数据建模方法
根据探索性数据分析的结果，需建立如下模型：
- RFM模型（客户分析中的客户价值分析）
RFM模型将每个客户按照R（客户最近一次购买日期与当前日期差值），F（总的购买次数），M（购买的总金额）三个维度分类以识别高价值客户，然后将R值、F值和M值的高低进行分段，并赋予分值，最后将RFM三个分数相加，得到每个客户的RFM总分。针对已有数据集，由于其中包含退货订单，因而我们将数据集分为正常交易和退货交易。正常交易按照前述维度将客户分类后赋分，识别不同类型客户；退货交易则按照高频退货，大额退货和近期退货的维度进行分类后赋分，识别不同类型客户。
- Cohort模型（客户分析中的客户流失预测）
Cohort模型将拥有类似特征的客户识别为一个群体，观察其随时间的变动情况。本次分析中，我们将每月新增客户识别为一个群体，然后按月度时间单位分析新增客户的后续购买情况，以在时间推移下了解客户的留存度，进而预测客户的流失。
- SARIMAX模型（商品分析中的销售趋势预测）
SARIMAX 模型的作用为根据数据的过去值“解释”给定的具有季节性和外生变量的时间序列。在本次分析中，我们通过模型拟合商品销售的时间序列。由于探索性数据分析阶段已表明商品销售可能存在季节性，并且商品销售可能和节假日相关，因而我们向模型添加季节性周期长度，选择节假日作为外生变量，选择最佳参数以拟合历史销售量，进而预测数据集结束后12个月内的销售量。