很弱 👉 AI能识别这种“错配”
四、真正的价值：不是提升一点点，而是改变决策方式
这套系统带来的变化，不是10%效率提升，而是： 从： 人选商品 到： 模型筛商品 + 人做决策
五、这件事的本质是什么？
一句话总结： 人工智能不是替代人，而是让决策从“经验驱动”，变成“结构驱动”。
六、为什么这在零售行业尤其重要？
因为零售行业有三个特点：
- SKU极多
- 消费变化快
- 错误成本高 一个错误的新品： • 占库存 • 占货架 • 占现金流 👉 本质是：占企业生命力
七、一个更现实的结论
很多企业做AI： • 做报表 • 做BI • 做可视化 但这些都只是“看过去”。 而真正有价值的，是： 帮助企业做“下一步决策”
八、写在最后
这不是一个“AI项目”，而是一个“认知升级”。 从： 我觉得这个能卖 到： 我知道为什么它会卖 这中间，就是人工智能真正的价值。
如果你也是做零售、做商品、做供应链的，欢迎交流。 这套方法，可以复制。 而且—— 越早用的人，优势越大。