{"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\/et\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>M\u00f5nikord, et lahendada m\u00f5ni probleem, tuleb sellele lihtsalt teise nurga alt vaadata. Isegi kui viimased k\u00fcmme aastat on sarnaseid probleeme lahendatud sama meetodiga erineva tulemusega, ei pruugi see meetod olla ainus.<\/p>\n<p>On teema, nagu klientide lahkumine. See on v\u00e4ltimatu n\u00e4htus, sest igal ettev\u00f5tte kliendil on p\u00f5hjuseid, miks nad v\u00f5ivad l\u00f5petada selle toodete v\u00f5i teenuste kasutamise. Loomulikult ei ole lahkumine ettev\u00f5tte jaoks soovitav s\u00fcndmus, seega p\u00fc\u00fcavad k\u00f5ik seda minimaalset hoida. Veel parem on prognoosida lahkumise t\u00f5en\u00e4osust teatud kasutajate kategooriates v\u00f5i konkreetse kasutaja puhul ning pakkuda lahendusi nende s\u00e4ilitamiseks.<\/p>\n<p>Klienti anal\u00fc\u00fcsida ja p\u00fc\u00fcda teda s\u00e4ilitada, kui see on v\u00f5imalik, on vajalik v\u00e4hemalt j\u00e4rgmistel p\u00f5hjustel:<\/p>\n<ul>\n<li><b>uute klientide kaasamine on kallim kui s\u00e4ilitamine<\/b>. Uute klientide kaasamiseks kulub tavaliselt teatud summad (reklaam), samas kui olemasolevaid kliente saab aktiveerida eripakkumisega, millel on erilised tingimused;<\/li>\n<li><b>klientide lahkumise p\u00f5hjuste m\u00f5istmine on v\u00f5tmet\u00e4htsusega toodete ja teenuste parendamiseks<\/b>.<\/li>\n<\/ul>\n<p>\nLahkumise prognoosimiseks on olemas standardmeetodid. Kuid \u00fches tehisintellekti meistriv\u00f5istlustel otsustasime proovida selleks Weibulli jaotust. Seda kasutatakse k\u00f5ige sagedamini elluj\u00e4\u00e4mise anal\u00fc\u00fcsimiseks, ilmaennustamiseks, looduskatastroofide anal\u00fc\u00fcsimiseks, t\u00f6\u00f6stusinsenerias ja mujal. Weibulli jaotus on spetsiaalne jaotuse funktsioon, millel on kaks parameetrit. <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> ja <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" 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=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Vikipeedia<\/i><\/p>\n<p>\u00dcldiselt on see huvitav asi, kuid lahkumise prognoosimiseks, ja isegi finantstehnoloogias, ei kasutata seda nii sageli. Allpool r\u00e4\u00e4gime, kuidas me (Andmeanal\u00fc\u00fcsi Labor) seda tegime, kattes kuldmedali tehisintellekti meistriv\u00f5istlustel kategoorias \u201eAI pankades\u201d.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Lahkumisest \u00fcldiselt<\/h2>\n<p>\nVaatame veidi l\u00e4hemalt, mis on kliendih\u00e4ving ja miks see on nii oluline. \u00c4ri jaoks on kliendibaas t\u00e4htis. Sellesse baasi tulevad uued kliendid, n\u00e4iteks tutvuvad nad tootega v\u00f5i teenusega reklaami kaudu, elavad seal m\u00f5nda aega (kasutavad aktiivselt tooteid) ja mingil hetkel l\u00f5petavad selle kasutamise. Seda perioodi nimetatakse \"Kliendi eluts\u00fckliks\" (ingl. k. Customer Lifecycle) \u2014 see on termin, mis kirjeldab etappe, mida klient l\u00e4bib, kui ta tutvub tootega, teeb ostuotsuse, maksab, kasutab ja muutub lojaalseks tarbijaks, ning