{"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\/es\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>A veces, para resolver un problema, solo es necesario mirarlo desde un \u00e1ngulo diferente. Aunque en los \u00faltimos diez a\u00f1os se hayan abordado problemas similares de la misma manera con diferentes resultados, no significa que este m\u00e9todo sea el \u00fanico.<\/p>\n<p>Hay un tema que se llama fuga de clientes. Es algo inevitable, porque los clientes de cualquier empresa pueden dejar de usar sus productos o servicios por m\u00faltiples razones. Por supuesto, para una empresa, la fuga, aunque natural, no es la acci\u00f3n m\u00e1s deseada, por lo que todos intentan minimizarla. Y a\u00fan mejor: predecir la probabilidad de fuga de determinada categor\u00eda de usuarios o de un usuario concreto y proponer acciones para retenerlos.<\/p>\n<p>Es necesario analizar y tratar de retener al cliente, si es posible, por al menos las siguientes razones:<\/p>\n<ul>\n<li><b>la adquisici\u00f3n de nuevos clientes es m\u00e1s costosa que los procedimientos de retenci\u00f3n<\/b>. Para atraer nuevos clientes, generalmente se necesita invertir una cierta cantidad de dinero (publicidad), mientras que a los clientes existentes se les puede activar con una oferta especial con condiciones particulares;<\/li>\n<li><b>entender las razones de la salida de los clientes es clave para mejorar productos y servicios<\/b>.<\/li>\n<\/ul>\n<p>\nExisten enfoques est\u00e1ndar para pronosticar la fuga. Sin embargo, en uno de los campeonatos de IA decidimos intentar utilizar la distribuci\u00f3n de Weibull para esto. Se utiliza principalmente para el an\u00e1lisis de supervivencia, pron\u00f3stico del clima, an\u00e1lisis de desastres naturales, en ingenier\u00eda industrial y temas similares. La distribuci\u00f3n de Weibull es una funci\u00f3n de distribuci\u00f3n especial, parametrizada por dos par\u00e1metros <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> y <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" 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=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>En general, es un tema interesante, pero para la predicci\u00f3n de la fuga, y en finanzas en general, no se utiliza tan a menudo. A continuaci\u00f3n, contaremos c\u00f3mo lo hicimos en el Laboratorio de An\u00e1lisis de Datos Inteligentes, ganando adem\u00e1s el oro en el Campeonato de Inteligencia Artificial en la categor\u00eda 'IA en bancos'.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Sobre la fuga en general<\/h2>\n<p>\nVamos a aclarar un poco qu\u00e9 es la rotaci\u00f3n de clientes y por qu\u00e9 es tan importante. Para un negocio, la base de clientes es crucial. En esta base entran nuevos clientes, que llegan a conocer el producto o servicio a trav\u00e9s de publicidad, permanecen activos durante un tiempo (utilizando los productos) y, despu\u00e9s de un tiempo, dejan de hacerlo. Este per\u00edodo se denomina \"Ciclo de vida del cliente\" (en ingl\u00e9s, Customer Lifecycle) \u2014 es un t\u00e9rmino que describe las etapas que atraviesa un cliente desde que conoce un producto, toma la decisi\u00f3n de comprar, paga, utiliza y se convierte en un consumidor leal, hasta que en \u00faltima instancia deja de usarlo por diversas razones. Por lo tanto, la rotaci\u00f3n es la etapa final del ciclo de vida del cliente, cuando el cliente deja de utilizar los servicios, lo que para el negocio significa que el cliente ha dejado de aportar ganancias y cualquier beneficio. <\/p>\n<p>Cada cliente del banco es una persona concreta que elige una u otra tarjeta bancaria seg\u00fan sus necesidades. Si viaja con frecuencia, le vendr\u00e1 bien una tarjeta con millas. Si compra mucho, \u00a1hola, tarjeta con cashback! Si compra mucho en tiendas espec\u00edficas, ya existe un pl\u00e1stico asociado para eso. Por supuesto, a veces la tarjeta se elige tambi\u00e9n por el criterio de \"el mantenimiento m\u00e1s barato\". En resumen, hay muchas variables aqu\u00ed.