一家五金店的后仓里，可能压着上千个 SKU：不同规格的螺丝、不同材质的合页、只在某个季节卖得动的园艺工具。单品利润薄，压一批货就是几万块现金躺在货架上。所以这个行业最难的问题从来不是「造得出来吗」，而是「该备哪些规格」。AI 选品要解决的正是这件事，但它的适用半径比宣传里小得多。这篇按设计、选品、渠道三段讲边界，再说清长尾规格为什么是这类项目的老大难。
品类海量、单品便宜，难点在备什么
五金的经营结构很特殊：SKU 数量以千计，单个货值低，需求分散在下游的装修队、工厂维修和零散家庭之间。这种结构带来一个直接后果——任何一个规格的销量都很稀疏，一年卖几十件是常态。稀疏数据做预测，统计上的不确定性会放大：模型给出的「下个月能卖 12 件」，真实区间可能是 3 到 30 件。这个区间对备货决策几乎没有帮助，因为店主真正想知道的是「要不要再进一箱」。
三段职责，能落地的部分不多
把经营动作拆成三段，每段的可行性差别很大：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 产品设计 | 辅助结构优化、人机工程尺寸核算、材料选型比对 | 替代对使用场景的理解，也判断不了工艺可行性 |
| 选品备货 | 按区域、季节、下游行业景气度给出备货建议，识别滞销风险 | 处理长尾规格的稀疏数据，也看不见账期与人情关系 |
| 渠道铺货 | 比对线上线下动销、发现区域间销量异常、辅助调拨 | 决定与经销商的合作方式，也替代不了现场谈判 |
三行里，第一行的落地案例最少，第三行的数据最现成，第二行的价值最大但难度也最高。原因不复杂：设计需要跨专业的判断，渠道数据本来就在系统里，而选品要同时处理「有数据的头部」和「没数据的长尾」。
选品为什么先被数据改造
因为它有明确的对照物。备错货的后果是可量化的：库存周转天数拉长、滞销金额上升、现金被占住。有了这个对照物，任何一点预测准确率的提升都能换算成钱，项目也就有了验收标准。反观设计环节，「结构优化了多少」很难量化，做完也说不清值不值。
真正有效的做法通常也轮不到训练一个大模型，把几类信号叠起来看更实际：历史出货、区域施工旺季、下游工厂的开工情况。其中季节性是主线，时间序列 的方法能处理「每年这个时候都涨」的规律，但处理不了「今年这个区域突然开了三个工地」这种事件，后者要靠人补。
长尾规格：稀疏数据怎么处理
这是这类项目最容易被忽略的一段。一个店里八成的 SKU 可能只贡献两成销量，模型在这些规格上几乎没有可学的样本。样本不均衡 在这里表现为：模型倾向于对头部规格给出细致建议，对长尾规格要么给个接近零的预测，要么干脆归到「其他」。而恰恰是长尾，最考验店主的经验。
可行的处理方式是分层：头部规格用模型算，长尾规格用规则兜底——按最小起订量、按替代关系、按「这个规格停了会影响哪些老客户」来判断。承认模型在长尾上不可靠，比强行让它给一个数字更负责任。另一个常被低估的动作是把否决原因记下来：店主每次推翻系统建议时写一句为什么，这些原因本身就是最值钱的数据，攒够半年，比再买一套算法有用。
账期与人情，模型看不见
五金生意的很大一部分决策不在数据里。老客户赊账拿货、同行之间调货救急、厂家给的返点政策、某个规格必须常备因为它是「敲门砖」——这些因素在系统里没有字段，但对备货的影响可能超过销量预测。一套只看出货数据的系统，给出的建议在纸面上合理，落到实际经营里会被店主一条条推翻，最后没人用。
这不是模型的错，是数据边界的问题。合理的定位是：模型负责算「大概率卖得动多少」，人负责在此基础上加减。凡是宣称能给出「最优备货方案」的说法，都跳过了这一步。另外，区域需求会变，新楼盘开工、老厂搬迁、竞争对手进出，都会让历史规律失效，数据漂移 在这类业务里发生得比想象中快，模型需要定期用新数据重估，而不是一次训练用三年。
判断一套方案，看三个地方
先看它做的是选品还是渠道管理。很多打着选品旗号的产品，实际功能是把现有销量做成图表，那是报表不是预测。再看数据覆盖：多少 SKU、多少门店、多长周期。只覆盖头部规格、只有半年数据的方案，结论的适用范围很窄。最后看长尾怎么处理：如果对方答「模型会自动学会」，基本可以判定没真正做过这个行业。还有一个隐性指标值得留意——模型对滞销品的判断是否稳定，这涉及 AI 偏见：如果训练数据里某个品类长期卖得差，模型可能对新开的区域也一律看空，把机会当成风险。
速查：五金选品的四条判断
- 头部规格靠模型，长尾规格靠规则加经验
- 季节性和工程周期是主线，突发事件靠人补
- 账期、返点、老客户关系不在数据里，别指望模型算
- 方案要能说清覆盖多少 SKU、多长周期，否则结论不可用
