Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.

Manchmal muss man ein Problem aus einem anderen Blickwinkel betrachten, um es zu lösen. Auch wenn in den letzten 10 Jahren ähnliche Probleme immer auf die gleiche Weise mit unterschiedlichem Effekt gelöst wurden, ist es nicht sicher, dass diese Methode die einzige ist.

Es gibt ein Thema wie den Kundenabgang. Das ist unvermeidlich, da Kunden jeder Firma aus vielen Gründen aufhören können, ihre Produkte oder Dienstleistungen zu nutzen. Für ein Unternehmen ist der Abgang zwar eine natürliche, aber dennoch unerwünschte Handlung, weshalb alles versucht wird, diesen Abgang zu minimieren. Noch besser ist es, die Wahrscheinlichkeit des Abgangs einer bestimmten Benutzerkategorie oder eines bestimmten Benutzers vorherzusagen und einige Maßnahmen zur Kundenbindung vorzuschlagen.

Die Analyse und der Versuch, den Kunden zu halten, wo möglich, sind mindestens aus folgenden Gründen notwendig:

• Neukundenakquise ist teurer als Bindungsmaßnahmen.Für die Akquise neuer Kunden müssen in der Regel gewisse Ausgaben (Werbung) getätigt werden, während bestehende Kunden durch spezielle Angebote mit besonderen Bedingungen aktiviert werden können.
• Das Verständnis der Gründe für die Abwanderung der Kunden ist der Schlüssel zur Verbesserung von Produkten und Dienstleistungen..

Es existieren standardisierte Ansätze zur Vorhersage des Abgangs. Aber bei einer der AI-Meisterschaften haben wir entschieden, das Weibull-Verfahren dafür zu verwenden. Es wird häufig für Überlebensanalysen, Wettervorhersagen, die Analyse von Naturkatastrophen, in der Ingenieurwissenschaft und ähnlichem eingesetzt. Die Weibull-Verteilung ist eine spezielle Verteilungsfunktion, die mit zwei Parametern parametrisiert wird. und .

Wikipedia

Im Allgemeinen ist das ein interessantes Thema, jedoch wird es zur Vorhersage des Abgangs, und überhaupt im Fintech, nicht sehr oft verwendet. Im Folgenden werden wir erläutern, wie wir (Labor für intelligente Datenanalyse) das gemacht haben und dabei Gold bei der Meisterschaft für künstliche Intelligenz in der Kategorie "AI in Banken" gewonnen haben.

Zum Thema Abgang im Allgemeinen.

Lassen Sie uns etwas klären, was Kundenabwanderung ist und warum sie so wichtig ist. Für ein Unternehmen ist der Kundenstamm von großer Bedeutung. In diesen Stamm kommen neue Kunden, die beispielsweise durch Werbung von einem Produkt oder einer Dienstleistung erfahren, eine Zeit lang bleiben (aktiv die Produkte nutzen) und schließlich aufhören, sie zu nutzen. Dieser Zeitraum wird als „Lebenszyklus des Kunden“ (engl. Customer Lifecycle) bezeichnet – ein Begriff, der die Phasen beschreibt, die ein Kunde durchläuft, wenn er von einem Produkt erfährt, eine Kaufentscheidung trifft, bezahlt, es nutzt und zu einem loyalen Verbraucher wird, um schließlich aus den einen oder anderen Gründen die Produkte nicht mehr zu nutzen. Dementsprechend ist Abwanderung die abschließende Phase im Lebenszyklus eines Kunden, wenn der Kunde aufhört, die Dienstleistungen zu nutzen, was für das Unternehmen bedeutet, dass der Kunde keine Gewinne mehr bringt und überhaupt keinen Nutzen mehr hat.

Jeder Bankkunde ist eine konkrete Person, die eine bestimmte Bankkarte speziell für ihre Bedürfnisse auswählt. Reist viel – benötigt eine Karte mit Miles. Kauft viel – hallo, Cashback-Karte. Kauft viel in bestimmten Geschäften – dafür gibt es bereits spezielle Partnerkarten. Natürlich wird die Karte manchmal auch nach dem Kriterium „Die günstigste Wartung“ ausgewählt. Insgesamt gibt es hier genügend Variablen.