<\/p>\n<p>Adem\u00e1s, la persona elige el banco \u2014 \u00bfcu\u00e1l es el sentido de elegir una tarjeta de un banco cuyas sucursales solo est\u00e1n en Mosc\u00fa y sus alrededores, cuando t\u00fa eres de Jabarovsk? Aunque esa tarjeta sea dos veces m\u00e1s ventajosa, la proximidad de las sucursales del banco sigue siendo un criterio importante. S\u00ed, 2019 ya est\u00e1 aqu\u00ed y el digital es nuestro todo, pero hay ciertas cuestiones que algunos bancos solo se pueden resolver en la sucursal. Adem\u00e1s, otra parte de la poblaci\u00f3n conf\u00eda mucho m\u00e1s en un banco f\u00edsico que en una aplicaci\u00f3n en su smartphone, lo cual tambi\u00e9n debe tenerse en cuenta.<\/p>\n<p>Como consecuencia, puede haber muchas razones para abandonar los productos del banco (o al propio banco). Cambi\u00e9 de trabajo, y la tarifa de la tarjeta cambi\u00f3 de \"salario\" a \"para mortales\", que es menos ventajosa. Me mud\u00e9 a otra ciudad donde no hay sucursales del banco. No me gust\u00f3 la interacci\u00f3n con un cajero no cualificado en la sucursal. Es decir, puede haber muchas m\u00e1s razones para cerrar una cuenta que para usar un producto.<\/p>\n<p>Adem\u00e1s, el cliente puede no solo expresar expl\u00edcitamente su intenci\u00f3n de acudir al banco y presentar una solicitud, sino simplemente dejar de utilizar los productos sin cancelar el contrato. Para comprender tareas como esta, se decidi\u00f3 utilizar el aprendizaje autom\u00e1tico y la inteligencia artificial.<\/p>\n<p>Adem\u00e1s, la p\u00e9rdida de clientes puede ocurrir en cualquier sector (telecomunicaciones, proveedores de Internet, compa\u00f1\u00edas de seguros, en general, donde haya una base de clientes y transacciones peri\u00f3dicas).<\/p>\n<h2>Lo que hicimos<\/h2>\n<p>\nPrimero que nada, es necesario definir un l\u00edmite claro: desde qu\u00e9 momento comenzamos a considerar que un cliente se ha ido. Desde el punto de vista del banco que nos proporcion\u00f3 los datos para trabajar, el estado de actividad del cliente era binario: o estaba activo o no. Hab\u00eda un indicador ACTIVE_FLAG en la tabla de 'Actividad', cuyo valor pod\u00eda ser '0' o '1' (respectivamente, 'Inactivo' y 'Activo'). Y todo estar\u00eda bien, pero las personas pueden utilizar un servicio activamente durante un tiempo y luego caer en inactividad durante un mes: pueden enfermar, irse a otro pa\u00eds de vacaciones, o incluso probar la tarjeta de otro banco. O pueden volver a utilizar los servicios del banco despu\u00e9s de un largo per\u00edodo de inactividad.<\/p>\n<p>Por lo tanto, decidimos llamar a un per\u00edodo de inactividad un intervalo continuo de tiempo durante el cual el indicador se establec\u00eda en '0'. <\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLos clientes pasan de inactivos a activos despu\u00e9s de per\u00edodos de inactividad de diversas longitudes. Tenemos la oportunidad de calcular el grado de la magnitud emp\u00edrica 'fiabilidad de los per\u00edodos de inactividad' \u2014 es decir, la probabilidad de que una persona vuelva a utilizar los productos del banco despu\u00e9s de un per\u00edodo de inactividad. <\/p>\n<p>Por ejemplo, en este gr\u00e1fico se muestra la reactivaci\u00f3n de la actividad (ACTIVE_FLAG=1) de los clientes despu\u00e9s de varios meses de inactividad (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAqu\u00ed vamos a detallar un poco el conjunto de datos con el que comenzamos a trabajar. Entonces, el banco proporcion\u00f3 informaci\u00f3n agregada durante 19 meses en las siguientes tablas:<\/p>\n<ul>\n<li>\u2018Actividad\u2019 \u2014 transacciones mensuales de clientes (a trav\u00e9s de tarjetas, en la banca en l\u00ednea y banca m\u00f3vil), incluyendo dep\u00f3sitos salariales e informaci\u00f3n sobre los movimientos.