{"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, indem wir ihn wie eine Naturkatastrophe betrachtet haben","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Manchmal muss man ein Problem einfach aus einer anderen Perspektive betrachten, um eine L\u00f6sung zu finden. Selbst wenn in den letzten zehn Jahren \u00e4hnliche Probleme immer auf die gleiche Weise mit variierenden Ergebnissen gel\u00f6st wurden, ist es nicht sicher, dass dieser Weg der einzige ist.<\/p>\n<p>Es gibt ein Thema, das als Kundenabwanderung bekannt ist. Das ist unvermeidlich, denn Kunden eines Unternehmens k\u00f6nnen aus vielen Gr\u00fcnden die Nutzung seiner Produkte oder Dienstleistungen einstellen. F\u00fcr das Unternehmen selbst ist die Abwanderung zwar nat\u00fcrlich, aber dennoch unerw\u00fcnscht, weshalb alle versuchen, diese so gering wie m\u00f6glich zu halten. Noch besser ist es, die Wahrscheinlichkeit der Abwanderung bestimmter Benutzer oder eines spezifischen Benutzers vorherzusagen und Schritte zur Bindung anzubieten.<\/p>\n<p>Die Analyse und der Versuch, einen Kunden zu halten, wenn m\u00f6glich, sind mindestens aus folgenden Gr\u00fcnden notwendig:<\/p>\n<ul>\n<li><b>Die Akquise neuer Kunden ist teurer als die Bindungsverfahren.<\/b>. F\u00fcr die Akquise neuer Kunden m\u00fcssen in der Regel bestimmte 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 von Kunden ist der Schl\u00fcssel zur Verbesserung von Produkten und Dienstleistungen.<\/b>.<\/li>\n<\/ul>\n<p>\nEs gibt Standardans\u00e4tze zur Prognose der Abwanderung. Doch bei einer der Meisterschaften im Bereich KI haben wir beschlossen, die Weibull-Verteilung auszuprobieren. Diese wird h\u00e4ufig zur Analyse der \u00dcberlebensf\u00e4higkeit, zur Wetterprognose, zur Analyse von Naturkatastrophen, in der Industrie und \u00c4hnlichem verwendet. Die Weibull-Verteilung ist eine spezielle Verteilungsfunktion, die durch zwei Parameter parametrisiert wird. <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>Insgesamt ist es ein interessantes Thema, wird jedoch zur Prognose von Abwanderungen und im Fintech-Bereich nicht so oft verwendet. Im Folgenden erkl\u00e4ren wir, wie wir (das Labor f\u00fcr intelligente Datenanalyse) dies gemacht haben, w\u00e4hrend wir Gold bei der Meisterschaft f\u00fcr k\u00fcnstliche Intelligenz in der Kategorie \u00abKI in Banken\u00bb gewonnen haben.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Zur Abwanderung im Allgemeinen<\/h2>\n<p>\nLassen Sie uns etwas Klarheit dar\u00fcber gewinnen, was Kundenabwanderung ist und warum sie so wichtig ist. F\u00fcr Unternehmen ist die Kundenbasis entscheidend. In diese Basis kommen neue Kunden, zum Beispiel durch Werbung auf das Produkt oder die Dienstleistung aufmerksam gemacht, nutzen es eine Zeit lang aktiv und h\u00f6ren schlie\u00dflich auf, es zu verwenden. Diese Phase wird als \"Kundenlebenszyklus\" bezeichnet \u2014 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 ein treuer Verbraucher wird, und letztendlich aus verschiedenen Gr\u00fcnden aufh\u00f6rt, das Produkt zu nutzen. Dementsprechend ist die Abwanderung die abschlie\u00dfende Phase des Kundenlebenszyklus, wenn der Kunde aufh\u00f6rt, Dienstleistungen in Anspruch zu nehmen, was f\u00fcr das Unternehmen bedeutet, dass der Kunde keine Gewinne mehr bringt und \u00fcberhaupt keinen Nutzen mehr hat. <\/p>\n<p>Jeder Kunde einer Bank ist eine individuelle Person, die die passende Bankkarte f\u00fcr ihre Bed\u00fcrfnisse ausw\u00e4hlt. Reisest du viel? Dann ist eine Karte mit Flugmeilen praktisch. Kaufst du viel ein? Hallo, hier ist die Cashback-Karte. Kaufst du h\u00e4ufig in bestimmten Gesch\u00e4ften ein? Daf\u00fcr gibt es bereits spezielle Partnerkarten. Nat\u00fcrlich w\u00e4hlen manche auch einfach die Karte mit den niedrigsten Geb\u00fchren. Die Variablen sind hier zahlreich.