l\u00f5puks l\u00f5petab toote kasutamise erinevatel p\u00f5hjustel. Seega on h\u00e4ving l\u00f5ppstaadium kliendi eluts\u00fcklist, mil klient l\u00f5petab teenuste kasutamise, mis t\u00e4hendab ettev\u00f5ttele, et klient ei too enam kasumit ja ei too \u00fcldse mingit kasu. <\/p>\n<p>Iga panga klient on konkreetne inimene, kes valib \u00fche v\u00f5i teise pangakaardi spetsiaalselt oma vajaduste jaoks. Reisib sageli \u2014 sobib kaart miilidega. Ostab palju \u2014 tere, kaardikass tagasi. Ostab palju konkreetsetes kauplustes \u2014 ja selle jaoks on juba olemas spetsiaalne partnerkaart. Loomulikult valitakse kaart vahel ka kriteeriumi j\u00e4rgi \"odavaim teenindus\". \u00dches\u00f5naga, muutujaid on siin k\u00fcllalt.<\/p>\n<p>Inimene valib ka pangandi \u2014 miks valida panga kaart, mille filiaalid asuvad ainult Moskvas ja piirkonnas, kui sa oled Habarovskist? Olgu see pangakaart isegi kaks korda kasulikum, kuid panga filiaalide olemasolu l\u00e4heduses on endiselt oluline kriteerium. Jah, 2019 on juba k\u00e4es ja digitaalne on meie k\u00f5ik, kuid teatud k\u00fcsimusi saab m\u00f5nes pangas lahendada ainult filiaalis. Pluss, j\u00e4lle, osa elanikkonnast usaldab palju rohkem f\u00fc\u00fcsilist panka kui nutitelefoni rakendust, seda tuleb samuti arvesse v\u00f5tta.<\/p>\n<p>Seet\u00f5ttu v\u00f5ib inimesel olla palju erinevaid p\u00f5hjuseid panga toodetest (v\u00f5i pangast endast) loobumiseks. Vahetas t\u00f6\u00f6d ja kaardi tarifikatsioon muutus palgakaardilt \"Lihtsate surelike jaoks\", mis on v\u00e4hem kasulik. Kolis teise linna, kus ei ole pangafiliale. Ei meeldinud suhtlemine kvalifitseerimata pangat\u00f6\u00f6tajaga filiaalis. Seega v\u00f5ivad pangakonto sulgemise p\u00f5hjused olla isegi palju arvukamad kui toote kasutamise p\u00f5hjused.<\/p>\n<p>Kliendil on v\u00f5imalus mitte ainult selgelt v\u00e4ljendada oma kavatsust \u2014 minna panka ja kirjutada avaldus, vaid ka lihtsalt l\u00f5petada toodete kasutamine, katkestamata lepingut. Just selliste probleemide lahendamiseks otsustati kasutada masin\u00f5pet ja tehisintellekti.<\/p>\n<p>T\u00f5epoolest, klientide lahkumine v\u00f5ib toimuda igas valdkonnas (telekom, internetiteenuse pakkujad, kindlustusfirmad \u2014 igal pool, kus on kliendibaas ja perioodilised tehingud).<\/p>\n<h2>Mida me tegime<\/h2>\n<p>\nEsmalt tuli m\u00e4\u00e4ratleda selge piir, millal me hakkame arvestama, et klient on lahkunud. Panga jaoks, kes andis meile t\u00f6\u00f6tamiseks andmed, oli kliendi aktiivsuse seisund binaarne \u2014 ta oli kas aktiivne v\u00f5i mitte. Andmebaasi tabelis \"Aktiivsus\" oli flag ACTIVE_FLAG, mille v\u00e4\u00e4rtuseks v\u00f5is olla kas \"0\" v\u00f5i \"1\" (vastavalt \"Mitteaktiivne\" ja \"Aktiivne\"). K\u00f5ik oleks h\u00e4sti, kuid inimene on selline, et v\u00f5ib m\u00f5nda aega aktiivselt kasutada, seej\u00e4rel aga j\u00e4\u00e4da kuuks ajaks mitteaktiivseks \u2014 ta on haigena, reisib teise riiki puhkama v\u00f5i katsetab hoopis teise panga kaarti. V\u00f5ib-olla hakkab ta p\u00e4rast pikka mitteaktiivsuse perioodi uuesti panga teenuseid kasutama.