<\/li>\n<li>\u2018Tarjetas\u2019 \u2014 datos sobre todas las tarjetas que tiene el cliente, con una detallada lista de tarifas.<\/li>\n<li>\u00abContratos\u00bb \u2014 informaci\u00f3n sobre los contratos del cliente (tanto abiertos como cerrados): cr\u00e9ditos, dep\u00f3sitos y dem\u00e1s, con la indicaci\u00f3n de los par\u00e1metros de cada uno.<\/li>\n<li>\u00abClientes\u00bb \u2014 conjunto de datos demogr\u00e1ficos (sexo y edad) y disponibilidad de datos de contacto.<\/li>\n<\/ul>\n<p>\nPara nuestra labor, necesit\u00e1bamos todas las tablas, excepto \u00abTarjetas\u00bb. <\/p>\n<p>La complejidad aqu\u00ed radicaba en que el banco no indicaba qu\u00e9 tipo de actividad se hab\u00eda llevado a cabo con las tarjetas. Es decir, pod\u00edamos saber si hubo transacciones o no, pero no pod\u00edamos determinar su tipo. Por lo tanto, no estaba claro si el cliente retir\u00f3 efectivo, recibi\u00f3 su salario o gast\u00f3 dinero en compras. Adem\u00e1s, no ten\u00edamos datos sobre los saldos en las cuentas, lo cual habr\u00eda sido \u00fatil. <\/p>\n<p>La muestra en s\u00ed no estaba sesgada: en este corte, durante 19 meses, el banco no realiz\u00f3 ning\u00fan intento por retener clientes ni minimizar la fuga.<\/p>\n<p>As\u00ed que, sobre los per\u00edodos de inactividad.<\/p>\n<p>Para formular la definici\u00f3n de fuga, se debe elegir un per\u00edodo de inactividad. Para crear un pron\u00f3stico de fuga en un momento dado, <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, se debe tener un historial de clientes de al menos 3 meses en el intervalo <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>. Nuestro historial estaba limitado a 19 meses, por lo que decidimos tomar un per\u00edodo de inactividad de 6 meses, si exist\u00eda. Y para el per\u00edodo m\u00ednimo para un pron\u00f3stico de calidad, tomamos 3 meses. Los n\u00fameros de 3 y 6 meses los tomamos emp\u00edricamente bas\u00e1ndonos en el an\u00e1lisis del comportamiento de esos clientes.<\/p>\n<p>Definimos la fuga de la siguiente manera: el mes de fuga del cliente <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> es el primer mes con ACTIVE_FLAG=0, donde desde ese mes hay al menos seis ceros consecutivos en el campo ACTIVE_FLAG, en otras palabras, el mes desde el cual el cliente estuvo 6 meses inactivo. <\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>N\u00famero de clientes que se fueron<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>N\u00famero de clientes que permanecieron<\/i><\/p>\n<h2>Como se considera normalmente la fuga<\/h2>\n<p>\nEn competiciones similares, y en general en la pr\u00e1ctica, la fuga se pronostica con bastante frecuencia de esta manera. El cliente utiliza productos y servicios en diferentes intervalos de tiempo, los datos sobre su interacci\u00f3n se presentan en forma de un vector de caracter\u00edsticas de longitud fija n. Frecuentemente, esta informaci\u00f3n incluye:<\/p>\n<ul>\n<li>Datos que caracterizan al usuario (datos demogr\u00e1ficos, segmento de mercado).<\/li>\n<li>Historial de uso de productos y servicios bancarios (son acciones de los clientes que siempre est\u00e1n vinculadas a un momento espec\u00edfico o al periodo del intervalo que necesitamos).<\/li>\n<li>Datos externos, si se pudieron obtener, por ejemplo, opiniones de redes sociales.