Außerdem wählt der Mensch die Bank selbst – was bringt es, eine Bankkarte einer Bank zu wählen, deren Filialen nur in Moskau und der Region vorhanden sind, wenn man aus Chabarowsk kommt? Selbst wenn die Karte dieser Bank doppelt so vorteilhaft ist, bleibt die Verfügbarkeit von Bankfilialen in der Nähe ein wichtiges Kriterium. Ja, 2019 ist bereits hier und digital ist unser Alles, aber einige Fragen können bei bestimmten Banken nur in der Filiale geklärt werden. Außerdem vertraut ein Teil der Bevölkerung viel mehr einer physischen Bank als einer App auf dem Smartphone, das muss auch berücksichtigt werden.

Folglich kann es viele Gründe geben, warum eine Person Produkte der Bank (oder die Bank selbst) ablehnt. Hat den Job gewechselt und der Tarif der Karte hat sich von „Gehaltskarte“ auf „Für einfache Sterbliche“ geändert, was weniger vorteilhaft ist. In eine andere Stadt gezogen, wo es keine Bankfilialen gibt. Hat den Umgang mit einem unqualifizierten Angestellten in der Filiale nicht gemocht. Das heißt, die Gründe für die Schließung eines Kontos können sogar viel zahlreicher sein als die für die Nutzung des Produkts.

Darüber hinaus kann der Kunde nicht nur sein Interesse direkt ausdrücken – indem er in die Bank kommt und einen Antrag schreibt –, sondern einfach aufhören, die Produkte zu nutzen, ohne den Vertrag zu kündigen. Um solche Fälle zu verstehen, wurde beschlossen, maschinelles Lernen und KI zu nutzen.

Außerdem kann der Kundenverlust in jeder Branche auftreten (Telekommunikation, Internetanbieter, Versicherungsunternehmen, im Grunde überall dort, wo es eine Kundenbasis und regelmäßige Transaktionen gibt).

Was wir getan haben

Zunächst musste eine klare Grenze beschrieben werden – ab wann wir einen Kunden als verloren betrachten. Aus der Sicht der Bank, die uns die Daten zur Verfügung gestellt hat, war der Aktivitätsstatus des Kunden binär – er ist entweder aktiv oder nicht. Es gab einen Flagge ACTIVE_FLAG in der Tabelle "Aktivität", dessen Wert entweder "0" oder "1" sein konnte (entsprechend "Inaktiv" und "Aktiv"). Das wäre an sich gut, aber der Mensch ist so, dass er eine Zeit lang aktiv nutzen kann, dann aber einen Monat inaktiv sein kann – etwa weil er krank ist, ins Ausland reist oder eine Karte einer anderen Bank testet. Oder er kann nach einer langen Phase der Inaktivität wieder anfangen, die Dienstleistungen der Bank zu nutzen.

Deshalb haben wir beschlossen, einen bestimmten kontinuierlichen Zeitraum der Inaktivität zu definieren, in dem der Flagge für ihn auf „0“ gesetzt wurde.

Kunden wechseln aus der Inaktivität in die Aktivität nach unterschiedlichen Längen von Inaktivitätsperioden. Wir haben die Möglichkeit, die empirische Größe „Zuverlässigkeit von Inaktivitätsperioden“ zu berechnen – also die Wahrscheinlichkeit, dass ein Mensch nach einer vorübergehenden Inaktivität wieder die Produkte der Bank nutzen wird.

Zum Beispiel zeigt dieses Diagramm die Wiederaufnahme der Aktivität (ACTIVE_FLAG=1) von Kunden nach mehreren Monaten der Inaktivität (ACTIVE_FLAG=0).

Hier präzisieren wir etwas den Datensatz, mit dem wir begonnen haben zu arbeiten. Die Bank hat aggregierte Informationen für 19 Monate in den folgenden Tabellen bereitgestellt:

• "Aktivität" – monatliche Transaktionen von Kunden (über Karten, im Online-Banking und im Mobile Banking), einschließlich Gehaltsabrechnungen und Informationen über Umsätze.
• "Karten" – Daten zu allen Karten, die der Kunde hat, mit detaillierter Gebührenordnung.
• „Verträge“ – Informationen über die Verträge des Kunden (sowohl offene als auch geschlossene): Kredite, Einlagen und andere, jeweils mit Angabe der Parameter.
• „Kunden“ – ein Satz demografischer Daten (Geschlecht und Alter) sowie das Vorhandensein von Kontaktdaten.

