{"id":30044,"date":"2019-10-31T21:33:22","date_gmt":"2019-10-31T18:33:22","guid":{"rendered":"https:\/\/prohoster.info\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\/"},"modified":"2019-10-31T21:33:22","modified_gmt":"2019-10-31T18:33:22","slug":"kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Manchmal muss man ein Problem aus einem anderen Blickwinkel betrachten, um es zu l\u00f6sen. Auch wenn in den letzten 10 Jahren \u00e4hnliche Probleme immer auf die gleiche Weise mit unterschiedlichem Effekt gel\u00f6st wurden, ist es nicht sicher, dass diese Methode die einzige ist.<\/p>\n<p>Es gibt ein Thema wie den Kundenabgang. Das ist unvermeidlich, da Kunden jeder Firma aus vielen Gr\u00fcnden aufh\u00f6ren k\u00f6nnen, ihre Produkte oder Dienstleistungen zu nutzen. F\u00fcr ein Unternehmen ist der Abgang zwar eine nat\u00fcrliche, aber dennoch unerw\u00fcnschte 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 Ma\u00dfnahmen zur Kundenbindung vorzuschlagen.<\/p>\n<p>Die Analyse und der Versuch, den Kunden zu halten, wo m\u00f6glich, sind mindestens aus folgenden Gr\u00fcnden notwendig:<\/p>\n<ul>\n<li><b>Neukundenakquise ist teurer als Bindungsma\u00dfnahmen.<\/b>F\u00fcr die Akquise neuer Kunden m\u00fcssen in der Regel gewisse Ausgaben (Werbung) get\u00e4tigt werden, w\u00e4hrend bestehende Kunden durch spezielle Angebote mit besonderen Bedingungen aktiviert werden k\u00f6nnen.<\/li>\n<li><b>Das Verst\u00e4ndnis der Gr\u00fcnde f\u00fcr die Abwanderung der Kunden ist der Schl\u00fcssel zur Verbesserung von Produkten und Dienstleistungen.<\/b>.<\/li>\n<\/ul>\n<p>\nEs existieren standardisierte Ans\u00e4tze zur Vorhersage des Abgangs. Aber bei einer der AI-Meisterschaften haben wir entschieden, das Weibull-Verfahren daf\u00fcr zu verwenden. Es wird h\u00e4ufig f\u00fcr \u00dcberlebensanalysen, Wettervorhersagen, die Analyse von Naturkatastrophen, in der Ingenieurwissenschaft und \u00e4hnlichem eingesetzt. Die Weibull-Verteilung ist eine spezielle Verteilungsfunktion, die mit zwei Parametern parametrisiert wird. <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> und <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/42092030604bf54a98c8379fd532bffe.png\" style=\"display:block;margin: 0 auto;\" \/>. <\/p>\n<p><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/rostelecom\/blog\/444694\/\"><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>Im Allgemeinen ist das ein interessantes Thema, jedoch wird es zur Vorhersage des Abgangs, und \u00fcberhaupt im Fintech, nicht sehr oft verwendet. Im Folgenden werden wir erl\u00e4utern, wie wir (Labor f\u00fcr intelligente Datenanalyse) das gemacht haben und dabei Gold bei der Meisterschaft f\u00fcr k\u00fcnstliche Intelligenz in der Kategorie \"AI in Banken\" gewonnen haben.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Zum Thema Abgang im Allgemeinen.<\/h2>\n<p>\nLassen Sie uns etwas kl\u00e4ren, was Kundenabwanderung ist und warum sie so wichtig ist. F\u00fcr ein Unternehmen ist der Kundenstamm von gro\u00dfer 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 schlie\u00dflich aufh\u00f6ren, sie zu nutzen. Dieser Zeitraum wird als \u201eLebenszyklus des Kunden\u201c (engl. Customer Lifecycle) bezeichnet \u2013 ein Begriff, der die Phasen beschreibt, die ein Kunde durchl\u00e4uft, wenn er von einem Produkt erf\u00e4hrt, eine Kaufentscheidung trifft, bezahlt, es nutzt und zu einem loyalen Verbraucher wird, um schlie\u00dflich aus den einen oder anderen Gr\u00fcnden die Produkte nicht mehr zu nutzen. Dementsprechend ist Abwanderung die abschlie\u00dfende Phase im Lebenszyklus eines