<\/p>\n<p>Seet\u00f5ttu otsustasime nimetada mitteaktiivsuse perioodiks teatud katkematu ajavahemiku, mille jooksul tema flag oli seatud \"0\". <\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKliendid muudavad mitteaktiivsed aktiivseteks p\u00e4rast erineva pikkusega mitteaktiivsuse perioode. Meil on v\u00f5imalus arvutada empiirilise suuruse \"mitteaktiivsuse perioodide usaldusv\u00e4\u00e4rsus\" \u2014 ehk t\u00f5en\u00e4osus, et inimene hakkab uuesti panga tooteid kasutama p\u00e4rast ajutist mitteaktiivsust. <\/p>\n<p>N\u00e4iteks, siin diagrammil on kujutatud klientide aktiivsuse taastumist (ACTIVE_FLAG=1) p\u00e4rast mitut kuud mitteaktiivsust (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSiin t\u00e4psustame andmestikku, millega hakkasime t\u00f6\u00f6tama. Pangaklient andis 19 kuu kokkuv\u00f5tete andmed j\u00e4rgmistes tabelites:<\/p>\n<ul>\n<li>\"Aktiivsus\" \u2014 kliendi kuised tehingud (kaardiga, internetipangas ja mobiilipangas), sealhulgas palkade laekumised ja teave k\u00e4ivete kohta.<\/li>\n<li>\"Kaardid\" \u2014 andmed k\u00f5ikide kaartide kohta, mis kliendil on, koos \u00fcksikasjaliku hinnakirjaga.<\/li>\n<li>\u201eLepingud\u201c \u2013 teave kliendi lepingute kohta (nii avatud kui suletud): laenud, hoiused ja muu, iga\u00fche parameetritega.<\/li>\n<li>\u201eKliendid\u201c \u2013 demograafiliste andmete kogum (sugu ja vanus) ning kontaktandmete olemasolu.<\/li>\n<\/ul>\n<p>\nMeie t\u00f6\u00f6s vajati k\u00f5iki tabeleid, v\u00e4lja arvatud \u201eKaardid\u201c. <\/p>\n<p>Siin oli keerukus veel selles, et need andmed ei n\u00e4idanud, milline tegevus kaardiga toimus. Me saime aru, kas tehingud toimusid v\u00f5i mitte, kuid nende t\u00fc\u00fcpi m\u00e4\u00e4ramine oli juba keeruline. Seet\u00f5ttu ei olnud selge, kas klient v\u00f5ttis sularaha, sai palka v\u00f5i kasutas raha ostude jaoks. Ja meil ei olnud ka konto saldode andmeid, mis oleks olnud kasulikud. <\/p>\n<p>Valimine oli mittekatkestamata \u2013 selle l\u00f5ike jaoks ei olnud pank 19 kuu jooksul teinud mingeid katseid klientide hoidmiseks ja lahkumise v\u00e4hendamiseks.<\/p>\n<p>Nii et n\u00fc\u00fcd r\u00e4\u00e4gime mitteaktiivsuse perioodidest.<\/p>\n<p>Lahkumise m\u00e4\u00e4ratlemiseks tuleb valida mitteaktiivsuse periood. Selleks, et luua lahkumise prognoos kindlal hetkel, <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, peab olema kliendi ajalugu v\u00e4hemalt 3 kuud antud ajavahemikus. <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>Meie ajalugu oli piiratud 19 kuuga, seet\u00f5ttu otsustasime v\u00f5tta mitteaktiivsuse perioodiks 6 kuud, kui see on olemas. Kvaliteetse prognoosi jaoks v\u00f5tsime minimaalperioodiks 3 kuud. Numbrid 3 ja 6 kuud p\u00f5hinevad empiiriliselt antud klientide k\u00e4itumise anal\u00fc\u00fcsil.