该研究提出了一种使用稀疏损失函数直接优化层次产品和/或时间结构的方法，以学习数百万时间序列的连贯预测。该方法消除了传统层次预测技术中所需的后处理步骤，从而降低了预测流程中的计算成本。在公开的M5数据集上，该方法的表现比基准损失函数提高了10%（RMSE）。该方法应用于欧洲一家大型电子商务平台的现有预测模型中，在产品层面上改善了2%的预测性能。同时，该方法在横向层次上评估预测性能时，预测性能提高了约5-10%。这些结果证明了该方法在主要电子商务平台的生产预测系统中的有用性。

在构建电子商务平台时，订单模块需要处理货物不可用的情况。命名为cancelOrder会由仓库决定取消订单，而命名为handleItemUnavailable则由订单模块决定下一步操作。为了提高可维护性，应集中决策并封装整个订单生命周期的管理。为了改善客户体验，可以以更低的价格提供类似的产品，而不是立即取消订单。在事件驱动的世界中，可以将此调用转化为更通用的WarehouseItemUnavailable事件，以消除点对点通信并插入更多消费者。这种方法可以在不同的部署策略中扩展。

这篇文章介绍了五个基于.net开发的电子商务平台，包括nopCommerce、SmartStore.NET、GrandNode、Virto Commerce和Orckestra Commerce Cloud。其中，前三个是免费开源的，适合各种企业和个人的需求；后两个是企业级平台，具有强大的B2B和B2C功能，并提供了丰富的API和插件，可以轻松扩展和定制。这些平台都支持多语言和多货币，适合国际化企业。