Kunden, wenn der Kunde aufh\u00f6rt, die Dienstleistungen zu nutzen, was f\u00fcr das Unternehmen bedeutet, dass der Kunde keine Gewinne mehr bringt und \u00fcberhaupt keinen Nutzen mehr hat. <\/p>\n<p>Jeder Bankkunde ist eine konkrete Person, die eine bestimmte Bankkarte speziell f\u00fcr ihre Bed\u00fcrfnisse ausw\u00e4hlt. Reist viel \u2013 ben\u00f6tigt eine Karte mit Miles. Kauft viel \u2013 hallo, Cashback-Karte. Kauft viel in bestimmten Gesch\u00e4ften \u2013 daf\u00fcr gibt es bereits spezielle Partnerkarten. Nat\u00fcrlich wird die Karte manchmal auch nach dem Kriterium \u201eDie g\u00fcnstigste Wartung\u201c ausgew\u00e4hlt. Insgesamt gibt es hier gen\u00fcgend Variablen.<\/p>\n<p>Au\u00dferdem w\u00e4hlt der Mensch die Bank selbst \u2013 was bringt es, eine Bankkarte einer Bank zu w\u00e4hlen, 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 Verf\u00fcgbarkeit von Bankfilialen in der N\u00e4he ein wichtiges Kriterium. Ja, 2019 ist bereits hier und digital ist unser Alles, aber einige Fragen k\u00f6nnen bei bestimmten Banken nur in der Filiale gekl\u00e4rt werden. Au\u00dferdem vertraut ein Teil der Bev\u00f6lkerung viel mehr einer physischen Bank als einer App auf dem Smartphone, das muss auch ber\u00fccksichtigt werden.<\/p>\n<p>Folglich kann es viele Gr\u00fcnde geben, warum eine Person Produkte der Bank (oder die Bank selbst) ablehnt. Hat den Job gewechselt und der Tarif der Karte hat sich von \u201eGehaltskarte\u201c auf \u201eF\u00fcr einfache Sterbliche\u201c ge\u00e4ndert, 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 hei\u00dft, die Gr\u00fcnde f\u00fcr die Schlie\u00dfung eines Kontos k\u00f6nnen sogar viel zahlreicher sein als die f\u00fcr die Nutzung des Produkts.<\/p>\n<p>Dar\u00fcber hinaus kann der Kunde nicht nur sein Interesse direkt ausdr\u00fccken \u2013 indem er in die Bank kommt und einen Antrag schreibt \u2013, sondern einfach aufh\u00f6ren, die Produkte zu nutzen, ohne den Vertrag zu k\u00fcndigen. Um solche F\u00e4lle zu verstehen, wurde beschlossen, maschinelles Lernen und KI zu nutzen.<\/p>\n<p>Au\u00dferdem kann der Kundenverlust in jeder Branche auftreten (Telekommunikation, Internetanbieter, Versicherungsunternehmen, im Grunde \u00fcberall dort, wo es eine Kundenbasis und regelm\u00e4\u00dfige Transaktionen gibt).<\/p>\n<h2>Was wir getan haben<\/h2>\n<p>\nZun\u00e4chst musste eine klare Grenze beschrieben werden \u2013 ab wann wir einen Kunden als verloren betrachten. Aus der Sicht der Bank, die uns die Daten zur Verf\u00fcgung gestellt hat, war der Aktivit\u00e4tsstatus des Kunden bin\u00e4r \u2013 er ist entweder aktiv oder nicht. Es gab einen Flagge ACTIVE_FLAG in der Tabelle \"Aktivit\u00e4t\", dessen Wert entweder \"0\" oder \"1\" sein konnte (entsprechend \"Inaktiv\" und \"Aktiv\"). Das w\u00e4re an sich gut, aber der Mensch ist so, dass er eine Zeit lang aktiv nutzen kann, dann aber einen Monat inaktiv sein kann \u2013 etwa weil er krank ist, ins Ausland reist oder eine Karte einer anderen Bank testet. Oder er kann nach einer langen Phase der Inaktivit\u00e4t wieder anfangen, die Dienstleistungen der Bank zu nutzen.