随着互联网和电子商务的飞速发展,在线零售逐渐崛起。尤其是“互联网+”的普及,传统零售也逐渐升级转型为在线零售。随着在线零售市场规模的扩大,消费者需求的提高,传统的仓储、配送模式已经不能满足企业和用户对于物流的需求,许多的物流增值服务随之而产生。对于在线零售商来说,采用分仓备货策略更能满足消费者的需求。在线零售在制定进行分仓备货策略时,充分的利用自身优势,考虑大数据的影响。但是,如何对海量信息进行处理,挖掘其背后的所蕴含的规律,用于在线零售分仓备货当中,最大程度地满足用户的需求?目前针对仓储、配送管理的研究大多还停留在传统的零售商层面。但是,传统的仓储配送管理方法已不能有效解决在线零售的仓储及配送问题。因此,探讨适用于在线零售的仓储、配送管理方法是十分必要的。根据在线零售的特点,在分仓过程中对商品的历史需求数据和消费者对该商品的在线评论数据进行分析,可以利用BP神经网络模型分别预测出不同地区的需求,然后基于需求预测结果对商品进行分仓备货。目前,与仓储、配送管理相关的一些研究领域已经引起了诸多专家学者的关注,并取得了相当成熟的研究成果,但是考虑到在线零售属性和大数据特性,针对多类型信息的在线零售仓储、配送策略的研究方法还很少涉及,尚未形成系统的研究体系。因此,有必要对基于数据驱动的在线零售分仓备货策略进行深入的研究。这项研究具有重要的理论和现实意义。本文主要完成了以下研究工作:（1）通过在线评论数据和历史需求数据的处理,挖掘出在线评论数据中的评论特征,并计算其情感强度值,以此作为BP神经网络模型的输入变量,以历史需求数据作为BP神经网络的期望输出值,构建需求预测模型,然后对不同地区的需求进行预测。（2）基于需求预测的结果,结合仓库和消费者的地理位置信息,分析运输成本、仓储成本、配送成本、延期交货的惩罚成本以及运输时间,并以总成本最小化和运输时间最小化为目标,来确定最终的分仓备货策略。（3）结合实际在线零售商,将本文提出的基于数据驱动的分仓备货策略应用到在线零售商的分仓备货策略中,根据在线零售商的概况特点和采集到的实际数据进行合理建模和计算,得到最终的分仓备货策略,最后将分仓备货策略与统仓备货策略进行比较,证明该方法的可行性和有效性。研究结果表明,本文提出的基于数据驱动的在线零售分仓备货策略,能够为解决现实中在线零售的仓储、配送问题提供参考。