<\/p>\n<p>Lahkumise m\u00e4\u00e4ratlesime j\u00e4rgmiselt: kliendi lahkumise kuu <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> on esimene kuu, mil ACTIVE_FLAG=0, kus alates sellest kuust on ACTIVE_FLAG v\u00e4ljal j\u00e4rjest v\u00e4hemalt kuus nulli. Teisis\u00f5nu, kuu, mil klient oli 6 kuud mitteaktiivne. <\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Lahkunud klientide arv<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>J\u00e4\u00e4nud klientide arv<\/i><\/p>\n<h2>Kuidas tavaliselt p\u00fcstitada lahkumisprognoosi<\/h2>\n<p>\nSarnastes v\u00f5istlustes ja praktikas prognoositakse lahkumist sageli sellisel viisil. Klient kasutab tooteid ja teenuseid erinevates ajavahemikes, tema suhtluse andmed esitatakse fikseeritud pikkusega tunnuste vektorina n. Enamasti sisaldavad need andmed:<\/p>\n<ul>\n<li>Kliendi iseloomustavad andmed (demograafilised andmed, turunduse segment).<\/li>\n<li>Panga toodete ja teenuste kasutamise ajalugu (need on tegevused, mis on alati seotud konkreetse aja v\u00f5i soovitud ajavahemiku perioodiga).<\/li>\n<li>V\u00e4listeavet, kui seda on \u00f5nnestunud hankida \u2014 n\u00e4iteks sotsiaalmeedia arvustused.<\/li>\n<\/ul>\n<p>\nJa alles p\u00e4rast seda antakse igale \u00fclesandele v\u00e4lja lahendus klientide lahkumise m\u00e4\u00e4ratlemiseks. Seej\u00e4rel kasutatakse masin\u00f5ppe algoritmi, mis ennustab kliendi lahkumise t\u00f5en\u00e4osust <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> tuginedes tegurite vektorile <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>. Algoritmi treenimiseks kasutatakse \u00fchte tuntud otsustuspuude ansamblite raamistikku, <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> v\u00f5i nende modifikatsioone. <\/p>\n<p>Isegi algoritm on hea, kuid just klienditeeninduse prognoosimise osas on tal mitmeid t\u00f5siseid puudusi.<\/p>\n<ul>\n<li><b>Talle ei meeldi nn \u201em\u00e4lu\u201d<\/b>. Mudelile edastatakse etteantud arv tunnuseid, mis vastavad praegusele ajahetkele. Ajaloo teabe sisestamiseks muudatuste kohta on vajalik arvutada erilisi tunnuseid, mis iseloomustavad parameetrite muutusi ajas, n\u00e4iteks pangatehingute arvu v\u00f5i summa viimase 1, 2, 3 kuu jooksul. Selline l\u00e4henemine v\u00f5ib vaid osaliselt peegeldada ajaliselt muutuvate andmete olemust. <\/li>\n<li><b>M\u00e4\u00e4ratud prognoosihorisont.<\/b> Mudel suudab prognoosida klienditeeninduse lahkumist ainult eelnevalt m\u00e4\u00e4ratud ajavahemikuks, n\u00e4iteks kuu aja prognoosiks. Kui on vajalik prognoos teise ajavahemiku kohta, n\u00e4iteks kolme kuu kohta, siis tuleb \u00fcmber ehitada treenimisn\u00e4idist ja uut mudelit uuesti treenida. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Meie l\u00e4henemine<\/h2>\n<p>\nOtsustasime kohe, et ei kasuta standardseid l\u00e4henemisi. Meie k\u00f5rval registreerus meistriv\u00f5istlustel veel 497 osalejat, kellest iga\u00fchel oli muljetavaldav kogemus. Seega sellistes tingimustes standardse skeemi j\u00e4rgimine \u2014 ei ole parim idee.