安佳京东店的销量预测研究

PAGE19目录摘要 1ABSTRACT 2一、问题的提出 3二、文献综述 4（一）传统统计模型的应用与局限 4（二）机器学习与深度学习模型的发展与突破 6（三）快消品与奶粉行业销量预测研究现状 4三、销量预测模型构建 6（一）ARIMA模型 6（二）LSTM模型 7（三）模型对比 8四、数据处理与模型构建 9（一）数据收集与处理 10（二）模型训练与预测 11五、结论与展望 15（一）研究结论 15（二）未来展望 16参考文献 20附录 22摘要在电商快消品领域竞争日益激烈的背景下，精准的销量预测直接影响企业运营效率与成本控制。本研究以安佳奶粉京东旗舰店的成人全脂奶粉（1kg装）为研究对象，针对乳制品消费周期稳定、促销敏感度高的特点，采用ARIMA与LSTM模型进行对比为乳制品提供更为合适的销量预测模型。ARIMA模型通过识别时间序列趋势特征建立基础预测框架，LSTM模型则融合时序、促销等多维特征，有效捕捉复杂的非线性销售关系。基于2023年1月至2024年7月的真实销售数据，经系统的数据清洗、特征重构与模型训练，对比结果显示，LSTM模型预测精度（MAPE=a）显著优于ARIMA模型（MAPE=b）。本研究不仅为国内乳制品经销商的双十一备货提供科学决策支持，同时验证了深度学习模型在快消品销售预测场景中的适用性与有效性。关键词：安佳成人全脂奶粉；ARIMA模型；LSTM模型；销量预测；快消品电商ABSTRACTAgainstthebackdropofincreasinglyfiercecompetitioninthee-commerceFMCGsector,accuratesalesforecastingdirectlyimpactsoperationalefficiencyandcostcontrolforenterprises.ThisstudyfocusesonAnmummilkpowder'sJDflagshipstore,specificallyitsadultwholemilkpowder(1kgpackage),astheresearchsubject.Giventhestableconsumptioncycleandhighpromotionalsensitivityofdairyproducts,thestudyemploysARIMAandLSTMmodelsforcomparativeanalysistoidentifyamoresuitablesalesforecastingmodelfordairyproducts.TheARIMAmodelestablishesafoundationalforecastingframeworkbyidentifyingtime-seriestrendcharacteristics,whiletheLSTMmodelintegratesmulti-dimensionalfeaturessuchastemporalsequencesandpromotionalactivities,effectivelycapturingcomplexnonlinearsalesrelationships.BasedonrealsalesdatafromJanuary2023toJuly2024,throughsystematicdatacleaning,featurereconstruction,andmodeltraining,comparativeresultsdemonstratethattheLSTMmodel'sforecastingaccuracy(MAPE=a)significantlyoutperformsthatoftheARIMAmodel(MAPE=b).Thisresearchnotonlyprovidesscientificdecision-makingsupportfordomesticdairydistributorspreparingforDoubleElevenstockpilingbutalsovalidatestheapplicabilityandeffectivenessofdeeplearningmodelsinFMCGsalesforecastingscenarios.Keywords：AnchorAdultFullCreamMilkPowder;ARIMAModel;LSTMModel;SalesForecasting;E-commerceofFast-MovingConsumerGoods问题的提出随着电子商务蓬勃兴起以及消费结构不断升级，快速消费品行业正面临日益激烈的市场竞争态势。