预测客户需求是供应链管理的重要组成部分,因为它有助于避免产品发生库存积压或者缺货的问题,对于蓬勃发展的电子商务供应链,准确的需求量,一般通过销量预测体现,则需要充分考虑线上的多个因素,包括产品的价格、评论等。线上消费者在做出购买决策之前,可以在电商平台或者互联网其他渠道中轻松地获得大量产品信息,尤其是以用户评论为代表的UGC使得客户不仅仅是依靠营销人员的促销从而做出保险的购买决策。同时,对于像京东商城这样的在线卖家或者电商平台而言,充分利用线上的信息尤其是在线评论能够分析出购买者的情绪和态度以及产品未来的销量情况从而有效地管理供应链。但是,客户评论的内容体量大且复杂,并以文本的形式存在,处理起来繁琐,有时会被研究者忽略,反而将关注点放在了评分、评论数量、评论长度等因素上,显然,如果将这部分评论的文本情感纳入到往常的考虑因素框架中,才能在预测销售的各个因素上得到更加清晰的理解。此外,来自第三方平台的评论信息也会出现在消费者的视野中,可能也会对消费者购物决策有一定的影响。因此,本文基于之前学者们研究提出的销量影响因素,加入电商评论和第三方评论的情绪指标及变量间的相互作用作为预测指标,通过对比销量预测模型的变化情况以便于探讨情绪因素的影响水平,并对比其他影响因子的预测能力和重要性,希望可以帮助消费者和卖家获取更有效的销量信息和市场反馈;本文研究的另一个目的是证明各种预测建模技术,包括线性回归模型、人工神经网络和支持向量回归模型,在预测电子商务平台上的商品销量的有效性,同时也反映了变量在不同模型中的稳定性。针对本文的研究背景,选取了京东商城和微博作为采集数据的两个平台,采集时间为一个月。通过综述,本文最终选择了12个独立变量和三种预测方法,分别是线性回归、BP神经网络和支持向量回归,另外客户评论的情绪计算规则为基于情感词典的方法,而微博的评论情绪指标选择的是微热点平台的相关数据。从三个模型的销量预测性能来看,人工神经网络表现最佳,线性回归模型次之,支持向量回归效果较差,这也充分体现了神经网络模型学习/适应能力强的特性。通过三个模型的实验对比发现,首先评论数被认为是重要的预测变量,而电商评论情绪参数在三个模型中都没有被视为重要的预测指标,但是在三个模型中好评情绪得分*差评数、差评情绪得分*好评数的回归系数显示其为销量的重要预测因子。其次,第三方平台的微博热度和微博情绪是三个模型的预测变量,并且根据三个模型的表现,电商平台的评论情绪的重要性大于第三方微博平台。第三,差评的店铺回复、会员身份以及上市时间不会显著影响销量。最后价格和促销金额虽然本身的显著性不够,但是价格*好评数、促销金额*差评数被认为是三个模型的重要预测变量。本研究的结果对消费者和店铺卖家具有一定的启示意义,消费者可以借鉴本文的结果收集更详细有效的产品信息,降低网购风险;店铺可以充分了解产品的反馈情况,实现更准确的销售预测和营销方式。