<\/p>\n<p>Deshalb haben wir beschlossen, einen bestimmten kontinuierlichen Zeitraum der Inaktivit\u00e4t zu definieren, in dem der Flagge f\u00fcr ihn auf \u201e0\u201c gesetzt wurde. <\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKunden wechseln aus der Inaktivit\u00e4t in die Aktivit\u00e4t nach unterschiedlichen L\u00e4ngen von Inaktivit\u00e4tsperioden. Wir haben die M\u00f6glichkeit, die empirische Gr\u00f6\u00dfe \u201eZuverl\u00e4ssigkeit von Inaktivit\u00e4tsperioden\u201c zu berechnen \u2013 also die Wahrscheinlichkeit, dass ein Mensch nach einer vor\u00fcbergehenden Inaktivit\u00e4t wieder die Produkte der Bank nutzen wird. <\/p>\n<p>Zum Beispiel zeigt dieses Diagramm die Wiederaufnahme der Aktivit\u00e4t (ACTIVE_FLAG=1) von Kunden nach mehreren Monaten der Inaktivit\u00e4t (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHier pr\u00e4zisieren wir etwas den Datensatz, mit dem wir begonnen haben zu arbeiten. Die Bank hat aggregierte Informationen f\u00fcr 19 Monate in den folgenden Tabellen bereitgestellt:<\/p>\n<ul>\n<li>\"Aktivit\u00e4t\" \u2013 monatliche Transaktionen von Kunden (\u00fcber Karten, im Online-Banking und im Mobile Banking), einschlie\u00dflich Gehaltsabrechnungen und Informationen \u00fcber Ums\u00e4tze.<\/li>\n<li>\"Karten\" \u2013 Daten zu allen Karten, die der Kunde hat, mit detaillierter Geb\u00fchrenordnung.<\/li>\n<li>\u201eVertr\u00e4ge\u201c \u2013 Informationen \u00fcber die Vertr\u00e4ge des Kunden (sowohl offene als auch geschlossene): Kredite, Einlagen und andere, jeweils mit Angabe der Parameter.<\/li>\n<li>\u201eKunden\u201c \u2013 ein Satz demografischer Daten (Geschlecht und Alter) sowie das Vorhandensein von Kontaktdaten.<\/li>\n<\/ul>\n<p>\nF\u00fcr die Arbeit ben\u00f6tigten wir alle Tabellen, au\u00dfer \u201eKarten\u201c. <\/p>\n<p>Die Schwierigkeit lag auch darin, dass die Bank in diesen Daten nicht angab, welche Art von Aktivit\u00e4t bei den Karten stattfand. Das hei\u00dft, 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 f\u00fcr Eink\u00e4ufe ausgegeben hat. Au\u00dferdem hatten wir keine Daten zu den Kontost\u00e4nden, was n\u00fctzlich gewesen w\u00e4re. <\/p>\n<p>Die Auswahl selbst war unverschoben \u2013 in diesem Zeitraum von 19 Monaten hat die Bank keine Versuche unternommen, Kunden zu halten und die Abwanderung zu minimieren.<\/p>\n<p>So, \u00fcber die Perioden der Inaktivit\u00e4t.<\/p>\n<p>Um eine Definition der Abwanderung zu formulieren, muss ein Zeitraum der Inaktivit\u00e4t gew\u00e4hlt werden. Um eine Prognose f\u00fcr die Abwanderung zu einem bestimmten Zeitpunkt zu erstellen, <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, m\u00fcssen wir eine Kundenhistorie von mindestens 3 Monaten im Intervall haben. <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>Die Geschichte war auf 19 Monate begrenzt, daher entschieden wir uns, den Zeitraum der Inaktivit\u00e4t auf 6 Monate festzulegen, falls vorhanden. Und f\u00fcr den minimalen Zeitraum f\u00fcr eine qualitativ hochwertige Prognose w\u00e4hlten wir 3 Monate. Die Zahlen 3 und 6 Monate haben wir empirisch basierend auf der Analyse des Verhaltens dieser Kunden gew\u00e4hlt.<\/p>\n<p>Die Definition der Abwanderung haben wir folgenderma\u00dfen formuliert: der Monat der Abwanderung des Kunden <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> ist der erste Monat mit ACTIVE_FLAG=0, in dem es in diesem Monat mindestens sechs aufeinanderfolgende Nullen im Feld ACTIVE_FLAG gibt, anders ausgedr\u00fcckt, der Monat, ab dem der Kunde 6 Monate inaktiv war. <\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Anzahl der abgewanderten Kunden<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Anzahl der verbleibenden Kunden<\/i><\/p>\n<h2>Wie man Abwanderung \u00fcblicherweise betrachtet<\/h2>\n<p>\nIn \u00e4hnlichen Wettbewerben und auch in der Praxis wird die Abwanderung h\u00e4ufig auf diese Weise prognostiziert. Der Kunde nutzt Produkte und Dienstleistungen zu unterschiedlichen Zeitpunkten, Daten \u00fcber die Interaktionen mit ihm werden in Form eines Merkmalsvektors fester L\u00e4nge n dargestellt. In diese Informationen werden h\u00e4ufig einbezogen:<\/p>\n<ul>\n<li>Benutzerspezifische Daten (demografische Daten, Marketingsegment).