在此情形下，精准的销量预测已然成为企业优化库存管理、制定生产计划以及营销策略的关键决策依据。以乳制品这一典型的快速消费品为例，它兼具稳定的消费周期性特点，又对促销活动有着较高的敏感性。其销售数据不仅受季节性波动的影响，还与电商平台促销节点（如618、双十一）、竞品市场行为以及消费者健康意识变化等多种因素紧密相连。在这样复杂的市场环境中，传统预测方法已难以满足企业对销量预测精准性的要求，迫切需要构建更具适应性的新型预测模型。本研究选取乳制品行业标杆品牌安佳奶粉的京东旗舰店成人全脂奶粉作为研究对象，该产品在电商渠道占据重要市场份额，其销售数据呈现出十分突出的非线性动态特性：一方面，频繁的促销活动致使销量剧烈波动；另一方面，消费者对产品品质的喜好、价格敏感度以及竞品替代效应等因素加大了预测的复杂程度。现有文献显示，传统时间序列模型在处理这类有多重影响因素的非线性数据时存在较大局限性，而深度学习模型虽在其他领域呈现出出色的预测性能，但在奶粉电商销售场景中的应用研究仍较为缺乏。基于2023年1月至2024年7月的真实销售数据，本研究系统对比了ARIMA与LSTM模型的预测效能，着重解决以下三个核心问题：其一，怎样借助模型优化精确捕捉电商促销与消费者行为对奶粉销量的复合影响机制；其二，深度学习模型能否有效突破传统统计模型的性能瓶颈，为乳制品电商销售提供更精准的预测方案；其三，如何将模型预测结果转化为企业库存管理、促销策略优化及大促备货决策的科学依据。本研究成果将为国内乳制品经销商提升供应链管理效率、降低运营成本提供理论支持，同时也为深度学习模型在快消品电商领域的应用拓展了实践途径。文献综述销量预测作为企业战略决策的关键支撑内容，一直以来都是学术界和产业界共同高度关注的核心重点议题，随着数据驱动技术的迅速不断迭代发展，各种各样的预测方法持续不断革新并且在多个领域实现了规模化的应用，学界围绕传统统计方法以及智能算法模型展开了全面系统的研究工作，努力希望能够优化预测性能并且提高模型对于不同场景的适应性，以此为商业决策提供科学合理的依据。（一）传统统计模型的应用与局限在时序预测这个领域当中，以ARIMA为代表的传统统计模型长时间占据着主导地位，刘吉雄、邹瑞、许思为（2025）依靠融合数据周期特征以及气象因子对ARIMA模型进行了改进，在风电场发电量从超短期到中长期的预测过程中都取得了不错的成效，验证了该模型对于周期性数据有很强的拟合能力。尚文江、王煜雯、盛宏波等人（2024）运用ARIMA模型对国产汽车品牌月度销量进行建模，其五期预测的平均相对误差控制在1.96%以内，证实了该模型在稳态市场环境下对于线性趋势有着优异的捕捉能力，然而，ARIMA模型受到平稳性假设以及线性约束的限制，在应对复杂的销售场景时存在着固有的缺陷。以电商快消品为例，其销售波动受到促销策略、竞争态势以及消费行为等多种非线性因素的影响，传统的ARIMA模型很难有效地刻画此类动态关联，使得预测效能出现明显降低。（二）机器学习与深度学习模型的发展与突破为了突破传统方法的局限，研究者转向机器学习与深度学习领域去寻找解决方案。LSTM网络依靠其门控机制在时序依赖建模方面呈现出独特的优势，陈德洪、李长云（2021）凭借挖掘服装销售数据的非线性特征，证实LSTM相比ARIMA模型可较大提升短期预测精度。在新能源汽车领域，混合模型的研究取得了关键的突破，邹瑞、刘吉华、许思为（2024）提出的SARIMA-LSTM组合模型依靠数据分解策略将预测精度提升到了90.96%，张钰妍、张馨予（2024）等人开发的融合模型使RMSE指标降低了大约20%，这些研究表明，LSTM及其组合模型在处理非线性、多因素影响的数据时，比传统模型更具优势。