随着近年来电子商务的迅猛发展,各大电商平台不断崛起,以营促销活动为主要手段的价格战也在各大电商间频频上演。销量预测是这一系列营促销活动的源头和必要环节,是维系整个供应链系统的重要节点,也是管理者进行计划、采购、仓储、营销等活动的重要依据。当前部分企业将营促销活动的重点放在活动模式的创新上,仅使用简单的统计学习模型或机器学习模型进行销量预测,没有充分考虑消费者行为和营促销特点,导致预测与实际有较大的偏差,不仅不能够正确地指导营促销活动的选品,还会造成库存堆积或是缺货的情况,影响消费者体验,对企业带来负面影响。因此充分利用企业建立的数据仓库,合理预测营促销活动的商品销量,并进一步挖掘隐藏在数据背后的销售规律是电商平台亟待解决的一个问题,也是推动电商平台供应链持续改进的必要举措。本文首先论述了我国电商平台发展现状、营促销活动手段,分析了营促销活动对消费者行为的影响,进而分析出可能影响营促销活动销量的主要因素,并以此对营促销相关的一系列数据进行处理从而构建特征工程,随后基于模型的可解释性构建了高效且准确的算法。本文以国内某知名电商平台S的一个日常性营促销活动A活动的数据为例,利用数据挖掘的思路和机器学习的方法,发挥随机森林、Xg Boost和Light GBM算法优势,借鉴GBDT+线性回归模型的思路建立了一个分特征融合的机器学习模型。在分析了机器学习模型预测销量存在的不足后,本文引入博弈论中的shapley value概念,使用SHAP值法将商品特征映射到销量维度,从而依据每个商品的shapley value对营促销商品进行分层聚类,重新训练模型,并结合shapley value的输出结果,对不同类型商品在营促销场景中的表现进行分析。结果表明模型具有较高的准确率,并且由模型的可解释性得到了影响营促销商品销量的主要因素,最终根据模型结果提出了营促销场景下的选品建议。同时为验证算法有效性,本文还使用CCF提供的乘用车销售数据集进行了验证,表明引入shapley value的算法确实能够提高算法的预测准确率。本文对营促销期间销量预测的研究,有助于帮助电商企业更精准地预测销量,从而制定更加科学的选品、补货、仓储等策略,实现销量预测功能的服务化。