企业的库存管理水平直接影响其自身的成本、利润和顾客满意度。消费者需求的不确定性使得企业在制定商品库存决策时面临重大挑战。与此同时,随着电子商务的发展和企业信息化进程的加快,电商企业收集到的数据日益丰富,其中商品售价、促销力度、商品类别等多种类型的辅助信息,都可能影响商品的需求。挖掘并充分运用这些附属信息的价值以辅助电商企业进行库存决策,从而改善企业自身库存状况,具有重要意义。基于上述背景,本文研究了数据驱动的电商需求预测与库存优化的集成决策问题。主要研究有以下几个方面:（1）围绕电商企业仓库库存服务水平目标与库存积压之间的矛盾,建立以剩余库存最小化为目标、带有库存服务水平约束的ML-Weighted集成决策模型。模型整合了商品售价、促销信息、历史滞后销量等辅助信息,将待决策产品的订货数量与历史上具有“相似”情境的产品销量以权重函数的形式联系起来。因此,具有“相似”情境的历史需求以及其权重可用于近似条件期望剩余库存。至于库存服务水平约束,要求在选择的置信水平下满足缺货率目标。最终,ML-Weighted模型可转化为混合整数规划模型。（2）借鉴机器学习KNN、CART算法,设计两类求解ML-Weighted模型的算法。输入历史销量数据和相应的辅助信息,可以直接得出库存决策。此外,生成随机模拟数据,测试本文所设计算法的渐近最优性。测试表明,随着样本数量的增大,算法所求解出的库存决策趋于理论最优库存决策。（3）运用国内大型电商企业京东的实际数据,验证ML-Weighted模型和求解算法的有效性。同时对比已有的顺序决策方法所得出的结果,展示本文提出的模型和算法的优势。实验结果表明,无论是实际库存服务水平,还是剩余库存水平,集成决策方法的平均表现优于顺序决策方法的平均表现。当目标服务水平高于70%,本文提出的KNN-Weighted集成决策算法能够在实现更高服务水平的同时降低更多剩余库存,为大数据环境下电商企业的库存管理提供了决策指导。本论文最大的创新在于,与传统的库存管理决策方法（先预测需求或估计需求分布,再求解最优决策）不同,本文提出的模型和方法可以直接通过数据得出渐近最优的库存决策。