过去10年,乘着在互联网行业快速发展的东风,国内电商市场一片繁荣,各电商企业经历了高速增长的“黄金时代”。但在2016年,国内网络零售市场的增速首次出现低于30%的情况,较低的人口自然增长率等逐步导致流量红利的消失,这个市场也正由“蓝海”转向“红海”,发展精细化与智慧化运营成为电商企业增长的关键。预测工作是电商智慧化运营中的重要一环,准确的预测对将会对企业的生产、营销和物流等决策产生深刻影响。从宏观上看,企业能够降低供应链信息传递的“牛鞭效应”,准确把握市场大小与产品未来需求趋势;从微观上看,准确的预测结果可以应用到采购决策、商品定价、仓储前置、定向营销、个性化定制等场景,帮助企业更好得赢得客户和市场。数据挖掘技术目前在电商企业中得到广泛应用,但业务实际与预测技术相脱节依旧是电商企业面临的现实挑战。首先,本文从电商企业的业务实际出发,基于消费者购买决策过程理论提炼影响电商销量的各类要素,进一步总结出电商销量预测的特征构建工作,为企业的实际应用提供参考。其次,本文提出基于深度学习的电商销量预测模型,该模型结合了卷积神经网络的特征学习与Xgboost的回归模型融合预测。最后,本文基于电商企业A公司的数据对比了线性模型、随机森林等树模型与CNNXG融合模型的效果。结论发现,第一,非线性模型在预测准确率方面要远高于线性模型;第二,人工特征工作对模型预测准确率的提升有一定的帮助,但效果有限;第三,本文提出的基于深度学习的CNNXG融合预测模型可以在少量特征集上有更好的预测表现,说明特征学习可以有效减少业务实际中的特征工程工作,卷积神经网络可以有效利用基础特征中的时序数据,学习后的特征给到XGBoost更多信息,最终实现整体预测的准确率的提升。本文提出的电商销量预测特征工程构建方法论及基于深度学习的融合预测模型,可以在有效节省人工特征工程的同时获得准确率的提升,也证明了本文在企业的实际应用中有一定的参考价值。