<\/li>\n<li>Die Historie der Nutzung von Bankprodukten und -dienstleistungen (das sind die Aktionen der Kunden, die immer an eine bestimmte Zeit oder einen ben\u00f6tigten Zeitraum gebunden sind).<\/li>\n<li>\u00c4u\u00dfere Daten, wenn sie erhalten werden konnten \u2013 zum Beispiel Bewertungen aus sozialen Netzwerken.<\/li>\n<\/ul>\n<p>\nUnd erst danach wird eine Definition f\u00fcr die Abwanderung ausgegeben, die f\u00fcr jede Aufgabe spezifisch ist. Dann wird ein Machine-Learning-Algorithmus verwendet, der die Wahrscheinlichkeit des Kundenabwanderung vorhersagt <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> basierend auf dem Faktorenvektor <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>. F\u00fcr das Training des Algorithmus wird eines der bekannten Frameworks zur Erstellung von Ensemble-Entscheidungsb\u00e4umen verwendet, <noindex><a rel=\"nofollow\" href=\"https:\/\/xgboost.readthedocs.io\/en\/latest\/\">XGBoost<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/catboost\/catboost\">CatBoost<\/a><\/noindex> oder deren Modifikationen. <\/p>\n<p>An sich ist der Algorithmus nicht schlecht, hat jedoch in Bezug auf die Vorhersage der Abwanderung einige ernsthafte Nachteile.<\/p>\n<ul>\n<li><b>Er verf\u00fcgt nicht \u00fcber das sogenannte \u201eGed\u00e4chtnis\u201c<\/b>. Das Modell erh\u00e4lt eine bestimmte Anzahl von Merkmalen, die dem aktuellen Zeitpunkt entsprechen. Um Informationen \u00fcber die historische Ver\u00e4nderung der Parameter zu speichern, m\u00fcssen spezielle Merkmale berechnet werden, die die zeitlichen Ver\u00e4nderungen 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 Ver\u00e4nderungen widerspiegeln. <\/li>\n<li><b>Fester Prognosehorizont.<\/b> Das Modell kann die Kundenabwanderung nur f\u00fcr einen im Voraus festgelegten Zeitraum vorhersagen, zum Beispiel f\u00fcr einen Monat im Voraus. Wenn eine Prognose f\u00fcr einen anderen Zeitraum, beispielsweise f\u00fcr drei Monate, erforderlich ist, muss die Trainingsauswahl neu strukturiert und ein neues Modell neu trainiert werden. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Unser Ansatz<\/h2>\n<p>\nWir haben sofort entschieden, dass wir keine standardm\u00e4\u00dfigen Ans\u00e4tze verwenden werden. Bei dem Wettbewerb haben sich noch 497 andere Personen registriert, die alle \u00fcber erheblichen Erfahrungsschatz verf\u00fcgten. Daher ist es in solchen Bedingungen keine gute Idee, etwas nach dem Standardmuster zu tun.<\/p>\n<p>Und wir begannen, die Probleme der bin\u00e4ren Klassifikationsmodelle durch die Vorhersage der Wahrscheinlichkeitsverteilung der Kundenabwanderungszeit zu l\u00f6sen. Ein solcher Ansatz ist flexibler in der Vorhersage der Abwanderung und erm\u00f6glicht das Testen komplexerer Hypothesen als der klassische Ansatz. Als Familie von Verteilungen, die die Abwanderungszeit modellieren, haben wir die <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">hier<\/a><\/noindex>Weibull-Verteilung <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A0%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%92%D0%B5%D0%B9%D0%B1%D1%83%D0%BB%D0%BB%D0%B0\">f\u00fcr ihre breite Anwendung in der \u00dcberlebensanalyse gew\u00e4hlt. Das Verhalten eines Kunden kann als eine Art \u00dcberlebensrate betrachtet werden.