<\/li>\n<\/ul>\n<p>\nY ya despu\u00e9s de esto, se emite una definici\u00f3n de abandono, adaptada a cada tarea. Luego utilizan un algoritmo de aprendizaje autom\u00e1tico que predice la probabilidad de que el cliente se vaya. <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> basado en el vector de factores. <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>. Para entrenar el algoritmo, se utiliza uno de los marcos conocidos para construir conjuntos de \u00e1rboles de decisi\u00f3n, <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> o sus modificaciones. <\/p>\n<p>El algoritmo en s\u00ed no es malo, pero en lo que respecta a la predicci\u00f3n de abandono, tiene varios inconvenientes serios.<\/p>\n<ul>\n<li><b>No posee lo que se llama \"memoria\".<\/b>. En la entrada del modelo llega un n\u00famero determinado de caracter\u00edsticas que corresponden al momento actual. Para incluir informaci\u00f3n sobre la historia de los cambios de par\u00e1metros, es necesario calcular caracter\u00edsticas especiales que caracterizan los cambios de par\u00e1metros a lo largo del tiempo, como el n\u00famero o la suma de transacciones bancarias durante los \u00faltimos 1, 2, 3 meses. Este enfoque solo puede reflejar parcialmente la naturaleza de los cambios temporales. <\/li>\n<li><b>Horizonte de predicci\u00f3n fijo.<\/b> El modelo solo puede predecir el abandono de clientes para un intervalo de tiempo previamente establecido, por ejemplo, una predicci\u00f3n para un mes adelante. Si se requiere una predicci\u00f3n para otro intervalo de tiempo, como tres meses, es necesario reestructurar la muestra de entrenamiento y volver a entrenar un nuevo modelo. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Nuestro enfoque.<\/h2>\n<p>\nDecidimos desde el principio que no usar\u00edamos enfoques est\u00e1ndar. En el campeonato, adem\u00e1s de nosotros, se registraron otras 497 personas, cada una con una s\u00f3lida experiencia. As\u00ed que intentar hacer algo seg\u00fan el esquema est\u00e1ndar en tales condiciones no es la mejor idea.<\/p>\n<p>Y comenzamos a resolver los problemas planteados ante el modelo de clasificaci\u00f3n binaria mediante la predicci\u00f3n de la distribuci\u00f3n probabil\u00edstica del tiempo de abandono de los clientes. Este enfoque puede ser visto, <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">aqu\u00ed<\/a><\/noindex>permite predecir el abandono de manera m\u00e1s flexible y probar hip\u00f3tesis m\u00e1s complejas que en el enfoque cl\u00e1sico. Como familia de distribuciones modelando el tiempo de abandono, elegimos la distribuci\u00f3n <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> por su amplio uso en el an\u00e1lisis de supervivencia. El comportamiento del cliente puede considerarse como una especie de supervivencia. <\/p>\n<p>Aqu\u00ed hay ejemplos de la distribuci\u00f3n de densidades de probabilidad de Weibull dependiendo de sus par\u00e1metros. <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> y <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nEsta es la densidad de distribuci\u00f3n de probabilidad de fuga de clientes de tres clientes diferentes a lo largo del tiempo. El tiempo se presenta en meses. En otras palabras, este gr\u00e1fico muestra cu\u00e1ndo es m\u00e1s probable que ocurra la fuga de un cliente en los pr\u00f3ximos dos meses. Como se puede ver, el cliente con esta distribuci\u00f3n tiene un mayor potencial de abandonar antes que los clientes con distribuciones Weibull(2, 0.5) y Weibull(3,1). <\/p>\n<p>En resumen, se obtiene un modelo que predice para cada cliente, en cualquier<br \/>\nmes, los par\u00e1metros de la distribuci\u00f3n de Weibull que mejor reflejan la probabilidad de fuga a lo largo del tiempo. En detalle: <\/p>\n<ul>\n<li>Las caracter\u00edsticas objetivo en el conjunto de datos de entrenamiento son el tiempo restante hasta la fuga en un mes espec\u00edfico para un cliente determinado.