<\/p>\n<p>Au\u00dferdem w\u00e4hlt der Mensch auch die Bank selbst aus \u2013 warum sollte man eine Bankkarte von einer Bank w\u00e4hlen, deren Filialen nur in Moskau und Umgebung sind, wenn man aus Chabarowsk kommt? Selbst wenn die Karte dieser Bank doppelt so vorteilhaft w\u00e4re, ist die N\u00e4he der Bankfilialen immer noch ein wichtiges Kriterium. Ja, 2019 ist bereits da und Digital ist alles, aber viele Fragen lassen sich bei einigen Banken nur in der Filiale kl\u00e4ren. Zudem vertraut ein Teil der Bev\u00f6lkerung viel mehr einer physischen Bank als einer Smartphone-App, das sollte man ebenfalls ber\u00fccksichtigen.<\/p>\n<p>Als Folge kann es viele Gr\u00fcnde geben, warum eine Person von den Bankprodukten (oder von der Bank selbst) Abstand nimmt. Man hat den Job gewechselt und der Tarif der Karte hat sich von einem Gehaltskonto auf einen \"F\u00fcr einfache Sterbliche\" Tarif ge\u00e4ndert, der weniger vorteilhaft ist. Man ist in eine andere Stadt gezogen, wo es keine Filialen der Bank gibt. Man war mit dem Umgang eines unqualifizierten Bankmitarbeiters in der Filiale unzufrieden. Das hei\u00dft, die Gr\u00fcnde f\u00fcr die Schlie\u00dfung eines Kontos k\u00f6nnen sogar deutlich zahlreicher sein als die f\u00fcr die Nutzung des Produkts.<\/p>\n<p>Au\u00dferdem kann ein Kunde nicht nur klar seinen Wunsch \u00e4u\u00dfern \u2013 zum Bank zu gehen und einen Antrag zu stellen, sondern einfach aufh\u00f6ren, die Produkte zu nutzen, ohne den Vertrag zu k\u00fcndigen. Zur L\u00f6sung solcher Aufgaben wurde entschieden, maschinelles Lernen und KI zu nutzen.<\/p>\n<p>Dar\u00fcber hinaus kann der Kundenverlust in jeder Branche auftreten (Telekommunikation, Internetanbieter, Versicherungsunternehmen, kurz \u00fcberall, wo es eine Kundenbasis und regelm\u00e4\u00dfige Transaktionen gibt).<\/p>\n<h2>Was wir getan haben<\/h2>\n<p>\nZun\u00e4chst einmal musste eine klare Grenze definiert werden \u2014 ab wann wir einen Kunden als inaktiv betrachten. Aus Sicht der Bank, die uns die Daten zur Verf\u00fcgung stellte, war der Status der Aktivit\u00e4t des Kunden bin\u00e4r \u2014 er ist entweder aktiv oder nicht. Es gab ein ACTIVE_FLAG in der Tabelle \"Aktivit\u00e4t\", dessen Wert entweder \"0\" oder \"1\" sein konnte (entsprechend \"Inaktiv\" und \"Aktiv\"). Das w\u00e4re alles gut und sch\u00f6n, doch der Mensch ist nun mal so, dass er eine Zeit lang aktiv sein kann, dann aber f\u00fcr einen Monat aus dem aktiven Kreis herausf\u00e4llt \u2014 sei es, weil er krank ist, ins Ausland zum Urlaub f\u00e4hrt oder \u00fcberhaupt eine Karte einer anderen Bank ausprobiert. Vielleicht beginnt er nach einer langen Phase der Inaktivit\u00e4t auch wieder, die Dienstleistungen der Bank zu nutzen.<\/p>\n<p>Deshalb haben wir beschlossen, den Zeitraum der Inaktivit\u00e4t als einen bestimmten ununterbrochenen Zeitraum zu definieren, in dem das Flag f\u00fcr ihn auf \"0\" gesetzt wurde. <\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKunden wechseln von Inaktiv zu Aktiv nach unterschiedlichen Zeitr\u00e4umen der Inaktivit\u00e4t. Dadurch k\u00f6nnen wir das empirische Ma\u00df \"Zuverl\u00e4ssigkeit der Inaktivit\u00e4tsperioden\" berechnen \u2013 also die Wahrscheinlichkeit, dass eine Person nach einer vor\u00fcbergehenden Inaktivit\u00e4t wieder die Produkte der Bank nutzt. <\/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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHier werden wir den Datensatz, mit dem wir begonnen haben, etwas pr\u00e4zisieren. Die Bank hat aggregierte Informationen f\u00fcr einen Zeitraum von 19 Monaten in den folgenden Tabellen bereitgestellt:<\/p>\n<ul>\n<li>\"Aktivit\u00e4t\" \u2013 monatliche Transaktionen der Kunden (per Karten, im Online-Banking und in der mobilen Banking-App), einschlie\u00dflich Gehaltszahlungen und Informationen \u00fcber Ums\u00e4tze.