产品需求预测在企业的运营管理中发挥着重要的作用,尤其是近年来新零售和“互联网+”的迅猛发展,需求预测对运营优化的赋能效应日益显著。准确的需求预测能够极大地提升公司运营效率:借助准确的新产品需求预测,公司更能优化新品预售管理、上架决策、库存管理等;借助老产品需求预测,公司能够更好地优化订货策略、库存管理、下架决策等。目前,学界和业界对需求预测进行了广泛的研究,其中以“聚类+机器学习”的方法最受关注。然而,传统基于产品属性聚类的预测方法中,存在聚类算法与预测模型不匹配的问题——聚类算法并不是针对机器学习来设计的。针对这一问题,本文设计了一种基于相关性聚类与产品属性分类的产品预测方法,尝试通过捕捉训练集中每一个历史老产品的需求与其预测特征之间的相关性关系(需求变化模式),将具有相似相关性的老产品聚集,形成多个的产品类别,我们为每一个类别使用机器学习预测算法训练预测模型,这个预测模型包含了该类别内所有具有相似相关性的产品的所有信息;对于新产品的需求预测而言,其缺少历史数据,需要利用历史老产品为其提供预测所需要的信息,而对于老产品的需求预测,同样也可以通过与其相似的老产品的历史数据提升预测精度;因此,我们调整了现有的距离计算方式,利用目标产品与历史老产品共同拥有的产品属性,计算得到各个类别的产品属性离散系数以及目标产品与各个类别之间的属性距离,进而得到目标产品与不同类别之间的有效相似度,目标产品将被分配到有效相似度最高的类别中。本文利用国内某020平台上一家线上门店的销售数据(该平台打通了线上与线下库存,线上的订单通过线下库存满足,缺货率较低,因此可以用实际销量来近似产品的需求),设计了多组实验,实验结果在随机森林算法下的预测结果要优于传统聚类预测方法和非聚类方法,在XGBoost与LASSO算法下部分评价指标的预测结果要优于传统聚类预测方法和非聚类方法,一定程度上说明了本文设计的新方法在新产品与老产品需求预测问题中是可行的。