最基本的方法是运行一个带有外部回归因子的ARIMA模型（以温度、湿度或任何其他预计会影响月度销售的特征衡量的天气）。
重要的是，在拟合模型之前，销售数据最好通过类似
np.log(df.column).diff()
的方式转换为对数月度变化。
我最近写了一个Python微包
salesplansuccess
，它涉及从历史月度销售数据中预测单个产品当前（或下一年）的年销售额。但该模型的一个主要假设是季度性（更确切地说，是每个季度的第2个月到第3个月的重复漂移），这对批发商来说更有特点（他们通过在每个季度末推动销售来努力实现其正式的季度销售目标）。
该软件包像往常一样用
pip install salesplansuccess
安装。
你可以为它修改其源代码，以更好地满足你的需求。它同时使用了ARIMA（最大似然估计）和线性回归（最小平方估计）技术的引擎。
下面是最简单的用例。
import pandas as pd
from salesplansuccess.api import SalesPlanSuccess
myHistoricalData = pd.read_excel('myfile.xlsx')
myAnnualPlan = 1000
sps = SalesPlanSuccess(data=myHistoricalData, plan=myAnnualPlan)