<\/li>\n<li>\"Karten\" \u2013 Daten zu allen Karten, die der Kunde besitzt, mit einer detaillierten Preisliste.<\/li>\n<li>\"Vertr\u00e4ge\" \u2013 Informationen zu den Vertr\u00e4gen des Kunden (sowohl offene als auch geschlossene): Kredite, Einlagen und mehr, mit Angabe der jeweiligen Parameter.<\/li>\n<li>\"Kunden\" \u2013 eine Sammlung von demografischen Daten (Geschlecht und Alter) sowie Kontaktdaten.<\/li>\n<\/ul>\n<p>\nF\u00fcr unsere Arbeit ben\u00f6tigten wir alle Tabellen au\u00dfer der \"Karten\". <\/p>\n<p>Das Problem hier war, dass die Bank in diesen Daten nicht angab, welche genau Aktivit\u00e4t \u00fcber die Karten lief. Wir konnten also erkennen, ob Transaktionen stattgefunden haben oder nicht, aber den Typ festzustellen, das war nicht m\u00f6glich. Daher war unklar, ob der Kunde Bargeld abgehoben hat, sein Gehalt erhalten hat oder Geld f\u00fcr Eink\u00e4ufe ausgegeben hat. Zudem hatten wir keine Daten zu den Kontost\u00e4nden, was hilfreich gewesen w\u00e4re. <\/p>\n<p>Die Auswahl selbst war nicht verzerrt \u2014 in diesem Zeitraum von 19 Monaten unternahm die Bank keine Versuche zur Kundenbindung und Minimierung der Abwanderung.<\/p>\n<p>So, zu den Perioden der Inaktivit\u00e4t.<\/p>\n<p>F\u00fcr die Definition der Abwanderung muss eine Periode der Inaktivit\u00e4t festgelegt werden. Um eine Prognose der Abwanderung zu einem bestimmten Zeitpunkt zu erstellen, <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>muss die Historie der Kunden mindestens 3 Monate \u00fcber den Zeitraum <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>abdecken. Unsere Historie war auf 19 Monate beschr\u00e4nkt, daher entschieden wir uns, einen Zeitraum der Inaktivit\u00e4t von 6 Monaten zu nehmen, sofern vorhanden. F\u00fcr eine qualitativ hochwertige Prognose nahmen wir den minimalen Zeitraum von 3 Monaten. Die Zahlen von 3 und 6 Monaten w\u00e4hlten wir empirisch basierend auf der Analyse des Verhaltens dieser Kunden.<\/p>\n<p>Wir definieren die Kundenabwanderung so: der Monat der Kundenabwanderung <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> ist der erste Monat mit ACTIVE_FLAG=0, in dem ab diesem Monat mindestens sechs aufeinanderfolgende Nullen im FIELD ACTIVE_FLAG stehen, mit anderen Worten, der Monat, ab dem der Kunde sechs Monate inaktiv war. <\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Anzahl der verlorenen Kunden<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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 die Abwanderung betrachtet wird<\/h2>\n<p>\nIn solchen Wettbewerben und auch in der Praxis wird die Abwanderung h\u00e4ufig auf diese Weise prognostiziert. Kunden nutzen Produkte und Dienstleistungen zu verschiedenen Zeitpunkten, und die Daten \u00fcber die Interaktionen werden in Form eines Merkmalsvektors fester L\u00e4nge n dargestellt. In diese Informationen werden normalerweise einbezogen:<\/p>\n<ul>\n<li>Benutzerdaten (demografische Daten, Marketingsegment).<\/li>\n<li>Die Nutzungsgeschichte von Bankprodukten und -dienstleistungen (dies sind Kundenaktionen, die immer an einen bestimmten Zeitpunkt oder Zeitraum im gew\u00fcnschten Intervall gebunden sind).