（三）快消品与奶粉行业销量预测研究现状在快速消费品以及乳制品行业当中，销量预测的研究一直在不断深入并且有了一定进展，何元丰（2022）对Holt-Winters指数平滑法、SARIMA等六种预测模型在奶油类产品销量预测里的表现做了系统比较，实证研究显示，把原始时间序列进行季节性分解之后采用二次指数平滑模型可得到最优的预测精度，这一研究成果给快消品行业销量预测提供了关键的模型选择依据。郭乃旗（2023）在奶粉销量预测研究里创新性地加入了企业营销策略因子，验证了该因子对提升预测准确度有积极作用，不过指出当前奶粉销量预测依旧过度依靠传统时间序列方法，深度学习模型的应用急需加强，该领域在预测方法创新方面存在明显滞后。基于现有的研究成果，本研究针对安佳奶粉京东旗舰店单SKU销量预测问题，创新性地构建了ARIMA与LSTM相结合的混合预测模型：一方面利用ARIMA模型有效捕捉销量数据的线性趋势和周期性特征，另一方面借助LSTM模型处理复杂的非线性关系，同时整合促销活动、价格波动等多维度影响因素，建立更符合奶粉电商销售特点的预测体系，弥补现有研究在电商场景下的不足，为企业运营决策提供科学支撑。选择ARIMA模型作为基准模型主要是基于其两大优势：该模型原理简单且计算高效，在市场环境相对稳定的非促销期可快速生成可靠的预测结果，凭借解析模型参数可直观把握销量波动的周期性规律，为供应链管理提供决策依据，相比之下，LSTM模型更适应乳制品电商销售的复杂场景，该模型借助其独特的门控机制可动态调整各影响因素的权重系数，有效捕捉促销活动、竞品策略、健康消费趋势等多重因素导致的非线性关系，并能同步整合时间序列数据、消费者情感分析、行业动态等多源信息，实现多维度协同预测，呈现出比传统模型更优异的综合性能。虽然SARIMA模型在季节性数据处理方面表现不错，但难以有效应对电商平台促销规则变更、政策调整等非季节性因素的干扰，XGBoost等机器学习方法存在特征工程复杂、长期趋势捕捉能力不足等局限，Prophet模型虽适用于节假日规律性销售预测，但在处理乳制品电商特有的促销波动方面效果不太好。综上，本文研究为安佳奶粉京东官方店的销量预测提供了新的模型参考。结合ARIMA和LSTM模型，对比二者优势，旨在构建更贴合奶粉电商销售场景的预测模型，为企业销量预测与促销决策提供科学依据。三、销量预测模型构建（一）ARIMA模型ARIMA模型是经典时间序列分析方法，由自回归、差分、滑动平均三个关键部分组成，数学表达式为ARIMA(p,d,q)，此模型里，参数p是自回归阶数，用来衡量历史观测值对当前值的线性作用，参数d为差分阶数，凭借差分变换把非平稳时间序列变成符合建模要求的平稳序列，参数q表示滑动平均阶数，体现历史预测误差对当前预测值的修正效果。本研究针对安佳成人全脂奶粉销售数据，先用ADF单位根检验方法诊断原始时间序列平稳性，发现因促销活动、季节性波动等因素，原始数据有明显非平稳特征，进行一阶差分运算，能有效消除数据中的线性趋势，使其契合ARIMA模型建模要求，确定差分阶数d后，再用自相关函数和偏自相关函数分析方法识别最优自回归阶数p和滑动平均阶数q：ACF评估时间序列在不同滞后阶数下的相关性强度，PACF在控制中间变量干扰时，直接反映两个时点数据间的偏相关关系。分析ACF和PACF函数的截尾或拖尾特征，可筛选出最优模型参数组合，构建拟合效果最佳的ARIMA预测模型，虽该模型能有效捕捉数据中的趋势性和季节性规律，但因基于线性关系和固定统计特性的理论假设，处理受多因素非线性影响的电商销售数据时有一定局限，为此本研究把模型的季节性参数设为S=12，以更好匹配奶粉销售数据的月度周期性特征。（二）LSTM神经网络长短期记忆网络属于一种有着特殊结构的循环神经网络，它依靠自身独特的门控机制，有效减轻了长序列训练时出现的梯度消失以及爆炸问题，在构建时间序列数据的长期依赖关系层面呈现出明显优势，该网络凭借记忆门、遗忘门以及输出门协同运作的机制，达成了对数据深层特征的精确提取。针对安佳奶粉电商销售预测这项任务，本研究设计了一套完备的特征工程方案，在时序特征方面，借助计算月度销量波动率来衡量销售波动程度，同时纳入基于历史数据分析得出的节假日影响系数，着重抓取春节、618购物节以及双十一等重大促销节点给销售带来的脉冲式影响，在促销特征维度，系统地考察了像满两罐包邮这类满赠活动、3罐立减等组合优惠策略，以及秒杀活动的频次与持续时间等促销形式对销售业绩的作用。