数据的时间是从1月1日到10月30日。 原始数据的内容包括：销售日期、发票号码、销售人、地区、商品代码、商品类型、商品大小分类、销售数量、商品单价。 在数据步里我又根据原始数据生成了另外两项数据：销售月份、销售金额。其中销售月份从销售日期中取得而来，销售金额=销售数量*商品单价。
先对数据进行简单统计：
蓝色代表销售额，红色代表销售数量。可以看到1、2月的销售数量和销售金额都远比其它月份低，这是因为该公司员工春节放假较早，从1月15日到2月4日之间都没有数据。另外春节前后大家都忙家事，因此业务量就偏小，因此数据就上不去了。还可以看到，7月份的销售数量达到最高，但是销售金额却不是最高，说明这个月销售出去的都是些价格偏低的商品，而10月的销售数量较低，销售金额却达到最高，说明这个月销售出去的都是些价格偏高的商品。
可以看到日销售金额线还是比较满足平稳时间序列的情况的，所以可以对此做时间序列分析，预测后面两个月的销售额。
通过饼图筛选出销售额比较突出的地区。
通过饼图筛选出销售额比较突出的销售人员。
通过饼图筛选出比较畅销的几种商品。
通过饼图筛选出比较畅销的几类商品。
通过饼图筛选出比较畅销的商品大小分类。 再对月份进行聚类，可以看出1、2、3月份都是销售数量和销售额均偏低的月份，所以聚为一类；8、9、10月份都是销售数量不高，销售金额却相当高的月份；其余几个月份聚为一类。
下面按日期对销售额做时间序列分析：
可以看出自相关系数是拖尾的。
可以看出偏相关系数是截尾的，因此可以选择自回归模型作为选定模型。但是偏相关系数可能是4步截尾，也可能是13步截尾的。因此下面对4步截尾和13步截尾都进行分析。
（13步截尾）
（4步截尾）
可以看出，无论从AIC准则还是SBC准则，还是Pr值，都能确定4步截尾比13步截尾更适合本模型。下面即对接下来两个月的数据进行预测：
由于数据太多，所以只截取一部分出来。