<\/a><\/noindex> wegen seiner breiten Anwendung in der \u00dcberlebensanalyse. Das Verhalten des Kunden kann als eine Art \u00dcberlebensf\u00e4higkeit betrachtet werden. <\/p>\n<p>Hier sind Beispiele f\u00fcr die Verteilung der Wahrscheinlichkeitsdichten von Weibull in Abh\u00e4ngigkeit von den Parametern <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> und <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDies ist die Dichte der Wahrscheinlichkeit des Kundenabgangs von drei verschiedenen Kunden im Laufe der Zeit. Die Zeit ist in Monaten angegeben. Anders ausgedr\u00fcckt, zeigt dieses Diagramm, wann am wahrscheinlichsten der Abgang von Kunden in den n\u00e4chsten zwei Monaten stattfinden wird. Offensichtlich hat der Kunde mit der Verteilung das gr\u00f6\u00dfere Potenzial, eher abzuwandern als die Kunden mit den Verteilungen Weibull(2, 0.5) und Weibull(3,1). <\/p>\n<p>Letztendlich ergibt sich ein Modell, das f\u00fcr jeden Kunden f\u00fcr jeden<br \/>\nMonat die Parameter der Weibull-Verteilung vorhersagt, die am besten den Eintritt der Abgangswahrscheinlichkeit im Zeitverlauf widerspiegelt. Um genauer zu sein: <\/p>\n<ul>\n<li>Zielmerkmale im Trainingsdatensatz sind die verbleibende Zeit bis zum Abgang in einem bestimmten Monat f\u00fcr einen bestimmten Kunden.<\/li>\n<li>Wenn es f\u00fcr einen Kunden keinen Abgangsindikator gibt, nehmen wir an, dass die Abgangszeit l\u00e4nger ist als die Anzahl der Monate, die seit dem aktuellen Zeitpunkt bis zum Ende unserer verf\u00fcgbaren Historie vergangen sind.<\/li>\n<li>Das verwendete Modell: rekurrentes neuronales Netzwerk mit LSTM-Schicht.<\/li>\n<li>Als Verlustfunktion verwenden wir die negative log-likelihood Funktion f\u00fcr die Weibull-Verteilung.<\/li>\n<\/ul>\n<p>\nDas sind die Vorteile dieses Verfahrens: <\/p>\n<ul>\n<li>Die Wahrscheinlichkeitsverteilung erm\u00f6glicht neben der offensichtlichen M\u00f6glichkeit der bin\u00e4ren Klassifikation auch flexible Vorhersagen \u00fcber verschiedene Ereignisse, beispielsweise ob ein Kunde innerhalb von 3 Monaten nicht mehr die Dienste der Bank in Anspruch nehmen wird. Bei Bedarf k\u00f6nnen auch verschiedene Metriken \u00fcber diese Verteilung gemittelt werden.<\/li>\n<li>Das rekurrente neuronale Netzwerk LSTM hat ein Ged\u00e4chtnis und nutzt die gesamte verf\u00fcgbare Historie effektiv. Mit einer Erweiterung oder Pr\u00e4zisierung der Historie steigt die Genauigkeit.<\/li>\n<li>Der Ansatz l\u00e4sst sich problemlos skalieren, wenn Zeitintervalle in kleinere Abschnitte unterteilt werden (zum Beispiel wenn Monate in Wochen unterteilt werden).<\/li>\n<\/ul>\n<p>\nEs reicht jedoch nicht aus, ein gutes Modell zu erstellen; man muss auch die Qualit\u00e4t richtig bewerten.<\/p>\n<h2>Wie die Qualit\u00e4t bewertet wurde<\/h2>\n<p>\nAls Metrik haben wir die Lift-Kurve gew\u00e4hlt. Diese wird in der Wirtschaft f\u00fcr solche F\u00e4lle aufgrund ihrer klaren Interpretation eingesetzt und ist gut beschrieben. <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">hier<\/a><\/noindex> und <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">hier<\/a><\/noindex>Um den Sinn dieser Metrik in einem Satz zu erfassen, hei\u00dft es: 'Wie viel besser ist die Vorhersage des Algorithmus auf den ersten <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>% im Vergleich zu einer Zufallsverteilung'. <\/p>\n<h2>Modelle trainieren<\/h2>\n<p>\nDie Bedingungen des Wettbewerbs legten keine spezifische Qualit\u00e4tsmetrik fest, anhand derer verschiedene Modelle und Ans\u00e4tze verglichen werden k\u00f6nnen. Dar\u00fcber hinaus kann die Definition des Begriffs 'Abwanderung' unterschiedlich sein und h\u00e4ngt von der Formulierung der Aufgabe ab, die wiederum durch die Unternehmensziele bestimmt wird. Daher haben wir zur besseren Verst\u00e4ndlichkeit zwei Modelle