随着生活水平的不断提高,消费者的需求也趋于多样化,为了维持或者提高市场占有率,企业之间的竞争已经进入白热化阶段。社会零售消费品总额以每年超过10%的幅度增长,其中的快速消费品大多为日常生活的必需品,拥有着庞大的消费群体,市场份额的争夺尤为激烈。虽然快速消费品行业的发展前景广阔,行业内部的环境却复杂多变,企业的兴衰交替屡见不鲜。在经营管理的过程中,企业不仅要迎合市场的需求,还应提高自身的盈利能力,以保证持续稳定地发展。快速消费品本身具有较强的可替代性,导致了其市场需求的不稳定性。为了保证产品的正常供给,企业往往会持有较高水平的库存量,使得库存成本居高不下,进而降低了效益。在没有技术、理念革新的情况下,提高产品需求预测的精度几乎成为了降低库存成本的必经之路。目前快速消费品行业预测的相关研究以传统的定量预测方法为主,包括但不仅限于灰色预测法、时间序列预测法、回归分析法。与普通商品不同的是,快速消费品的需求量受到诸多潜在或者不可量化因素的影响,表现出较强的不规律性。本文在深入分析A公司现状的前提下,使用BP神经网络模型对其最主要的两种产品的需求作出了预测,而后又引入遗传算法优化BP神经网络的权值、阀值,构建了 GA-BP神经网络模型。为了验证GA-BP神经网络模型在快速消费品的需求预测中的优越性,分别用传统的预测方法对A公司的两种产品构建预测模型,从预测精度、泛化能力和稳定性三个角度进行考量,数据显示,GA-BP神经网络模型的综合预测性能优于其它方法。然后在提高预测精度的基础上,运用EOQ模型和安全库存相关理论对原材料和产成品的库存策略进行相应的改进。结果显示,在保证一定服务水平的条件下,原材料的库存成本相比于原来降低了49.04%,同时产成品的库存成本也降低了 19.22%,证明了 GA-BP神经网络模型对快速消费品行业的库存需求预测的可行性和有效性。