<\/li>\n<li>Externe Daten, falls sie erhalten werden konnten \u2014 beispielsweise Bewertungen aus sozialen Medien.<\/li>\n<\/ul>\n<p>\nUnd erst danach wird eine Abwanderungsprognose erstellt, 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> basierend auf dem Faktorvektor <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>. Zum Training des Algorithmus wird eines der bekannten Frameworks f\u00fcr den Aufbau 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, aber im Bereich der Abwanderungsprognose hat er mehrere schwerwiegende Nachteile.<\/p>\n<ul>\n<li><b>Er hat keine sogenannte \u201eErinnerung\u201c<\/b>. An die Eingabe des Modells wird eine festgelegte Anzahl von Merkmalen geliefert, die dem gegenw\u00e4rtigen Zeitpunkt entsprechen. Um Informationen \u00fcber die historische Ver\u00e4nderung der Parameter zu ber\u00fccksichtigen, m\u00fcssen spezielle Merkmale berechnet werden, die die \u00c4nderungen der Parameter \u00fcber die Zeit charakterisieren, zum Beispiel die Anzahl oder die Summe der Banktransaktionen der letzten 1, 2, 3 Monate. Dieser Ansatz kann nur teilweise den Charakter der zeitlichen Ver\u00e4nderungen widerspiegeln. <\/li>\n<li><b>Fester Prognosehorizont.<\/b> Das Modell kann die Kundenabwanderung nur f\u00fcr einen vorher festgelegten Zeitraum vorhersagen, beispielsweise f\u00fcr einen Monat im Voraus. Wenn eine Prognose f\u00fcr einen anderen Zeitraum, beispielsweise drei Monate, erforderlich ist, muss die Trainingsdatenbasis neu strukturiert und das Modell neu trainiert werden. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Unser Ansatz<\/h2>\n<p>\nWir haben von Anfang an beschlossen, keine standardisierten Ans\u00e4tze zu verwenden. Bei der Meisterschaft haben sich neben uns 497 weitere Personen registriert, die jeweils \u00fcber umfangreiche Erfahrungen verf\u00fcgten. Daher ist es in solchen Bedingungen keine gute Idee, etwas nach dem Standardvorgehen zu versuchen.<\/p>\n<p>Wir begannen, die vorliegenden Probleme des bin\u00e4ren Klassifikationsmodells mithilfe der Vorhersage der Wahrscheinlichkeitsverteilung der Kundenabwanderungszeit zu l\u00f6sen. Ein solcher Ansatz er\u00f6ffnet... <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">hier<\/a><\/noindex>....weitere M\u00f6glichkeiten, um die Abwanderung flexibler vorherzusagen und komplexere Hypothesen zu \u00fcberpr\u00fcfen als im klassischen Ansatz. Als Verteilungsfamilie zur Modellierung der Abwanderungszeiten w\u00e4hlten wir die 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\">Weibull<\/a><\/noindex> aufgrund ihrer breiten Anwendung in der \u00dcberlebensanalyse. Das Verhalten der Kunden kann als eine Art \u00dcberlebensanalyse betrachtet werden. <\/p>\n<p>Hier sind Beispiele f\u00fcr die Wahrscheinlichkeitsdichtefunktionen von Weibull in Abh\u00e4ngigkeit von den Parametern. <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDies ist die Wahrscheinlichkeitsdichte f\u00fcr den Kundenabwanderungsstamm von drei verschiedenen Kunden \u00fcber die Zeit. Die Zeit wird in Monaten dargestellt. Mit anderen Worten zeigt dieses Diagramm, wann die Wahrscheinlichkeit f\u00fcr die Abwanderung eines Kunden in den n\u00e4chsten zwei Monaten am h\u00f6chsten ist. Wie zu sehen ist, hat der Kunde mit der Verteilung ein h\u00f6heres Potenzial, fr\u00fcher abzuwandern als die Kunden mit den Verteilungen Weibull(2, 0.5) und Weibull(3,1). <\/p>\n<p>Es ergibt sich ein Modell, das f\u00fcr jeden Kunden f\u00fcr jeden<br \/>\nMonat die Weibull-Verteilungsparameter vorhersagt, die am besten den Eintritt der Abwanderungswahrscheinlichkeit im Laufe der Zeit widerspiegeln. Genauer gesagt: <\/p>\n<ul>\n<li>Die Zielmerkmale in der Trainingsmenge sind die verbleibende Zeit bis zur Abwanderung in einem bestimmten Monat f\u00fcr einen bestimmten Kunden.