trainiert:<\/p>\n<ol>\n<li>Ein h\u00e4ufig verwendeter Ansatz der bin\u00e4ren Klassifizierung unter Verwendung eines maschinellen Lernalgorithmus, der auf Entscheidungsb\u00e4umen basiert (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Weibull-LSTM-Modell<\/li>\n<\/ol>\n<p>\nDie Testgruppe bestand aus 500 zuvor ausgew\u00e4hlten Kunden, die nicht in der Trainingsgruppe enthalten waren. F\u00fcr das Modell wurde die Optimierung der Hyperparameter unter Verwendung von Cross-Validation basierend auf den Kunden durchgef\u00fchrt. F\u00fcr das Training jeder Modell wurden die gleichen Merkmale verwendet. <\/p>\n<p>Da das Modell kein Ged\u00e4chtnis hat, wurden spezielle Merkmale herangezogen, die das Verh\u00e4ltnis der \u00c4nderungen der Parameter eines Monats zum Durchschnittswert der Parameter der letzten drei Monate zeigen. Dadurch wurde die Geschwindigkeit der Wert\u00e4nderungen im letzten Zeitraum von drei Monaten charakterisiert. Ohne dies w\u00e4re das Random Forest-Modell im Vergleich zum Weibull-LSTM von vornherein im Nachteil gewesen.<\/p>\n<h2>Wie ist LSTM mit Weibull-Verteilung besser als der auf Entscheidungsbaum-Ensembles basierende Ansatz <\/h2>\n<p>\nHier ist alles anschaulich, buchst\u00e4blich mit ein paar Bildern.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Vergleich der Lift-Kurve f\u00fcr den klassischen Algorithmus und Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Vergleich der Lift-Kurve-Metrik \u00fcber die Monate f\u00fcr den klassischen Algorithmus und Weibull-LSTM<\/i><\/p>\n<p>Insgesamt \u00fcbertrifft LSTM den klassischen Algorithmus in fast allen F\u00e4llen.<\/p>\n<h2>Vorhersage der Abwanderung<\/h2>\n<p>\nDas auf rekurrenten neuronalen Netzen mit LSTM-Zellen basierende Weibull-Modell kann die Abwanderung im Voraus vorhersagen, beispielsweise den Abgang eines Kunden in den n\u00e4chsten n Monaten vorhersagen. Lassen Sie uns den Fall f\u00fcr n = 3 betrachten. In diesem Fall muss das neuronale Netz jeden Monat korrekt bestimmen: Wird der Kunde im n\u00e4chsten 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 fr\u00fchzeitige Vorhersage betrachtet werden: die Vorhersage des Zeitpunkts, zu dem der Kunde zu \u00fcberlegen beginnt, ob er gehen will. <\/p>\n<p>Vergleichen wir die Lift-Kurve f\u00fcr Weibull-LSTM 1, 2 und 3 Monate vor der Abwanderung:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nWir haben bereits oben geschrieben, dass auch die Prognosen wichtig sind, die f\u00fcr Kunden erstellt werden, die f\u00fcr einige Zeit inaktiv sind. Daher werden wir hier solche F\u00e4lle in die Auswahl aufnehmen, in denen der abwandernde Kunde bereits ein oder zwei Monate inaktiv war, und \u00fcberpr\u00fcfen, ob das Weibull-LSTM solche F\u00e4lle korrekt als Abwanderung klassifiziert. Da solche F\u00e4lle in der Auswahl vorhanden waren, erwarten wir, dass das Netzwerk gut damit umgehen kann:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kundenbindung<\/h2>\n<p>\nDas ist eigentlich das Hauptziel, das man erreichen kann, wenn man Informationen dar\u00fcber hat, dass bestimmte Kunden dabei sind, das Produkt nicht mehr zu nutzen. Wenn wir \u00fcber den Aufbau eines Modells sprechen, das den Kunden etwas N\u00fctzliches anbieten k\u00f6nnte, um sie zu halten \u2013 das ist nicht m\u00f6glich, wenn Sie keine Geschichte \u00e4hnlicher Versuche haben, die gut ausgegangen sind.<\/p>\n<p>Wir hatten keine solche Geschichte, daher haben wir das so entschieden.<\/p>\n<ol>\n<li>Wir bauen ein Modell, das interessante Produkte f\u00fcr jeden Kunden identifiziert.<\/li>\n<li>Jeden Monat fahren wir den Klassifikator und identifizieren potenziell abwandernde Kunden.