Für die Arbeit benötigten wir alle Tabellen, außer „Karten“.

Die Schwierigkeit lag auch darin, dass die Bank in diesen Daten nicht angab, welche Art von Aktivität bei den Karten stattfand. Das heißt, wir konnten erkennen, ob es Transaktionen gab oder nicht, aber ihren Typ konnten wir nicht bestimmen. Daher war unklar, ob der Kunde Bargeld abgehoben hat, ob ihm Gehalt zugegangen ist oder ob er Geld für Einkäufe ausgegeben hat. Außerdem hatten wir keine Daten zu den Kontoständen, was nützlich gewesen wäre.

Die Auswahl selbst war unverschoben – in diesem Zeitraum von 19 Monaten hat die Bank keine Versuche unternommen, Kunden zu halten und die Abwanderung zu minimieren.

So, über die Perioden der Inaktivität.

Um eine Definition der Abwanderung zu formulieren, muss ein Zeitraum der Inaktivität gewählt werden. Um eine Prognose für die Abwanderung zu einem bestimmten Zeitpunkt zu erstellen, , müssen wir eine Kundenhistorie von mindestens 3 Monaten im Intervall haben. Die Geschichte war auf 19 Monate begrenzt, daher entschieden wir uns, den Zeitraum der Inaktivität auf 6 Monate festzulegen, falls vorhanden. Und für den minimalen Zeitraum für eine qualitativ hochwertige Prognose wählten wir 3 Monate. Die Zahlen 3 und 6 Monate haben wir empirisch basierend auf der Analyse des Verhaltens dieser Kunden gewählt.

Die Definition der Abwanderung haben wir folgendermaßen formuliert: der Monat der Abwanderung des Kunden ist der erste Monat mit ACTIVE_FLAG=0, in dem es in diesem Monat mindestens sechs aufeinanderfolgende Nullen im Feld ACTIVE_FLAG gibt, anders ausgedrückt, der Monat, ab dem der Kunde 6 Monate inaktiv war.

Anzahl der abgewanderten Kunden

Anzahl der verbleibenden Kunden

Wie man Abwanderung üblicherweise betrachtet

In ähnlichen Wettbewerben und auch in der Praxis wird die Abwanderung häufig auf diese Weise prognostiziert. Der Kunde nutzt Produkte und Dienstleistungen zu unterschiedlichen Zeitpunkten, Daten über die Interaktionen mit ihm werden in Form eines Merkmalsvektors fester Länge n dargestellt. In diese Informationen werden häufig einbezogen:

• Benutzerspezifische Daten (demografische Daten, Marketingsegment).
• Die Historie der Nutzung von Bankprodukten und -dienstleistungen (das sind die Aktionen der Kunden, die immer an eine bestimmte Zeit oder einen benötigten Zeitraum gebunden sind).
• Äußere Daten, wenn sie erhalten werden konnten – zum Beispiel Bewertungen aus sozialen Netzwerken.

Und erst danach wird eine Definition für die Abwanderung ausgegeben, die für jede Aufgabe spezifisch ist. Dann wird ein Machine-Learning-Algorithmus verwendet, der die Wahrscheinlichkeit des Kundenabwanderung vorhersagt basierend auf dem Faktorenvektor . Für das Training des Algorithmus wird eines der bekannten Frameworks zur Erstellung von Ensemble-Entscheidungsbäumen verwendet, XGBoost, LightGBM, CatBoost oder deren Modifikationen.

An sich ist der Algorithmus nicht schlecht, hat jedoch in Bezug auf die Vorhersage der Abwanderung einige ernsthafte Nachteile.

• Er verfügt nicht über das sogenannte „Gedächtnis“. Das Modell erhält eine bestimmte Anzahl von Merkmalen, die dem aktuellen Zeitpunkt entsprechen. Um Informationen über die historische Veränderung der Parameter zu speichern, müssen spezielle Merkmale berechnet werden, die die zeitlichen Veränderungen der Parameter charakterisieren, beispielsweise die Anzahl oder den Gesamtbetrag von Banktransaktionen der letzten 1, 2, 3 Monate. Ein solcher Ansatz kann nur teilweise die Art der zeitlichen Veränderungen widerspiegeln.
• Fester Prognosehorizont. Das Modell kann die Kundenabwanderung nur für einen im Voraus festgelegten Zeitraum vorhersagen, zum Beispiel für einen Monat im Voraus. Wenn eine Prognose für einen anderen Zeitraum, beispielsweise für drei Monate, erforderlich ist, muss die Trainingsauswahl neu strukturiert und ein neues Modell neu trainiert werden.

