摘 要

随着生活水平的提高，人们希望在网上下单后更快地收到商品，电商前置仓顺应而生，由此产生电商库存前置策略。大部分生鲜电商采用前置仓策略，因此通过对生鲜电商的销量分析可进一步分析前置仓。本文首先获得生鲜电商近6年的部分产品的数据集，之后对数据进行预处理，而后利用随机森林回归算法构建模型并预测销量，最后对特殊时期生鲜电商销量进行分析，展望电商前置仓和电商的未来。

本文采用随机森林回归算法对生鲜电商的数据集进行模型构建，预测未来一周的销量并调整参数进行模型优化，为电商销量预测提供一种较为精确的算法。

研究结果表明：随机森林回归算法对于具有前置仓生鲜电商的销量预测较为有效。

关键词：随机森林；前置仓；Python

Abstract

With the improvement of living standards, people hope to receive commodities faster after placing an order online, and e-commerce front-end warehouses will emerge accordingly, resulting in an e-commerce inventory front-end strategy.Most fresh food e-commerce adopts the front warehouse strategy, so the front warehouse can be further analyzed by analyzing the sales of fresh e-commerce.First obtain the data set of some products of fresh e-commerce in the past 6 years and pre-process the data, and then use the random forest regression algorithm to build a model and predict sales.Last but not least,look forward to the future of e-commerce warehouses and e-commerce.

A random forest regression algorithm is used to model the data set of fresh e-commerce, predict the sales of the next week and adjust the parameters to optimize the model, and provide a more accurate algorithm for e-commerce sales forecast.

The result is that the random forest regression algorithm is more effective for forecasting the sales of fresh e-commerce with front warehouse.

Key Words：Random forest；Preposition；Python

目 录

第1章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 1

1.3 研究目的与内容 2

1.3.1 研究目的 2

1.3.2 研究内容 2

1.4 采用的技术方案 3

第2章 随机森林算法原理 4

2.1 决策树算法 4

2.1.1 决策树算法概念 4

2.1.2 决策树算法弊端 5

2.2 随机森林构建 5

2.3 分类和回归随机森林算法 6

2.3.1 随机森林分类算法 6

2.3.2 随机森林回归算法 7

2.4 评价系数 7

2.4.1 随机森林分类算法评价系数 8

2.4.2 随机森林回归算法评价系数 8

2.5 本章小结 8

第3章 基于随机森林的电商销量预测 10

3.1 库存前置策略 10

3.2 数据预处理 10

3.3 选择特征属性 11

3.3.1 分析各特征 11

3.3.2 选择比较 15

3.4 建立回归模型 16

3.5 实验设置 16

3.5.1 基础环境 16

3.5.2 数据集 17

3.5.3 参数 17

3.5.4 实验数据误差 17

3.6 实验结果分析 18

3.6.1 实验结果 18

3.6.2 调整参数进行优化 18

3.7 本章小结 19

第4章 疫情时期的电商销量分析 20

4.1 疫情时期的电商销量分析 20

4.1.1 生鲜电商销量分析 20

4.1.2 其他电商销量分析 21

4.2 疫情时期的电商前置仓 22

4.3 展望 22

4.4 本章小结 23

第5章 结论 24

5.1 研究总结 24

5.2 未来的改进 25

参考文献 26

致 谢 27

第1章 绪论

1.1 研究背景与意义

目前，大部分电商在购物网站（如淘宝，京东等）开网店，用一个城市设置几个总仓来进行配货，总仓间货物相互流转，再将货物从总仓分配到分仓，并最终送到客户手上。大部分情况下，电商的顾客的收货时间为4天左右。但伴随着生活水平的提高及日益繁忙的工作，在保证产品品质的情况下，人们通常愿意在更短的时间内获得自己购买的产品。有需求就有市场，电商库存前置策略为快速响应消费者提供基础。对此，一些电商积极运用库存前置策略，如：盒马鲜生采用前店后仓的模式来满足消费者线上线下选购、送货到家的需求；每日优鲜采用“中心仓 前置仓”的架构方式来缩短与客户的距离，大大减少收货时间；良品铺子建立门店前置仓，在库存缺失时能及时补货。

库存前置的商品是否能满足客户需求，其整体收益是否能负担成本，并在此基础上盈利，商品销量预测在其中显得至关重要。一些使用库存前置策略的电商对其各前置仓的顾客进行标签化后建立模型，再输入各相关影响因素并结合算法，即可预测如何补货，并不断优化迭代。以每日优鲜为例，其用量化投资建模思维建立的智能补货系统，天气、区域、节假日等多个变量参与销量预测，可以非常精确地预测出各个前置仓的商品补货和数量情况，很大程度上降低了商品损耗率。

为了更好地运用库存前置策略，有必要准确预测电商各前置仓销量。为了及时满足消费者的需求同时获得利润，降低库存损耗率和提高售罄率，进而降低仓储成本和提高收益，因此进行销量预测十分必要。本次课题主要研究拥有前置仓的电商的商品销量预测。通过对此类电商的商品销量预测，来了解前置仓对于电商的作用及意义，并总结如何进行销量预测来实现前置仓，为之后电商的发展提供建议。

1.2 国内外研究现状

销量预测分为定性预测与定量预测两种方法。定性分析有德尔菲法等。定量分析分为时间序列法和因果关系法两大类。时间序列预测方法有：指数平滑法等。因果关系方法有：神经网络法等。

国内外很多学者研究商品销量预测。谢坤等^[1]通过顺丰现有半年的运单数据去预测30天后的订单量，比较发现，运用数据集成的随机森林算法较普通的随机森林算法预测准确率更高；杨光等^[2]发现无偏灰色理论、马尔可夫链以及粒子群优化算法相结合的方法，相对于普通的无偏灰色模型平均相对误差下降；刘帅等^[3]利用朴素贝叶斯算法构建分类器，来预测促销活动时的销量相比于平时销量增长的倍数，进而帮助商家进行决策；张爱华,刘力^[4]利用协整关系检验和格兰杰因果关系检验对产品销量和网络搜索量进行分析，得出搜索量可作为销量预测的参考；赵梓贺等^[5]用信度分析和时间序列预测方法进行商品销量短期预测；李杰等^[6]用格兰杰因果检验和XGBoost算法进行销量预测；费斐等^[7]用决策树算法分析团购商品的影响因素，选择出好的团购商品；何亚丽^[8]引入更多的函数加入指数平滑模型中来研究促销和节假日的变动对销量的影响；李俊等^[9]11提出组合预测的方法预测商品销量；江桂金^[10]对随机森林算法进行分析和优化；张华忠^[11]分析并研究了贝叶斯算法；Zhenghong Xiao等^[12]提出基于查分进化算法的组合预测算法并验证其准确度较高；M Hattingh等^[13]发现生存分析均方误差较小，为零售商的销量预测提供了更多的选择；Johan Grasman等^[14]用Bass模型预测销量；张倩^[15]将随机森林回归算法和其他几种回归算法的住房租金预测精度比较。