<\/li>\n<li>Si no hay un indicador de fuga para un cliente, suponemos que el tiempo de fuga es mayor que el n\u00famero de meses desde el actual hasta el final de la historia que tenemos.<\/li>\n<li>Modelo utilizado: red neuronal recurrente con capa LSTM.<\/li>\n<li>Como funci\u00f3n de p\u00e9rdida, utilizamos la funci\u00f3n logar\u00edtmica negativa de verosimilitud para la distribuci\u00f3n de Weibull.<\/li>\n<\/ul>\n<p>\nAqu\u00ed est\u00e1n las ventajas de este m\u00e9todo: <\/p>\n<ul>\n<li>La distribuci\u00f3n de probabilidad, adem\u00e1s de la obvia posibilidad de clasificaci\u00f3n binaria, permite predecir eventos diversos, por ejemplo, si un cliente dejar\u00e1 de utilizar los servicios del banco en un plazo de 3 meses. Adem\u00e1s, si es necesario, se pueden promediar diferentes m\u00e9tricas utilizando esta distribuci\u00f3n.<\/li>\n<li>La red neuronal recurrente LSTM tiene memoria y utiliza eficazmente toda la historia disponible. Con la ampliaci\u00f3n o refinamiento de la historia, la precisi\u00f3n aumenta.<\/li>\n<li>El enfoque se puede escalar f\u00e1cilmente al dividir los intervalos de tiempo en segmentos m\u00e1s peque\u00f1os (por ejemplo, al dividir los meses en semanas).<\/li>\n<\/ul>\n<p>\nPero no basta con crear un buen modelo; tambi\u00e9n es necesario evaluar su calidad adecuadamente.<\/p>\n<h2>C\u00f3mo evaluamos la calidad<\/h2>\n<p>\nComo m\u00e9trica, elegimos la Curva de Lift. Se utiliza en el negocio para tales casos debido a su interpretaci\u00f3n clara, est\u00e1 bien descrita. <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">aqu\u00ed<\/a><\/noindex> y <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">aqu\u00ed<\/a><\/noindex>Si se describe el significado de esta m\u00e9trica en una frase, ser\u00eda: \u00ab\u00bfCu\u00e1ntas veces el algoritmo hace una mejor predicci\u00f3n en los primeros <img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>% que al azar?\u00bb <\/p>\n<h2>Entrenamos los modelos.<\/h2>\n<p>\nLas condiciones del concurso no establec\u00edan una m\u00e9trica de calidad espec\u00edfica para comparar diferentes modelos y enfoques. Adem\u00e1s, la definici\u00f3n del concepto de deserci\u00f3n puede variar y depender de los objetivos comerciales definidos. Por lo tanto, para entender qu\u00e9 m\u00e9todo es mejor, entrenamos dos modelos:<\/p>\n<ol>\n<li>Enfoque com\u00fan de clasificaci\u00f3n binaria utilizando el algoritmo de aprendizaje autom\u00e1tico de un conjunto de \u00e1rboles de decisi\u00f3n (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Modelo Weibull-LSTM<\/li>\n<\/ol>\n<p>\nLa muestra de prueba consisti\u00f3 en 500 clientes preseleccionados que no estaban en el conjunto de entrenamiento. Se realizaron ajustes de hiperpar\u00e1metros para el modelo utilizando validaci\u00f3n cruzada basada en clientes. Se utilizaron conjuntos de caracter\u00edsticas id\u00e9nticos para el entrenamiento de cada modelo. <\/p>\n<p>Debido a que el modelo no tiene memoria, se tomaron caracter\u00edsticas especiales que mostraban la relaci\u00f3n entre el cambio de par\u00e1metros de un mes con el valor medio de los par\u00e1metros en los \u00faltimos tres meses. Esto caracterizaba la velocidad de cambio de los valores en el \u00faltimo per\u00edodo de tres meses. Sin esto, el modelo basado en Random Forest estar\u00eda en una desventaja anticipada en relaci\u00f3n con Weibull-LSTM.