Unser Ansatz

Wir haben sofort entschieden, dass wir keine standardmäßigen Ansätze verwenden werden. Bei dem Wettbewerb haben sich noch 497 andere Personen registriert, die alle über erheblichen Erfahrungsschatz verfügten. Daher ist es in solchen Bedingungen keine gute Idee, etwas nach dem Standardmuster zu tun.

Und wir begannen, die Probleme der binären Klassifikationsmodelle durch die Vorhersage der Wahrscheinlichkeitsverteilung der Kundenabwanderungszeit zu lösen. Ein solcher Ansatz ist flexibler in der Vorhersage der Abwanderung und ermöglicht das Testen komplexerer Hypothesen als der klassische Ansatz. Als Familie von Verteilungen, die die Abwanderungszeit modellieren, haben wir die hierWeibull-Verteilung für ihre breite Anwendung in der Überlebensanalyse gewählt. Das Verhalten eines Kunden kann als eine Art Überlebensrate betrachtet werden. wegen seiner breiten Anwendung in der Überlebensanalyse. Das Verhalten des Kunden kann als eine Art Überlebensfähigkeit betrachtet werden.

Hier sind Beispiele für die Verteilung der Wahrscheinlichkeitsdichten von Weibull in Abhängigkeit von den Parametern und :

Dies ist die Dichte der Wahrscheinlichkeit des Kundenabgangs von drei verschiedenen Kunden im Laufe der Zeit. Die Zeit ist in Monaten angegeben. Anders ausgedrückt, zeigt dieses Diagramm, wann am wahrscheinlichsten der Abgang von Kunden in den nächsten zwei Monaten stattfinden wird. Offensichtlich hat der Kunde mit der Verteilung das größere Potenzial, eher abzuwandern als die Kunden mit den Verteilungen Weibull(2, 0.5) und Weibull(3,1).

Letztendlich ergibt sich ein Modell, das für jeden Kunden für jeden
Monat die Parameter der Weibull-Verteilung vorhersagt, die am besten den Eintritt der Abgangswahrscheinlichkeit im Zeitverlauf widerspiegelt. Um genauer zu sein:

• Zielmerkmale im Trainingsdatensatz sind die verbleibende Zeit bis zum Abgang in einem bestimmten Monat für einen bestimmten Kunden.
• Wenn es für einen Kunden keinen Abgangsindikator gibt, nehmen wir an, dass die Abgangszeit länger ist als die Anzahl der Monate, die seit dem aktuellen Zeitpunkt bis zum Ende unserer verfügbaren Historie vergangen sind.
• Das verwendete Modell: rekurrentes neuronales Netzwerk mit LSTM-Schicht.
• Als Verlustfunktion verwenden wir die negative log-likelihood Funktion für die Weibull-Verteilung.

Das sind die Vorteile dieses Verfahrens:

• Die Wahrscheinlichkeitsverteilung ermöglicht neben der offensichtlichen Möglichkeit der binären Klassifikation auch flexible Vorhersagen über verschiedene Ereignisse, beispielsweise ob ein Kunde innerhalb von 3 Monaten nicht mehr die Dienste der Bank in Anspruch nehmen wird. Bei Bedarf können auch verschiedene Metriken über diese Verteilung gemittelt werden.
• Das rekurrente neuronale Netzwerk LSTM hat ein Gedächtnis und nutzt die gesamte verfügbare Historie effektiv. Mit einer Erweiterung oder Präzisierung der Historie steigt die Genauigkeit.
• Der Ansatz lässt sich problemlos skalieren, wenn Zeitintervalle in kleinere Abschnitte unterteilt werden (zum Beispiel wenn Monate in Wochen unterteilt werden).

Es reicht jedoch nicht aus, ein gutes Modell zu erstellen; man muss auch die Qualität richtig bewerten.

Wie die Qualität bewertet wurde

Als Metrik haben wir die Lift-Kurve gewählt. Diese wird in der Wirtschaft für solche Fälle aufgrund ihrer klaren Interpretation eingesetzt und ist gut beschrieben. hier und hierUm den Sinn dieser Metrik in einem Satz zu erfassen, heißt es: 'Wie viel besser ist die Vorhersage des Algorithmus auf den ersten % im Vergleich zu einer Zufallsverteilung'.