<\/li>\n<li>Wir bieten einem Teil der Kunden ein Produkt an, basierend auf dem Modell aus Punkt 1, und merken uns unsere Aktionen.<\/li>\n<li>Nach einigen Monaten schauen wir, welcher dieser potenziell abwandernden Kunden gegangen ist und welcher geblieben ist. So bilden wir eine Trainingsgruppe.<\/li>\n<li>Wir trainieren das Modell auf der Geschichte, die in Punkt 4 gesammelt wurde.<\/li>\n<li>Optional wiederholen wir das Verfahren, indem wir das Modell aus Punkt 1 durch das Modell ersetzen, das in Punkt 5 erhalten wurde.<\/li>\n<\/ol>\n<p>\nZur \u00dcberpr\u00fcfung der Qualit\u00e4t dieser Kundenbindung k\u00f6nnen wir herk\u00f6mmliche A\/B-Tests verwenden \u2013 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 n\u00fctzlich sein k\u00f6nnte.<\/p>\n<p>Wir wollten die Segmentierung so interpretierbar wie m\u00f6glich gestalten. Dazu haben wir mehrere Merkmale ausgew\u00e4hlt, die leicht interpretierbar sein k\u00f6nnten: Gesamtanzahl der Transaktionen, Gehalt, kumulierte Kontenums\u00e4tze, Alter, Geschlecht. Merkmale aus der Tabelle \u201eKarten\u201c wurden als wenig informativ ausgeschlossen, w\u00e4hrend Merkmale aus Tabelle 3 \u201eVertr\u00e4ge\u201c aufgrund der Komplexit\u00e4t der Verarbeitung ausgeschlossen wurden, um eine Datenleckage zwischen dem Validierungs- und dem Trainingsdatensatz zu vermeiden.<\/p>\n<p>Die Clusteranalyse wurde mithilfe von Gau\u00dfschen Mischmodellen durchgef\u00fchrt. Der Akaike-Informationskriterium erm\u00f6glichte es, 2 optimale L\u00f6sungen zu bestimmen. Die erste optimale L\u00f6sung entspricht 1 Cluster. Die zweite, weniger ausgepr\u00e4gte, entspricht 80 Clustern. Aus diesem Ergebnis l\u00e4sst sich folgendes schlie\u00dfen: Es ist \u00e4u\u00dferst schwierig, die Daten ohne prior festgelegte Informationen in Cluster zu unterteilen. F\u00fcr eine qualitativ hochwertigere Clusteranalyse sind Daten erforderlich, die jeden Kunden detailliert beschreiben.<\/p>\n<p>Daher wurde die Aufgabe des \u00fcberwachten Lernens in Betracht gezogen, um jedem einzelnen Kunden sein Produkt anzubieten. Folgende Produkte wurden betrachtet: \u201eFestgeld\u201c, \u201eKreditkarte\u201c, \u201e\u00dcberziehungskredit\u201c, \u201eRatenkredit\u201c, \u201eAutokredit\u201c, \u201eHypothek\u201c. <\/p>\n<p>In den Daten gab es noch einen weiteren Produkttyp: \u201eGirokonto\u201c. Aber wir haben ihn aufgrund der geringen Informativit\u00e4t nicht ber\u00fccksichtigt. F\u00fcr die Benutzer, die Bankkunden sind, d.h. die nicht aufgeh\u00f6rt haben, ihre Produkte zu nutzen, wurde ein Modell erstellt, das vorhersagt, welches Produkt f\u00fcr sie von Interesse sein k\u00f6nnte. Als Modell wurde die logistische Regression gew\u00e4hlt, und als Bewertungsmetrik f\u00fcr die Qualit\u00e4t wurde der Lift-Wert f\u00fcr die ersten 10 Perzentilen verwendet. <\/p>\n<p>Die Qualit\u00e4t des Modells kann anhand der Abbildung eingesch\u00e4tzt werden.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Die Ergebnisse des Modells zur Produktempfehlung f\u00fcr Kunden <\/i> <\/p>\n<h2>Fazit<\/h2>\n<p>\nDieser Ansatz brachte uns den ersten Platz in der Kategorie \u201eKI in Banken\u201c beim AI RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, haben wir ihn wie eine Naturkatastrophe betrachtet.\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOffensichtlich war es doch wichtig, das Problem aus einer etwas ungewohnten Perspektive anzugehen und eine Methode zu verwenden, die \u00fcblich f\u00fcr andere Situationen ist.<\/p>\n<p>Obwohl ein massiver Benutzerabfluss f\u00fcr Dienste durchaus eine Katastrophe darstellen kann.