<\/li>\n<li>Wenn es keinen Abwanderungswert f\u00fcr den Kunden gibt, gehen wir davon aus, dass die Abwanderungszeit l\u00e4nger ist als die Anzahl der Monate, beginnend mit dem aktuellen Monat bis zum Ende der verf\u00fcgbaren Historie.<\/li>\n<li>Verwendetes Modell: rekurrentes neuronales Netzwerk mit LSTM-Schicht.<\/li>\n<li>Als Verlustfunktion verwenden wir die negative logarithmische Wahrscheinlichkeitsfunktion f\u00fcr die Weibull-Verteilung.<\/li>\n<\/ul>\n<p>\nHier sind die Vorteile dieser Methode: <\/p>\n<ul>\n<li>Die Wahrscheinlichkeitsverteilung erm\u00f6glicht neben der offensichtlichen M\u00f6glichkeit der bin\u00e4ren Klassifizierung auch eine flexible Vorhersage verschiedener Ereignisse, zum Beispiel, ob ein Kunde innerhalb von 3 Monaten die Dienstleistungen der Bank nicht mehr in Anspruch nehmen wird. Zudem k\u00f6nnen bei Bedarf verschiedene Metriken \u00fcber diese Verteilung gemittelt werden.<\/li>\n<li>Das rekurrente neuronale Netzwerk LSTM hat ein Ged\u00e4chtnis und nutzt effektiv die gesamte verf\u00fcgbare Historie. Mit einer Erweiterung oder Verfeinerung der Historie steigt die Genauigkeit.<\/li>\n<li>Der Ansatz l\u00e4sst sich problemlos skalieren, indem Zeitintervalle in kleinere Abschnitte unterteilt werden (zum Beispiel, indem Monate in Wochen aufgeteilt werden).<\/li>\n<\/ul>\n<p>\nEs reicht jedoch nicht aus, ein gutes Modell zu erstellen; es muss auch angemessen bewertet werden.<\/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 \u00e4hnliche F\u00e4lle aufgrund ihrer verst\u00e4ndlichen Interpretation verwendet 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>. Wenn man den Sinn dieser Metrik in einem Satz zusammenfassen m\u00f6chte, lautet er: 'Wie viel besser macht der Algorithmus die Vorhersage in den ersten <img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>%, als zuf\u00e4llig. <\/p>\n<h2>Modelle trainieren<\/h2>\n<p>\nIm Wettbewerb wurden keine spezifischen Qualit\u00e4tsmetriken festgelegt, anhand derer verschiedene Modelle und Ans\u00e4tze verglichen werden k\u00f6nnen. Dar\u00fcber hinaus kann die Definition des Begriffs \"Abwanderung\" unterschiedlich sein und von der Aufgabenstellung abh\u00e4ngen, die wiederum durch die Unternehmensziele definiert wird. Daher haben wir, um zu verstehen, welche Methode besser ist, zwei Modelle trainiert:<\/p>\n<ol>\n<li>Ein h\u00e4ufig verwendeter Ansatz zur bin\u00e4ren Klassifikation unter Verwendung eines Machine-Learning-Algorithmus, 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 Teststichprobe bestand aus 500 vorher ausgew\u00e4hlten Kunden, die nicht in der Trainingsstichprobe vorhanden waren. F\u00fcr das Modell wurde eine Hyperparameteroptimierung unter Verwendung von Cross-Validation mit Aufteilung nach Kunden durchgef\u00fchrt. F\u00fcr das Training jedes Modells wurden dieselben Merkmale verwendet. <\/p>\n<p>Da die Modell keine Erinnerungsfunktion hat, wurden spezielle Merkmale verwendet, die das Verh\u00e4ltnis der Parameterver\u00e4nderungen eines Monats zum Durchschnitt der Parameter der letzten drei Monate zeigen. Dies charakterisierte die Geschwindigkeit der Wert\u00e4nderung im letzten Zeitraum von drei Monaten. Ohne dies w\u00e4re das Random Forest-Modell im Voraus im Nachteil im Vergleich zu Weibull-LSTM.