中国电子商务经过十多年的蓬勃发展,现已成为一片红海市场。身处平台中的中小卖家,无不感受到竞争环境的恶化。单纯依靠增加广告营销费用来购买流量以便增加订单的做法不再有效,已经无法在竞争中立于不败之地。如何精细化运营,更精准合理地制定采购和生产计划,尽可能地减少库存,加快货物周转率,才是中小卖家节省成本,提高利润的有效途径。相比利用传统的统计方法进行销量预测,通过机器学习实现销量更准确预测是一种更好的方案。本文是对一个零食电商企业的销量预测进行研究。一共分为两大部分:第一部分是对线上单店所有商品周汇总销量的预测。第二部分是对线上单店每个具体的商品销量进行预测。针对整店的周汇总销量,本文采用两种不同原理所实现的模型:基于惯性思想的ARIMA模型和基于记忆学习原理的LSTM模型以及二者的组合模型,对电商整店周销量进行预测。针对具体商品销量的预测,因为有更多更细化的属性特征可供使用。论文中采用基于树模型的集成模型GBDT进行建模,除能充分利用各属性信息的外,模型中众多的弱学习器也使得模型泛化性能更强,预测结果更准确。在对具体商品销量的预测过程中,由于存在活动销量数据相比日常销量,数据波动性太大的问题,使得准确的预测非常困难。为了得到更精准的预测结果,首先,通过构建相关指标为数据进行活动打标,从而把数据划分成活动和非活动两部分。进而对两部分单独进行建模,能较好地提高预测效果。另外,为了解决数据不平衡问题,本文提出了一种能进一步显著地改善模型性能,提高预测准确率的数据不平衡处理方法。此方法具有先进性、通用性、普适性。