En el escenario actual, la previsión de ventas minoristas tiene una gran importancia en las empresas de comercio electrónico. La previsión precisa de ventas minoristas mejora la toma de decisiones empresariales, la gestión de inventarios y las ventas de productos. Una previsión inexacta de ventas minoristas puede disminuir la satisfacción del cliente, provocar escasez de inventario, acumulación de productos y demandas insatisfechas de los clientes. Para obtener una mejor previsión de ventas minoristas, se prefieren los modelos de aprendizaje profundo. En este manuscrito, se propone un Bi-GRU efectivo para la previsión precisa de ventas relacionadas con empresas de comercio electrónico. Inicialmente, se adquieren datos de ventas minoristas de dos conjuntos de datos en línea de referencia: el conjunto de datos de Rossmann y el conjunto de datos de Walmart. De los conjuntos de datos adquiridos, se eliminan las muestras no fiables mediante la interpolación de datos faltantes, la eliminación de valores atípicos, la normalización y la desnormalización. Luego, se lleva a cabo la ingeniería de características implementando el algoritmo de Optimización de Enjambre de Partículas Adaptativa (APSO), la técnica de Eliminación Recursiva de Características (RFE) y la técnica de Mínima Redundancia Máxima Relevancia (MRMR). A continuación, las características activas optimizadas de la ingeniería de características se entregan al modelo de Unidad Recurrente Gated Bidireccional (Bi-GRU) para una previsión precisa de ventas minoristas. A partir del análisis de resultados, se observa que el modelo Bi-GRU propuesto logra resultados más altos en términos de un valor R2 de 0.98 y 0.99, un Error Absoluto Medio (MAE) de 0.05 y 0.07, y un Error Cuadrático Medio (MSE) de 0.04 y 0.03 en los conjuntos de datos de Rossmann y Walmart. El método propuesto apoya la previsión de ventas minoristas al lograr resultados superiores en comparación con los modelos convencionales.