<\/p>\n<h2>Warum ist LSTM mit Weibull-Verteilung besser als ein Ansatz, der auf einem Ensemble von Entscheidungsb\u00e4umen basiert? <\/h2>\n<p>\nHier wird alles anschaulich mit ein paar Bildern dargestellt.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Vergleich der Lift-Kurve-Metrik nach Monaten f\u00fcr den klassischen Algorithmus und Weibull-LSTM<\/i><\/p>\n<p>Im Allgemeinen \u00fcbertrifft LSTM den klassischen Algorithmus in fast allen F\u00e4llen.<\/p>\n<h2>Vorhersage des Abgangs<\/h2>\n<p>\nDas Modell auf Basis eines rekurrenten neuronalen Netzwerks mit LSTM-Zellen und einer Weibull-Verteilung kann Abwanderungen im Voraus vorhersagen, beispielsweise den Verlust eines Kunden innerhalb der n\u00e4chsten n Monate. Betrachten wir den Fall f\u00fcr n = 3. In diesem Fall muss das neuronale Netzwerk f\u00fcr jeden Monat korrekt bestimmen, ob der Kunde abwandern wird, beginnend im n\u00e4chsten Monat und bis zum n-ten Monat. Mit anderen Worten, es muss korrekt einsch\u00e4tzen, ob der Kunde nach n Monaten bleibt. Dies kann als Fr\u00fchwarnprognose betrachtet werden: die Vorhersage des Moments, in dem ein Kunde anf\u00e4ngt, \u00fcber eine Abwanderung nachzudenken. <\/p>\n<p>Vergleichen wir die Lift Curve f\u00fcr Weibull-LSTM \u00fcber 1, 2 und 3 Monate vor der Abwanderung:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nWir haben bereits erw\u00e4hnt, dass auch die Prognosen von Bedeutung sind, die f\u00fcr Kunden erstellt werden, die f\u00fcr eine gewisse Zeit inaktiv sind. Daher f\u00fcgen wir hier solche F\u00e4lle in die Auswahl ein, in denen der abgewanderte Kunde bereits ein oder zwei Monate nicht aktiv war, und \u00fcberpr\u00fcfen, ob Weibull-LSTM solche F\u00e4lle als Abwanderung korrekt klassifiziert. Da solche F\u00e4lle in der Auswahl enthalten waren, erwarten wir, dass das Netzwerk gut damit umgehen kann:<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" 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 Wichtigste, was man tun kann, wenn man die Informationen hat, dass bestimmte Kunden sich darauf vorbereiten, 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 \u2014 das ist nicht m\u00f6glich, wenn man keine Historie solcher Versuche hat, die erfolgreich waren.<\/p>\n<p>Eine solche Historie hatten wir nicht, also haben wir es so gel\u00f6st.<\/p>\n<ol>\n<li>Wir bauen ein Modell, das interessante Produkte f\u00fcr jeden Kunden identifiziert.<\/li>\n<li>Jeden Monat f\u00fchren wir den Klassifizierer aus und bestimmen potenziell abwandernde Kunden.<\/li>\n<li>Wir bieten einem Teil der Kunden Produkte an, gem\u00e4\u00df dem Modell aus Punkt 1, und merken uns unsere Aktionen.<\/li>\n<li>Nach einigen Monaten schauen wir, welche dieser potenziell abwandernden Kunden gegangen sind und welche geblieben sind. Auf diese Weise bilden wir eine Trainingsgruppe.<\/li>\n<li>Wir trainieren das Modell auf der Historie, die in Punkt 4 gewonnen wurde.<\/li>\n<li>Optional wiederholen wir die Prozedur, indem wir das Modell aus Punkt 1 durch das in Punkt 5 erhaltene Modell ersetzen.<\/li>\n<\/ol>\n<p>\nEin \u00fcbliches A\/B-Testing kann als Qualit\u00e4tspr\u00fcfung f\u00fcr derartige Bindung dienen \u2013 wir teilen die potenziell abwandernden Kunden in zwei Gruppen auf. Einer Gruppe bieten wir Produkte auf Basis unseres Bindungsmodells an, der anderen Gruppe nichts. 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: die Gesamtanzahl der Transaktionen, das Gehalt, den Gesamtumsatz des Kontos, das Alter und das Geschlecht. Merkmale aus der Tabelle \u201eKarten\u201c wurden aufgrund ihrer geringen Informationsgehalt nicht ber\u00fccksichtigt, w\u00e4hrend Merkmale aus der Tabelle 3 \u201eVertr\u00e4ge\u201c aufgrund der Verarbeitungskomplexit\u00e4t zum Schutz vor Datenleckagen zwischen dem Validierungs- und dem Trainingsdatensatz ausgeschlossen wurden.