<\/p>\n<p>Ja hakkasime lahendama mudeli binaarse klassifitseerimisega seotud probleeme, kasutades kliendi lahkumise t\u00f5en\u00e4osuse jaotuse prognoosimist. Sarnast l\u00e4henemist saab vaadata <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">siin<\/a><\/noindex>, see v\u00f5imaldab paindlikumalt prognoosida lahkumist ja testida keerukamaid h\u00fcpoteese kui klassikaline l\u00e4henemine. Lahkumise aja modelleerimise jaotuste haru valisime <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\">Weibulli<\/a><\/noindex> selle laialdase rakendamise p\u00e4rast elluj\u00e4\u00e4mise anal\u00fc\u00fcsis. Kliendi k\u00e4itumist v\u00f5ib vaadelda kui mingisugust elluj\u00e4\u00e4mist. <\/p>\n<p>Siin on n\u00e4ited Weibulli t\u00f5en\u00e4osusjaotuste jaotumisest s\u00f5ltuvalt parameetritest. <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> ja <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSee on kolmest erinevast kliendist kliendi lahkumise t\u00f5en\u00e4osuse jaotuse tihedus ajas. Aeg on esitatud kuudes. Teisis\u00f5nu, see graafik n\u00e4itab, millal on k\u00f5ige t\u00f5en\u00e4olisem, et klient lahkub j\u00e4rgmise kahe kuu jooksul. Nagu n\u00e4ha, on kliendil, kellel on jaotus, suurem potentsiaal lahkuda varem kui klientidel, kellel on Weibulli jaotused (2, 0,5) ja Weibulli jaotused (3,1). <\/p>\n<p>Tulemusena saadakse mudel, mis iga kliendi jaoks igaks<br \/>\nkuuks prognoosib Weibulli jaotuse parameetreid, mis k\u00f5ige paremini peegeldavad lahkumise t\u00f5en\u00e4osuse tekkimist aja jooksul. T\u00e4iendavalt: <\/p>\n<ul>\n<li>Sihtm\u00e4rkide tunnused koolituskogumis \u2014 aeg, mis on j\u00e4\u00e4nud lahkumiseni konkreetse kuu jooksul konkreetse kliendi jaoks.<\/li>\n<li>Kui kliendi lahkumise n\u00e4itajat pole, eeldame, et lahkumise aeg on suurem kui kuude arv alates praegusest hetkest kuni olemasoleva ajalooga.<\/li>\n<li>Kasutatav mudel: rekurssne n\u00e4rviv\u00f5rk LSTM-kihiga.<\/li>\n<li>Kahjufunktsioonina kasutame Weibulli jaotuse negatiivset logaritmilist t\u00f5en\u00e4osusfunktsiooni.<\/li>\n<\/ul>\n<p>\nSiin on meetodi plussid: <\/p>\n<ul>\n<li>T\u00f5en\u00e4osusjaotus, lisaks ilmselgele v\u00f5imalusele binaarseks klassifitseerimiseks, v\u00f5imaldab paindlikult prognoosida erinevaid s\u00fcndmusi, n\u00e4iteks kas klient l\u00f5petab panga teenuste kasutamise kolme kuu jooksul. Samuti saab seda jaotust kasutada erinevate n\u00e4itajate keskmistamiseks, kui see on vajalik.<\/li>\n<li>Rekurssne n\u00e4rviv\u00f5rk LSTM-l on m\u00e4lu ja see kasutab t\u00f5husalt kogu olemasolevat ajalugu. Ajaloo laiendamise v\u00f5i t\u00e4psustamise korral t\u00e4psus suureneb.<\/li>\n<li>Seda l\u00e4henemist saab probleemideta skaleerida ajavahemike jaotamisel v\u00e4iksemateks (n\u00e4iteks kuude jaotamine n\u00e4dalateks).<\/li>\n<\/ul>\n<p>\nKuid hea mudeli loomine ei piisa, tuleb ka \u00f5ige kvaliteet hindamine.<\/p>\n<h2>Kuidas kvaliteeti hinnati<\/h2>\n<p>\nKvaliteedi m\u00f5\u00f5dikuks valisime Lift Curve. Seda kasutatakse \u00e4ritegevuses sarnastes olukordades selle arusaadava t\u00f5lgendamise t\u00f5ttu, see on h\u00e4sti kirjeldatud <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">siit<\/a><\/noindex> ja <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">siin<\/a><\/noindex>. Kui selle m\u00f5\u00f5diku t\u00e4hendust \u00fches lauses describeerida, siis see k\u00f5laks \"Mitu korda algoritm teeb paremat prognoosi esimestel <img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>% v\u00f5rreldes juhusliku valikuga.