对零售业来说，做出正确的商品分类规划并不容易，但这直接关系到零售业能否成功。分类规划与存货管理以及定价不同，后两者拥有大量的数据和分析工具可用以指导决策，前者则不然。分类规划相对来说更是一门艺术而非科学。因此，分类规划中的错误决策极有可能造成灾难性的后果。思考一下下面几个例子：
沃尔玛在顾客调查中发现，顾客希望超市精简货架上的商品，于是在2008年推出印象工程计划（IMPACT），精简了15％的库存单位（SKU）。结果其销售额明显下降，最后不得不中止这些决策。
食品零售商A&P(大西洋和太平洋食品有限公司)旗下的极鲜（Super Fresh）为了增加鲜货的供给，停止销售业绩不好的干杂货。但结果这些被淘汰的商品恰恰对很多优质顾客来说非常重要，当他们买不到干杂货时，就转向了其他零售商，客户的流失最后导致这家零售商破产。
某家居用品零售商利用当地的人口数据将商品分类本地化，以迎合当地人的偏好。它首先将该数据库应用于时尚床上用品，收入令人兴奋提升了18％。但当把数据库应用于时尚卫浴商品时，收入却纹丝不动。最后，该零售商不得不放弃此次本地化变革。
一位轮胎零售商的新任CEO将公司所销售的轮胎，由廉价轮胎改为较贵的轮胎，但费尽周折之后，他才明白对顾客来说价格很重要。两年后，该CEO被更换，他的继任者将他淘汰的大部分商品又重新恢复存货。
正如上述这些惨痛的教训所显示，商品分类规划一般都是根据经验做出的决策。只需看销售数据，就会很容易发现现有商品分类中的问题,但是从中却很难看出用什么商品代替滞销的商品。况且，还存在着一种烦人的可能，就是对你的部分优质顾客来说，下架的滞销商品很可能非常重要，去掉这些商品意味着客户流失。正如所有的零售商都知道的，最优分类决策归根到底是一种平衡，任何改变都会产生连锁反应。
如今大量的软件工具都声称支持分类规划功能，可以帮助零售商决定什么样的商品组合能最大限度地提高销售额。但实际上，除了极少数，绝大多数软件都无法预测新商品的需求量，或者估计滞销商品下架之后转移的需求量。用这些工具做决策，其实与依赖那些掌握关键商品资源的经理做决策的差别并不大。它们无法降低每种商品分类规划的内在风险。
为弥补这一不足，本文给出一种更科学的分类规划技术。我们通过观察得知，多数顾客在购买时选择的并不是商品，而是商品的属性。你可以想想你上次买电视的时候，你是不是想过要买X型号的电视？或者你应该也想过电视的屏幕大小，分辨率，价格，液晶或者等离子，或是品牌？本文给出的方法是，利用现有商品的销售量来估算它们各个属性的需求量，然后再利用这些估算来预测潜在新商品的需求量。有了这些数据，零售商就可以更科学地评估他们的预测。
本文的方法对耐用品及杂货零售商来说尤其适用，而对于对流行因素特别敏感的零售板块来说，用处就相对小些。不过该方法也适用于敏感的时尚服装板块，因为这一行业的商品变化很快。目前，杂货零售商都采用大量市场数据来确定潜在的可添加商品——SKU，即那些其他零售商销售的很好而自己未持有的商品。但是正如此研究显示，我们这种基于属性的方法误差度相对较低。
本文提供的方法还可以帮助零售商更为深入地了解以下几个问题：
是否可以单纯用新商品取代滞销商品来改进商品的分类规划？潜在新商品的需求水平如何？
如果顾客找不到自己理想的商品，是否可能转向其他零售商？
如果增减商品数量，销售额会发生怎样的变化？
依不同商店或商店群组来定制商品分类规划，这种本地化分类规划策略是否可行？如果可行，对于哪些商品类型适用？若决定针对不同的分组来定制不同的商品分类，需要创建多少种分类？创建这些分类时又应遵循什么准则？
专注于商品属性可以帮助零售商实现两类顾客数量的最大化：一类是认为“这些商品正是我所想要的” 的顾客，另一类是“这个商品虽然不是我想要的，但是很相近了，所以我会购买”的顾客。下面我们将通过两个汽车配件零售业的例子，来分步介绍本文关于分类规划的优化方法：轮胎业（通过调研得到结果）以及汽车外观化学品（通过咨询得到结果）。虽然此处我们是按步骤来描述这个过程的，但是实际过程是多维的、高度重复的，其中许多分析都是由计算机模型得出，最后再给出最终的建议。