<\/p>\n<p>Die Clusterbildung erfolgte mittels Gaussian-Mischmodellen. Das Akaike-Informationskriterium erm\u00f6glichte die Bestimmung von 2 Optima. Das erste Optimum entspricht 1 Cluster. Das zweite, weniger ausgepr\u00e4gte Optimum, entspricht 80 Clustern. Aus diesem Ergebnis l\u00e4sst sich folgern, dass es \u00e4u\u00dferst schwierig ist, die Daten ohne vorab festgelegte Informationen in Cluster zu unterteilen. F\u00fcr eine qualitativ bessere Clusterbildung sind Daten erforderlich, die jeden Kunden detailliert beschreiben.<\/p>\n<p>Daher wurde das Problem des \u00fcberwachten Lernens in Betracht gezogen, um jedem einzelnen Kunden ein spezifisches Produkt anzubieten. Die folgenden Produkte wurden in Betracht gezogen: \u201eTagesgeld\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. Allerdings haben wir ihn aufgrund seiner niedrigen Informationsgehaltung nicht ber\u00fccksichtigt. Bei den Nutzern, die Bankkunden sind, d. h. die weiterhin ihre Produkte 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 zur Bewertung der Qualit\u00e4t wurde der Lift f\u00fcr die ersten 10 Perzentilen verwendet. <\/p>\n<p>Die Qualit\u00e4t des Modells kann aus dem Bild abgesch\u00e4tzt werden.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Die Ergebnisse des Produktempfehlungsmodells f\u00fcr Kunden <\/i> <\/p>\n<h2>Zusammenfassung<\/h2>\n<p>\nDieser Ansatz brachte uns den ersten Platz in der Kategorie \u201eKI in Banken\u201c bei der RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Wie wir den Abgang vorhergesagt haben, indem wir ihn wie eine Naturkatastrophe betrachtet haben\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOffensichtlich war es entscheidend, das Problem von einer ungewohnten Seite anzugehen und eine Methode zu verwenden, die normalerweise f\u00fcr andere Situationen genutzt wird.<\/p>\n<p>Obwohl eine Massenabwanderung von Nutzern f\u00fcr Dienste durchaus eine Katastrophe darstellen kann.<\/p>\n<p>Diese Methode kann auch f\u00fcr andere Bereiche n\u00fctzlich sein, in denen die Abwanderung von Bedeutung ist, nicht nur f\u00fcr Banken. Zum Beispiel haben wir sie verwendet, um unsere eigene Abwanderung in den sibirischen und Sankt-Petersburger Niederlassungen von Rostelecom zu berechnen.<\/p>\n<p><i>\u201eLabor f\u00fcr intelligente Datenanalyse\u201c der Firma \u201eSuchportal Sputnik\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 4.9.10 - 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. \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\" \/>\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) 4.9.10\" \/>\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. \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\" \/>\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 betrachteten | ProHoster","description":"Manchmal muss man ein Problem einfach aus einem anderen Blickwinkel betrachten, um es zu l\u00f6sen. Auch wenn in den letzten 10 Jahren \u00e4hnliche Probleme auf dieselbe Weise mit unterschiedlichem Erfolg gel\u00f6st wurden, ist nicht sicher, dass dieser Weg der einzige ist. Es gibt ein Thema wie die Kundenabwanderung. Das ist unvermeidlich, denn Kunden k\u00f6nnen aus zahlreichen Gr\u00fcnden...","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. \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","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"},"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}]}}