作为商品交易方式之一的电子商务,当前年交易额已经突破四十万亿,在交易体量如此巨大的商务环境下,企业与消费者之间的供需冲突越发凸显。在需求端,消费者需求波动变大;在供应端,企业面临千万级别商品的管理和消费者越来越高的服务要求,在这种情况下库存管理的难度以及库存结构的复杂度不断提高。需求波动变大,消费者的高要求,使得电商企业面临供需匹配的巨大挑战。电商具有获得大量消费数据的优势,在这样的背景下,本文利用电商数据研究电商商品的供需匹配问题。本文以JD二级仓配网络中的区域配送中心为研究主体,从消费数据出发经过数据预处理、偏相关性分析选取影响销量预测的特征因素。基于特征集与不同SKU（Stock Keeping Unit）的相关性将商品分类,相关性小的SKU采用ARIMA（Auto Regressive Integrated Moving Average）模型,因其能较好的处理不平稳序列;相关性大的采用LSTM（Long Short Term Memory）模型,因其具有对大规模高维数据处理的优势,并且无需进行复杂的特征工程。相较于移动平均法,平均每个SKU预测精度提高53.26%。基于商品ABC-XYZ分类制定不同的库存策略,在库存系统绩效表现中,分类预测分类库存管理后库存值接近理想值的比例均优于未分类之前获得的库存值,缩小了与理想值的GAP,提高了库存匹配需求的比例。随着提前期的降低,GAP的缩小比例变大。实例验证表明,分类预测可提高销量预测的精度,结合商品分类进而改善库存决策。本文采用小时级别的电商数据建立分类预测模型,提高了电商商品销量预测的精度;以更准确的销量预测作为库存决策的基础,结合商品销售额和销售波动性的二维分类,匹配合理的库存策略,降低了库存决策的偏差,提高了电商商品供应与需求的匹配度,丰富了电商商品供需平衡研究。