下面是一个使用Python中statsmodels库的ARIMA模型来实现按客户自动使用循环的示例代码：

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA

# 读取数据
data = pd.read_csv('your_data.csv', parse_dates=['date'], index_col='date')

# 获取所有客户列表
customers = data['customer'].unique()

# 循环处理每个客户
for customer in customers:
    # 根据客户筛选数据
    customer_data = data[data['customer'] == customer]['sales']
    
    # 拟合ARIMA模型
    model = ARIMA(customer_data, order=(1, 1, 1))
    model_fit = model.fit(disp=0)
    
    # 预测未来一段时间的销售量
    forecast = model_fit.forecast(steps=7)[0]
    
    # 输出预测结果
    print(f"预测客户 {customer} 未来7天的销售量：{forecast}")

在这个示例中，首先我们从一个名为your_data.csv的数据文件中读取数据，数据包含了日期、客户和销售量。然后我们获取了所有的客户列表，使用循环逐个处理每个客户。在循环内部，我们根据客户筛选出对应的销售数据，然后使用ARIMA模型进行拟合，并预测未来7天的销售量。最后我们输出了预测结果。

注意，这只是一个基本示例，实际应用中你可能需要根据具体情况进行一些调整和优化。