\" <\/p>\n<h2>Treeni mudeleid.<\/h2>\n<p>\nKonkurentsi tingimustes ei olnud kindlat kvaliteedimeetrit, mille alusel oleks v\u00f5imalik v\u00f5rrelda erinevaid mudeleid ja l\u00e4henemisviise. Veelgi enam, lahkumise m\u00f5isted v\u00f5ivad olla erinevad ja s\u00f5ltuda \u00fclesande m\u00e4\u00e4ratlemisest, mille omakorda m\u00e4\u00e4ravad \u00e4rieesm\u00e4rgid. Seega, et m\u00f5ista, milline meetod on parem, koolitasime kahte mudelit:<\/p>\n<ol>\n<li>Sageli kasutatav l\u00e4henemine binaarse klassifitseerimisega, kasutades otsustuspuude ensemblese masin\u00f5ppe algoritmi (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Weibull-LSTM mudel<\/li>\n<\/ol>\n<p>\nTestigrupp koosnes 500 eelnevalt valitud kliendist, keda ei olnud koolitusgrupis. Mudeli jaoks tehti h\u00fcperparameetrite valimine klientide l\u00f5ikes l\u00e4bi ristvalideerimise. Iga mudeli koolitamiseks kasutati samu tunnuste komplekte. <\/p>\n<p>Arvestades, et mudel ei oma m\u00e4lu, kasutati selle jaoks spetsiaalseid tunnuseid, mis n\u00e4itasid \u00fche kuu parameetrite muutumise suhet viimase kolme kuu keskmise v\u00e4\u00e4rtusega. See iseloomustas viimase kolme kuu jooksul v\u00e4\u00e4rtuste muutumise kiirust. Ilma selleta oleks Random Forest baasil mudel eelnevalt ebasoodsas positsioonis v\u00f5rreldes Weibull-LSTM-iga.<\/p>\n<h2>Miks on LSTM Weibulli jaotuse p\u00f5hjal parem kui otsustuspuude ensemble'l p\u00f5hinev l\u00e4henemine <\/h2>\n<p>\nSiin on k\u00f5ik selgelt n\u00e4idatud paar pildi kaudu.<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Lift Curve'i v\u00f5rdlus klassikalise algoritmi ja Weibull-LSTM vahel<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Lift Curve'i metoodika v\u00f5rdlus kuude l\u00f5ikes klassikalise algoritmi ja Weibull-LSTM vahel<\/i><\/p>\n<p>\u00dcldiselt on LSTM peaaegu igas olukorras klassikalisest algoritmist parem.<\/p>\n<h2>Lahkumise ennustamine<\/h2>\n<p>\nWeibulli jaotuse p\u00f5hjal LSTM rakendatud korduva n\u00e4rviv\u00f5rgu mudel suudab lahkumist ette ennustada, n\u00e4iteks ennustada kliendi lahkumist j\u00e4rgmise n kuu jooksul. Vaatame juhtumit, kus n = 3. Sellisel juhul peab iga kuu n\u00e4rviv\u00f5rk \u00f5igesti m\u00e4\u00e4rama: kas klient lahkub alates j\u00e4rgmisest kuust kuni n-kuu jooksul. Teisis\u00f5nu, ta peab \u00f5igesti m\u00e4\u00e4rama, kas klient j\u00e4\u00e4b p\u00e4rast n kuud. Seda v\u00f5ib pidada eelnevaks prognoosiks: hetk, mil klient hakkab m\u00f5tlema lahkumisele. <\/p>\n<p>V\u00f5rreldame Weibull-LSTM Lift Curve'i 1, 2 ja 3 kuud enne lahkumist:<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOleme juba varem maininud, et olulised on ka prognoosid, mis on tehtud klientide kohta, kes on aktiivsest kasutusest m\u00f5neks ajaks v\u00e4lja langenud. Seet\u00f5ttu lisame siia valimisse olukorrad, kui lahkunud klient oli juba \u00fcks v\u00f5i kaks kuud mitteaktiivne, ja kontrollime, et Weibull-LSTM i suudaks