<\/p>\n<h2>Por qu\u00e9 el LSTM con distribuci\u00f3n Weibull es mejor que el enfoque basado en un conjunto de \u00e1rboles de decisi\u00f3n <\/h2>\n<p>\nAqu\u00ed todo es evidente con solo un par de im\u00e1genes.<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Comparaci\u00f3n de la Curva Lift para el algoritmo cl\u00e1sico y Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Comparaci\u00f3n de la m\u00e9trica de la Curva Lift por meses para el algoritmo cl\u00e1sico y Weibull-LSTM<\/i><\/p>\n<p>En general, LSTM supera al algoritmo cl\u00e1sico casi en todos los casos.<\/p>\n<h2>Predicci\u00f3n de deserci\u00f3n<\/h2>\n<p>\nUn modelo basado en una red neuronal recurrente con celdas LSTM con distribuci\u00f3n Weibull puede predecir la deserci\u00f3n anticipadamente, por ejemplo, predecir la partida de un cliente dentro de los pr\u00f3ximos n meses. Consideremos el caso de n = 3. En este caso, la red neuronal debe determinar correctamente: si el cliente se ir\u00e1, comenzando desde el pr\u00f3ximo mes y hasta el mes n. En otras palabras, debe determinar correctamente si el cliente permanecer\u00e1 despu\u00e9s de n meses. Esto puede considerarse una predicci\u00f3n anticipada: prever el momento en que un cliente comienza a pensar en irse. <\/p>\n<p>Comparamos la Curva Lift para Weibull-LSTM 1, 2 y 3 meses antes de la deserci\u00f3n:<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nComo ya mencionamos anteriormente, tambi\u00e9n son importantes las predicciones realizadas para los clientes que se vuelven inactivos durante un tiempo. Por lo tanto, aqu\u00ed agregaremos a la muestra tales casos en los que un cliente que se fue ya hab\u00eda estado inactivo durante uno o dos meses, y verificaremos que Weibull-LSTM clasifique correctamente tales casos como p\u00e9rdida de clientes. Dado que tales casos estaban presentes en la muestra, esperamos que la red los maneje bien:<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Retenci\u00f3n de clientes<\/h2>\n<p>\nEn realidad, esto es lo m\u00e1s importante que se puede hacer al tener informaci\u00f3n de que ciertos clientes est\u00e1n a punto de dejar de usar el producto. Hablando sobre la creaci\u00f3n de un modelo que podr\u00eda ofrecer algo \u00fatil a los clientes para retenerlos, esto no se podr\u00e1 lograr si no tienes un historial de intentos similares que hayan terminado bien.<\/p>\n<p>No ten\u00edamos tal historia, por lo que decidimos hacerlo as\u00ed.<\/p>\n<ol>\n<li>Construimos un modelo que determina productos interesantes para cada cliente.<\/li>\n<li>Cada mes ejecutamos el clasificador y determinamos clientes potencialmente salientes.<\/li>\n<li>A algunas partes de los clientes les ofrecemos un producto, de acuerdo con el modelo del punto 1, recordamos nuestras acciones.<\/li>\n<li>Despu\u00e9s de unos meses, vemos qui\u00e9n de estos clientes potencialmente salientes se ha ido y qui\u00e9n se ha quedado. De esta manera, formamos un conjunto de datos de entrenamiento.<\/li>\n<li>Entrenamos el modelo con la historia obtenida en el punto 4.<\/li>\n<li>Opcionalmente, repetimos el procedimiento reemplazando el modelo del punto 1 con el modelo obtenido en el punto 5.<\/li>\n<\/ol>\n<p>\nLa verificaci\u00f3n de la calidad de tal retenci\u00f3n puede ser un A\/B testing tradicional: dividimos a los clientes que est\u00e1n potencialmente saliendo en dos grupos. A uno le ofrecemos productos basados en nuestro modelo de retenci\u00f3n, y al otro no le ofrecemos nada. Decidimos entrenar un modelo que podr\u00eda ser beneficioso ya en el punto 1 de nuestro ejemplo.