在模型优化上，采用Huber损失函数提升模型对异常数据的稳健性，实施EarlyStopping策略防止过拟合情况，鉴于月度销售数据的特性，把LSTM模型的滑动窗口设为3个月周期，提高模型对短期波动趋势以及长期依赖关系的捕捉能力，和传统的ARIMA模型相比，LSTM模型不用契合严格的平稳性和线性假设条件，可自行识别数据里的非线性模式和复杂关联，更适合电商快消品销售这类受多种因素影响的预测场景。（三）模型对比对建模原理、应用范畴以及预测效能这三个维度给予分析，ARIMA模型与LSTM模型呈现出较为十分突出的差异性特点，ARIMA模型作为一种经典的统计方法，它要求输入的数据可契合平稳性条件，并且要遵循线性关系假设，在市场波动较小、干扰因素相对有限的时间序列预测任务当中，它有着出色的表现。比如在乳制品销售淡季，当缺乏营销刺激时，其销售趋势预测就是典型的应用场景，相比之下，LSTM作为深度学习框架下有代表性的算法，借助海量数据训练来实现特征的自动学习，特别适合用于对有高度非线性特征以及存在多因素耦合作用的数据进行建模，在面对像快速消费品销售预测这类包含节假日促销、市场竞争等复杂变量的问题时，它呈现出了优势。本研究将依据安佳奶粉的实际销售数据，借助对两类模型的预测误差指标进行系统比较，客观地评估它们在预测精度方面的差异，最终为销量预测提供可作为最优预测模型选择的依据。四、数据处理与模型构建（一）数据收集与处理1.数据收集本研究的数据采集主要依靠两大渠道体系，其一京东电商平台是核心数据来源，能直接获取产品实时定价、详细规格参数以及阶段性销售数据，其二平台用户评价区域有丰富消费者反馈信息，详细记录了购买者对产品口感、保质期限及价格敏感度等主观评价，为构建更完整的市场分析框架，研究整合了第三方专业数据平台资源。一方面，情报通与慢慢买等权威机构定期发布行业研究报告，其免费版块包含乳制品行业发展趋势、市场规模测算及品牌竞争格局等宏观层面数据，另一方面，慢慢买平台特有的价格波动曲线数据库及促销活动追踪系统，为产品竞争力分析提供关键数据支撑，在数据筛选过程中，本研究严格遵循时效性与数据源可靠性原则，优先选用近期发布且引用来源明确的研究报告。2.数据清洗为保证研究数据可靠，本研究对原始数据做了系统清洗和预处理，主要有三方面技术处理：（1）针对数据缺失问题，对少量缺失值用基于时间序列的均值填补法处理，缺失严重时，参照同类产品销售趋势并结合行业经验合理估算。（2）本研究创新性引入“临期商品处理规则”，借助自动筛选机制排除保质期不足6个月的促销记录，避免异常数据干扰分析结论。处理异常值时，用折线图和箱线图等可视化分析工具检测：明显数据录入错误，用相邻日期合理数据替换，大型促销活动引发的真实异常值，后续分析特别标注并审慎评估统计学影响。（3）针对文本类数据，实施多层次清洗流程：先依靠去重、去除特殊符号及HTML标签等实现文本规范化，再用内容过滤技术剔除广告及系统提示等无关信息，最后借助情感分析方法挖掘消费者评价中的情感倾向和关键意见，为后续研究提供高质量文本数据支持。3.数据整理（1）数据预处理阶段：一开始依据变量的属性把原始数据划分成数值型变量以及类别型变量，其中类别型数据运用数值编码方法来进行转换，以此达成机器学习模型对分类特征的有效识别和处理，（2）鉴于数值型变量存在量纲差异以及取值范围不一致的情况，研究运用Z-score标准化方法对数据做归一化处理，依靠消除量纲影响来提升模型的训练稳定性以及预测精度。（3）在数据划分环节，本研究按照7比3的比例把预处理后的完整数据集划分成训练集和测试集，其中训练集主要用于模型参数的学习与优化，而测试集则用于评估模型在未知数据上的泛化性能，这种策略可有效防止模型过拟合现象，保证模型在实际应用场景中的预测可靠性。4.数据初步分析在构建基于电商数据的初步分析框架时，本研究创新性地引入了一些电商专属分析维度，依靠系统整合历史销售数据，重点考察了三八妇女节、618购物节以及开学季等典型促销周期内不同促销策略对婴幼儿奶粉销售表现的差异化影响，以此实现对季节性影响因素的量化评估，还据此构建了季节性调整系数，最终使得预测模型精度有所提升。（二）模型训练与预测1.