Modelle trainieren

Die Bedingungen des Wettbewerbs legten keine spezifische Qualitätsmetrik fest, anhand derer verschiedene Modelle und Ansätze verglichen werden können. Darüber hinaus kann die Definition des Begriffs 'Abwanderung' unterschiedlich sein und hängt von der Formulierung der Aufgabe ab, die wiederum durch die Unternehmensziele bestimmt wird. Daher haben wir zur besseren Verständlichkeit zwei Modelle trainiert:

1. Ein häufig verwendeter Ansatz der binären Klassifizierung unter Verwendung eines maschinellen Lernalgorithmus, der auf Entscheidungsbäumen basiert (LightGBM);
2. Weibull-LSTM-Modell

Die Testgruppe bestand aus 500 zuvor ausgewählten Kunden, die nicht in der Trainingsgruppe enthalten waren. Für das Modell wurde die Optimierung der Hyperparameter unter Verwendung von Cross-Validation basierend auf den Kunden durchgeführt. Für das Training jeder Modell wurden die gleichen Merkmale verwendet.

Da das Modell kein Gedächtnis hat, wurden spezielle Merkmale herangezogen, die das Verhältnis der Änderungen der Parameter eines Monats zum Durchschnittswert der Parameter der letzten drei Monate zeigen. Dadurch wurde die Geschwindigkeit der Wertänderungen im letzten Zeitraum von drei Monaten charakterisiert. Ohne dies wäre das Random Forest-Modell im Vergleich zum Weibull-LSTM von vornherein im Nachteil gewesen.

Wie ist LSTM mit Weibull-Verteilung besser als der auf Entscheidungsbaum-Ensembles basierende Ansatz

Hier ist alles anschaulich, buchstäblich mit ein paar Bildern.

Vergleich der Lift-Kurve für den klassischen Algorithmus und Weibull-LSTM

Vergleich der Lift-Kurve-Metrik über die Monate für den klassischen Algorithmus und Weibull-LSTM

Insgesamt übertrifft LSTM den klassischen Algorithmus in fast allen Fällen.

Vorhersage der Abwanderung

Das auf rekurrenten neuronalen Netzen mit LSTM-Zellen basierende Weibull-Modell kann die Abwanderung im Voraus vorhersagen, beispielsweise den Abgang eines Kunden in den nächsten n Monaten vorhersagen. Lassen Sie uns den Fall für n = 3 betrachten. In diesem Fall muss das neuronale Netz jeden Monat korrekt bestimmen: Wird der Kunde im nächsten Monat und bis zum n-ten Monat gehen? Mit anderen Worten, es muss korrekt bestimmen, ob der Kunde nach n Monaten weiterhin bleibt. Dies kann als frühzeitige Vorhersage betrachtet werden: die Vorhersage des Zeitpunkts, zu dem der Kunde zu überlegen beginnt, ob er gehen will.

Vergleichen wir die Lift-Kurve für Weibull-LSTM 1, 2 und 3 Monate vor der Abwanderung:

Wir haben bereits oben geschrieben, dass auch die Prognosen wichtig sind, die für Kunden erstellt werden, die für einige Zeit inaktiv sind. Daher werden wir hier solche Fälle in die Auswahl aufnehmen, in denen der abwandernde Kunde bereits ein oder zwei Monate inaktiv war, und überprüfen, ob das Weibull-LSTM solche Fälle korrekt als Abwanderung klassifiziert. Da solche Fälle in der Auswahl vorhanden waren, erwarten wir, dass das Netzwerk gut damit umgehen kann:

Kundenbindung

Das ist eigentlich das Hauptziel, das man erreichen kann, wenn man Informationen darüber hat, dass bestimmte Kunden dabei sind, das Produkt nicht mehr zu nutzen. Wenn wir über den Aufbau eines Modells sprechen, das den Kunden etwas Nützliches anbieten könnte, um sie zu halten – das ist nicht möglich, wenn Sie keine Geschichte ähnlicher Versuche haben, die gut ausgegangen sind.

Wir hatten keine solche Geschichte, daher haben wir das so entschieden.