<\/p>\n<p>Diese Methode kann auch f\u00fcr jede andere Branche ber\u00fccksichtigt werden, in der die Abwanderung wichtig ist, nicht nur f\u00fcr Banken. Zum Beispiel haben wir sie auch verwendet, um unsere eigene Abwanderung in den siberian und St. Petersburger Niederlassungen von Rostelecom zu berechnen.<\/p>\n<p><i>Das \u201eLaboratorium f\u00fcr intellektuelle Datenanalyse\u201c der Firma \u201eSuchportal \u201eSputnik\u201c<\/i><br \/>\n<br \/>Quelle: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/rostelecom\/blog\/444694\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c. \u0414\u0430\u0436\u0435 \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043b\u0435\u0442 10 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0435\u0448\u0430\u043b\u0438 \u043e\u0434\u043d\u0438\u043c \u0438 \u0442\u0435\u043c \u0436\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u044d\u0444\u0444\u0435\u043a\u0442\u043e\u043c, \u043d\u0435 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u044d\u0442\u043e\u0442 \u0441\u043f\u043e\u0441\u043e\u0431 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439. \u0415\u0441\u0442\u044c \u0442\u0430\u043a\u0430\u044f \u0442\u0435\u043c\u0430, \u043a\u0430\u043a \u043e\u0442\u0442\u043e\u043a \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432. \u0428\u0442\u0443\u043a\u0430 \u043d\u0435\u0438\u0437\u0431\u0435\u0436\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043a\u043b\u0438\u0435\u043d\u0442\u044b \u043b\u044e\u0431\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u0432\u0437\u044f\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-30044","post","type-post","status-publish","format-standard","hentry"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/de\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"de_DE\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041a\u0430\u043a \u043c\u044b \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u043b\u0438 \u043e\u0442\u0442\u043e\u043a, \u043f\u043e\u0434\u043e\u0439\u0434\u044f \u043a \u043d\u0435\u043c\u0443 \u043a\u0430\u043a \u043a \u0441\u0442\u0438\u0445\u0438\u0439\u043d\u043e\u043c\u0443 \u0431\u0435\u0434\u0441\u0442\u0432\u0438\u044e | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/de\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T18:33:22+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T18:33:22+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Wie wir die Abwanderung vorhersagten, indem wir sie wie eine Naturkatastrophe behandelten | ProHoster","description":"Manchmal muss man, um ein Problem zu l\u00f6sen, einfach aus einem anderen Winkel darauf schauen.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u0430\u043a \u043c\u044b \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u043b\u0438 \u043e\u0442\u0442\u043e\u043a, \u043f\u043e\u0434\u043e\u0439\u0434\u044f \u043a \u043d\u0435\u043c\u0443 \u043a\u0430\u043a \u043a \u0441\u0442\u0438\u0445\u0438\u0439\u043d\u043e\u043c\u0443 \u0431\u0435\u0434\u0441\u0442\u0432\u0438\u044e | ProHoster","og:description":"\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c.","og:url":"https:\/\/prohoster.info\/de\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:33:22+00:00","article:modified_time":"2019-10-31T18:33:22+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30044","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"Article","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-20 23:33:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:43:15","updated":"2026-01-20 23:33:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}