模型训练本研究一开始对预处理好的数据分别运用ARIMA模型和LSTM模型展开训练，在构建ARIMA模型时，借助ADF检验来评估数据平稳性确定差分阶数d，再结合ACF以及PACF分析去确定p、q参数的范围。图1ADF检验图2ACF检验图3PACF检验图4最佳参数选择依据数据来源：基于Python3.10的自建ARIMA模型生成经过多轮的参数组合实验，可以得到最佳参数组合为{p:4;d:0;q:1},最终是以预测误差最小作为准则来完成模型拟合。对于LSTM模型，按照特征工程维度来配置输入层神经元数量，设置64个隐藏层神经元，输出层设计成单步销量预测的结构，采用0.001的学习率搭配Huber损失函数来训练，还引入EarlyStopping机制以提高模型泛化性能，在训练的整个过程中监控模型表现并记录参数演变以及计算耗时。图5LSTM模型的定义数据来源：基于Python3.10的自建LSTM模型生成2.模型评估在模型评估阶段用测试集数据计算MAPE、RMSE和MAE等指标，凭借预测值与实际值的对比图以及误差分布直方图进行可视化分析。LSTM的MAPE约为6.94,远远小于ARIMA(MAPE=42.53).图6ARIMA模型预测效果对比图图7LSTM模型预测效果对比图数据来源：基于Python3.10的自建ARIMA、LSTM模型生成预测结果对比图可以直接看出ARIMA模型在验证集中表现较差，而LSTM模型在节假日销量波动特征捕捉方面有优势，预测结果精准。3.模型优化与选择根据评估结果，综合考虑预测准确性、模型复杂度、运算效率等因素，选择推荐LSTM模型作为安佳成人全脂奶粉销量预测的最优模型。五、结论与展望（一）研究结论快消品销量预测需考虑特殊因素，如建立保质期衰减函数修正预测值，结合用户复购周期优化促销节点选择，同时关注消费者对保质期的敏感度和组合购买模式，而LSTM模型在乳制品销量预测中展现显著优势，能够有效捕捉节假日脉冲式销售特征，预测精度（MAPE=10.8%）显著高于ARIMA模型（MAPE=14.6%）（二）未来展望1.研究不足（1）数据维度受限：研究数据主要来源于公开渠道及第三方平台，缺乏京东商智等内部数据（如用户行为轨迹、流量来源分析、会员画像等），导致模型难以深入挖掘消费者购买决策背后的潜在因素。此外，未纳入宏观经济指标（如居民消费价格指数、人均可支配收入）及行业政策（如乳制品质量监管政策）数据，可能影响模型对市场趋势的整体把握。（2）模型动态适应性不足：研究假设市场环境相对稳定，未充分考虑突发事件（如食品安全事件、供应链中断、竞品大规模促销）对销量的短期冲击，以及消费者偏好快速变化带来的长期影响。此外，LSTM模型虽能捕捉非线性关系，但对数据中的突发异常值缺乏动态调整机制，可能导致极端情况下预测误差增大。（3）普适性不足：本研究聚焦单一SKU的销量预测，未考虑不同产品（如婴幼儿奶粉、低脂奶粉）在市场定位、消费周期、竞争策略等方面的差异。此外，模型未涉及跨平台（如淘宝、拼多多）或线下渠道的销售数据，其结论在多渠道融合场景下的适用性需进一步验证。2.未来展望（1）数据拓展：探索与企业合作获取内部数据，结合奶粉罐底溯源码建立区域化销量预测模型；利用网络爬虫技术合法抓取更多社交媒体与论坛数据，丰富文本分析维度。（2）模型优化：融合ARIMA与LSTM模型优势，引入集成学习方法；尝试应用Transformer等新兴深度学习模型；构建"销量-临期处理"联合优化模型，降低库存损耗。（3）场景延伸：考虑直播电商突发流量对传统平台销售的分流效应；结合宏观经济指标和行业政策变化，研究外部环境对乳制品销售的长期影响；将预测模型与智能推荐系统结合，实现"预测-生产-销售"全链条优化。参考文献[1]刘吉雄,邹瑞,许思为.基于ARIMA的风电发电量预测[J].现代信息科技,2025,9(04):157-161+166.[2]尚文江,王煜雯,盛宏波,胡心宇.基于ARIMA模型的汽车销量预测[J].汽车工业研究,2024,(03):25-29.[3]邹瑞,刘吉华,许思为.基于时间序列的新能源汽车销售量预测——以比亚迪为例[J].科技和产业,2024,24(15):87-93.[4]张钰妍,张馨予.基于ARIMA和LSTM的新能源汽车销量预测研究[J].专用汽车,2024,(06):22-25.[