在电子商务环境下,企业竞争日趋激烈,要想在市场占据有利地位,需要对商品竞争力进行准确的预测与判断,合理的预测不仅将带来巨大的经济效益,也会保持市场的稳定发展。商品组合与销量预测问题是电子商务的核心内容。如基于用户已购买商品向其推荐可能购买的商品,从而促进商品销售;商品销售预测使公司能够做出明智的业务决策并预测短期和长期业绩。本文以电商店铺销售数据、订单数据为研究对象,探究店铺商品组合与未来销量,主要研究内容如下:(1)复购率体现商品或服务的用户黏性,对于企业而言尤其重要,探究商品复购率的强影响因素,对于促进商品销售、销量预测都存在关键意义。首先对数值进行聚类,对聚类后的各类别使用逐步回归筛选最优变量并拟合泊松回归模型,探讨案例中不同商品的复购率与对复购率起强影响作用因素关系。(2)商品组合搭配具有广泛应用,如基于用户已购买商品向其推荐可能购买的商品,从而促进商品销售。使用关联规则、基于关联规则与遗传算法的商品组合方法以及引入复购情况作为商品组合模式评分改进的协同过滤算法以探究商品组合搭配。(3)为了预测商品销量,结合BP神经网络、LSTM神经网络、Verhulst灰色模型三种算法的优点:BP神经网络可以结合当前日期对应自变量预测销量,LSTM神经网络可以探究历史数据对销量的影响,Verhulst模型可基于变量的增长趋势来预测销量,构建了一种基于AP算法的BP-LSTM-Verhulst嵌套神经网络来对销量进行预测,通过实例证明该方法预测精度较高。