我有一个基于订阅的业务数据集，如下所示：
Company RenewalMonth Year Month Metrics
ABC 10 2018 1 ...
DEF 1 2018 1 ...
GHI 7 2018 1 ...
ABC 10 2018 2 ...
DEF 1 2018 2 ...
GHI 7 2018 2 ...
ABC 10 2018 3 ...
DEF 1 2018 3 ...
GHI 7 2018 3 ...
ABC 10 2018 4 ...
DEF 1 2018 4 ...
GHI 7 2018 4 ...
ABC 10 2018 5 ...
DEF 1 2018 5 ...
GHI 7 2018 5 ...
依此类推，大约有1万个帐户，过去5年中我每个月都有其数据使用情况。
此处 RenewalMonth 代表该帐户每年进行更新的月份。 年份和月份表示该年和月份的汇总使用参数，使用指标由会话，内容，区域，产品等参数组成。
我正在构建“客户流失”模型，但是由于每个帐户的续订月份都不相同，因此这会带来一个独特的问题。如果我汇总2017年的衡量指标，并将其用作预测2018年的数据，则假设我考虑了最近12个月的数据，因此假设每个账户的续订发生在2018年1月1日
但是，由于续签是在不同月份进行的，因此另一种方法是找到每个帐户12个月的滚动使用情况，然后将其映射以进行预测。 例如，有一个帐户“ xyz”的续订时间为11月，我将映射其最近12个月使用情况的数据，将其用作测试数据，而我的火车数据将包含所有这些数据的12个月的滚动数据已续约的帐户，即续约在11月之前的任何帐户。 但这是一项非常艰巨的任务，因为大约有10000个帐户，并且很难找到这些帐户的单独滚动方式。
有人可以帮我映射此逻辑，以创建一个连续12个月的客户流失预测模型吗？