1. Wir bauen ein Modell, das interessante Produkte für jeden Kunden identifiziert.
2. Jeden Monat fahren wir den Klassifikator und identifizieren potenziell abwandernde Kunden.
3. Wir bieten einem Teil der Kunden ein Produkt an, basierend auf dem Modell aus Punkt 1, und merken uns unsere Aktionen.
4. Nach einigen Monaten schauen wir, welcher dieser potenziell abwandernden Kunden gegangen ist und welcher geblieben ist. So bilden wir eine Trainingsgruppe.
5. Wir trainieren das Modell auf der Geschichte, die in Punkt 4 gesammelt wurde.
6. Optional wiederholen wir das Verfahren, indem wir das Modell aus Punkt 1 durch das Modell ersetzen, das in Punkt 5 erhalten wurde.

Zur Überprüfung der Qualität dieser Kundenbindung können wir herkömmliche A/B-Tests verwenden – wir teilen die potenziell abwandernden Kunden in zwei Gruppen. Einer Gruppe bieten wir Produkte auf Basis unseres Bindungsmodells an, der anderen Gruppe bieten wir nichts an. Wir haben uns entschieden, ein Modell zu trainieren, das bereits in Punkt 1 unseres Beispiels nützlich sein könnte.

Wir wollten die Segmentierung so interpretierbar wie möglich gestalten. Dazu haben wir mehrere Merkmale ausgewählt, die leicht interpretierbar sein könnten: Gesamtanzahl der Transaktionen, Gehalt, kumulierte Kontenumsätze, Alter, Geschlecht. Merkmale aus der Tabelle „Karten“ wurden als wenig informativ ausgeschlossen, während Merkmale aus Tabelle 3 „Verträge“ aufgrund der Komplexität der Verarbeitung ausgeschlossen wurden, um eine Datenleckage zwischen dem Validierungs- und dem Trainingsdatensatz zu vermeiden.

Die Clusteranalyse wurde mithilfe von Gaußschen Mischmodellen durchgeführt. Der Akaike-Informationskriterium ermöglichte es, 2 optimale Lösungen zu bestimmen. Die erste optimale Lösung entspricht 1 Cluster. Die zweite, weniger ausgeprägte, entspricht 80 Clustern. Aus diesem Ergebnis lässt sich folgendes schließen: Es ist äußerst schwierig, die Daten ohne prior festgelegte Informationen in Cluster zu unterteilen. Für eine qualitativ hochwertigere Clusteranalyse sind Daten erforderlich, die jeden Kunden detailliert beschreiben.

Daher wurde die Aufgabe des überwachten Lernens in Betracht gezogen, um jedem einzelnen Kunden sein Produkt anzubieten. Folgende Produkte wurden betrachtet: „Festgeld“, „Kreditkarte“, „Überziehungskredit“, „Ratenkredit“, „Autokredit“, „Hypothek“.

In den Daten gab es noch einen weiteren Produkttyp: „Girokonto“. Aber wir haben ihn aufgrund der geringen Informativität nicht berücksichtigt. Für die Benutzer, die Bankkunden sind, d.h. die nicht aufgehört haben, ihre Produkte zu nutzen, wurde ein Modell erstellt, das vorhersagt, welches Produkt für sie von Interesse sein könnte. Als Modell wurde die logistische Regression gewählt, und als Bewertungsmetrik für die Qualität wurde der Lift-Wert für die ersten 10 Perzentilen verwendet.

Die Qualität des Modells kann anhand der Abbildung eingeschätzt werden.

Die Ergebnisse des Modells zur Produktempfehlung für Kunden

Fazit

Dieser Ansatz brachte uns den ersten Platz in der Kategorie „KI in Banken“ beim AI RAIF-Challenge 2017.

Offensichtlich war es doch wichtig, das Problem aus einer etwas ungewohnten Perspektive anzugehen und eine Methode zu verwenden, die üblich für andere Situationen ist.

Obwohl ein massiver Benutzerabfluss für Dienste durchaus eine Katastrophe darstellen kann.

Diese Methode kann auch für jede andere Branche berücksichtigt werden, in der die Abwanderung wichtig ist, nicht nur für Banken. Zum Beispiel haben wir sie auch verwendet, um unsere eigene Abwanderung in den siberian und St. Petersburger Niederlassungen von Rostelecom zu berechnen.

Das „Laboratorium für intellektuelle Datenanalyse“ der Firma „Suchportal „Sputnik“

Quelle: habr.com