实体连锁超市企业在新零售时代面临巨大变革。在新零售时代,实体连锁超市企业传统的盈利模式已经无法适应时代的发展,需要搭上互联网平台的列车,跟随大数据、人工智能等新技术应用于发展的脚步,融合线上、线下的购物方式,重构“人、货、场”三要素。重构带来的巨变,一是把消费者、商品和购物场所三者连接起来,重塑业态结构,全方位锁定客户对线上服务和线下购物的综合需求;二是线下业态开拓线上O2O业务,基于大数据及云计算等技术,解决了线下业务数据孤岛的问题,客户信息和行为的数据孤岛被打破,形成了完整且全面的数据链条;三是管理者便于分析顾客消费习惯,为顾客制定更加有针对性的个性服务,从而提高顾客购物体验,让更多顾客主动留下来,以此创造更多收入。在此背景下,线上O2O业务订单量预测,是典型的实体连锁超市企业转型新零售的应用场景。实体商超企业运用门店资源进行线上O2O业务推荐已经形成良好的转化,消费者体会到了线上下单、线下配送的良好体验,形成了新一代消费群体。这些线上O2O订单切实增加了实体超市的销量,给企业带来了新的增长点。因此精准预测线上O2O业务的订单量对于O2O运营至关重要。订单量预测越精准,线上运营业务的决策支持就约可靠。不仅如此,预测订单量足够精准,还可以为实体超市提供备货以及合理准备运力的决策支持,良好的经营决策更能够为顾客带来良好的购物体验,如此形成良性循环。本文对常见销量预测方法进行了综合阐述,基于随机森林算法模型展开超市订单量预测这一应用型研究。本文重点阐述如何利用随机森林算法模型对Z超市的订单量进行预测研究。本文以Z超市近两年订单量数据展开研究,多方面探索了门店及门店类型、节日季节、促销用券甚至顾客行为等因素对于订单量的影响。基于对订单量影响因素的探索,选取两种模型分别进行预测研究。本文首先详细描述随机森林预测模型的原理并且应用该模型进行预测,然后阐述ARIMA自回归预测模型的原理并进行预测,两种模型通过常用的准确性指标RMSE进行对比判断哪种预测模型在预测短期订单量方面有着更优的性能。实验结果发现,随机森林模型与ARIMA模型相比预测结果更为理想。由此结论,可以推而广之,将该模型可以应用于实体商超企业未来O2O业务的预测,以此作为指导新零售背景下线下商超企业线上O2O业务决策的重要依据。