<\/p>\n<p>Quer\u00edamos hacer la segmentaci\u00f3n lo m\u00e1s interpretativa posible. Para ello, seleccionamos algunas caracter\u00edsticas que pudieran ser f\u00e1cilmente interpretables: el n\u00famero total de transacciones, el salario, el volumen total de la cuenta, la edad, el g\u00e9nero. Las caracter\u00edsticas de la tabla \"Tarjetas\" no se tomaron en cuenta debido a que son poco informativas, y las caracter\u00edsticas de la tabla 3 \"Contratos\" se descartaron por la complejidad de su procesamiento para evitar filtraciones de datos entre el conjunto de validaci\u00f3n y el conjunto de entrenamiento.<\/p>\n<p>La clustering se realiz\u00f3 utilizando modelos de mezcla gaussianos. El criterio de informaci\u00f3n de Akaike permiti\u00f3 identificar 2 \u00f3ptimos. El primer \u00f3ptimo corresponde a 1 cl\u00faster. El segundo \u00f3ptimo, menos pronunciado, corresponde a 80 cl\u00fasteres. A partir de este resultado, se puede concluir que los datos son extremadamente dif\u00edciles de dividir en cl\u00fasteres sin informaci\u00f3n aprior\u00edstica. Para una mejor clasificaci\u00f3n, se necesitan datos que describan detalladamente a cada cliente.<\/p>\n<p>Por lo tanto, se consider\u00f3 la tarea de aprendizaje supervisado, para ofrecer a cada cliente un producto espec\u00edfico. Se contemplaron los siguientes productos: \"Dep\u00f3sito a plazo\", \"Tarjeta de cr\u00e9dito\", \"Descubierto\", \"Cr\u00e9dito al consumo\", \"Cr\u00e9dito automotriz\", \"Hipoteca\". <\/p>\n<p>En los datos tambi\u00e9n hab\u00eda otro tipo de producto: \"Cuenta corriente\". Pero no lo consideramos debido a su escasa informatividad. Se construy\u00f3 un modelo basado en los usuarios que son clientes del banco, es decir, aquellos que no han dejado de utilizar sus productos, el cual predice qu\u00e9 producto puede ser de su inter\u00e9s. Se eligi\u00f3 la regresi\u00f3n log\u00edstica como modelo, y como m\u00e9trica para evaluar la calidad se utiliz\u00f3 el valor de Lift para los primeros 10 percentiles. <\/p>\n<p>La calidad del modelo se puede evaluar en la figura.<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Resultados del modelo de recomendaci\u00f3n de productos para clientes <\/i> <\/p>\n<h2>Summary<\/h2>\n<p>\nEste enfoque nos vali\u00f3 el primer lugar en la categor\u00eda \"IA en bancos\" en el Campeonato de IA RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Como predijimos la fuga, abord\u00e1ndola como si fuera una cat\u00e1strofe natural\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAparentemente, lo principal era abordar el problema desde un \u00e1ngulo poco convencional y utilizar un m\u00e9todo que se suele aplicar en otras situaciones.<\/p>\n<p>Aunque la fuga masiva de usuarios puede ser un desastre natural para los servicios.<\/p>\n<p>Este m\u00e9todo se puede tener en cuenta tambi\u00e9n para cualquier otro \u00e1mbito en el que sea importante considerar la fuga, no solo para bancos. Por ejemplo, lo utilizamos para calcular nuestra propia fuga en las filiales de Siberia y San Petersburgo de Rostelecom.<\/p>\n<p><i>\"Laboratorio de an\u00e1lisis inteligente de datos\" empresa \"Portal de b\u00fasqueda Spudnik\"<\/i><br \/>\n<br \/>Fuente: <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 5.0.2 - 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\/es\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\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\/es\/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\udd47Como predijimos la fuga, abord\u00e1ndola como si fuera un desastre natural | ProHoster","description":"A veces, para resolver un problema, solo hay que mirarlo desde otro \u00e1ngulo.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","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\/es\/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\/es\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}