sellised juhtumid \u00f5igesti lahus hoidmiseks klassifitseerida. Kuna sarnased juhtumid olid valimis olemas, siis ootame, et mudel suudab nendega h\u00e4sti hakkama saada:<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Klientide hoidmine<\/h2>\n<p>\nSee on tegelikult peamine, mida saate teha, kui teil on k\u00e4es teave, et teatud kliendid kavatsevad l\u00f5petada toote kasutamise. R\u00e4\u00e4kides mudeli loomisest, mis v\u00f5iks klientidele soovitada midagi, et neid hoida \u2014 seda ei saa teha, kui teil pole ajalooandmeid sarnaste h\u00e4sti l\u00f5ppenud katsete kohta.<\/p>\n<p>Meil sellist ajalugu ei olnud, seega otsustasime selle viisi.<\/p>\n<ol>\n<li>Loome mudeli, mis m\u00e4\u00e4ratleb iga kliendi huvitavad tooted.<\/li>\n<li>Igas kuus k\u00e4ivitame klassifitseerija ja m\u00e4\u00e4rame potentsiaalselt lahkuvad kliendid.<\/li>\n<li>M\u00f5nele kliendile pakume toodet vastavalt punktis 1 kirjeldatud mudelile ja salvestame oma tegevuse.<\/li>\n<li>M\u00f5ne kuu p\u00e4rast vaatame, kes neist potentsiaalselt lahkuvad klientidest on lahkunud ja kes on j\u00e4\u00e4nud. Nii moodustame \u00f5ppimisvalimi.<\/li>\n<li>Koolitame mudelit ajaloo pealt, mille saime punktis 4.<\/li>\n<li>Valikuline: kordame protseduuri, asendades punktis 1 toodud mudeli punktis 5 saadud mudeliga.<\/li>\n<\/ol>\n<p>\nA\/\u0411-testimise kaudu saab kontrollida sellise hoidmise kvaliteeti \u2014 jagame potentsiaalselt lahkuvad kliendid kaheks r\u00fchmaks. \u00dchele pakume tooteid meie hoidmisemudeli p\u00f5hjal, teisele ei paku me midagi. Otsustasime koolitada mudelit, mis v\u00f5iks kasu tuua juba meie n\u00e4ite punktis 1.<\/p>\n<p>Soovisime, et segmenteerimine oleks maksimaalselt t\u00f5lgendatav. Seet\u00f5ttu valisime m\u00f5ned omadused, mida oleks lihtne t\u00f5lgendada: tehingute koguarv, palk, konto koguvool, vanus, sugu. \u201eKaardid\u201c tabelist ei v\u00f5etud omadusi arvesse, kuna need on v\u00e4he informatiivsed, ja \u201eLepingud\u201c tabelist omadused \u2014 komplitseeritud t\u00f6\u00f6tlemise t\u00f5ttu, et v\u00e4ltida andmete lekkeid valideerimisja kohaliku v\u00e4ltimise vahel.<\/p>\n<p>Klastri loomine toimus Gaussiani segamudelite abil. Akaike teavet kriteerium aitas m\u00e4\u00e4rata 2 optimaalset lahendust. Esimene optimaalse lahendus vastab 1 klastrile. Teine, v\u00e4hem v\u00e4ljendunud, vastab 80 klastrile. Selle tulemuse p\u00f5hjal v\u00f5ib teha j\u00e4rgmise j\u00e4relduse: andmeid on \u00e4\u00e4rmiselt keeruline jagada klastriteks ilma eeloleva teabeta. Kvaliteetseks klasterdamiseks on vajalikud andmed, mis kirjeldavad iga kliendi \u00fcksikasjalikult.<\/p>\n<p>Seet\u00f5ttu vaadati \u00fcle juhendatud \u00f5ppe \u00fclesanne, et pakkuda igale kliendile tema toodet. Arvesse v\u00f5eti j\u00e4rgmised tooted: \u201eT\u00e4htajaline hoiustus\u201c, \u201eKrediitkaart\u201c, \u201e\u00dclekatte v\u00f5imalus\u201c, \u201eTarbijalaen\u201c, \u201eAutolaen\u201c, \u201eH\u00fcpokateka\u201c. <\/p>\n<p>Andmetes oli veel \u00fcks toote t\u00fc\u00fcp: \u201eJooksev konto\u201c. Kuid me ei vaadanud seda v\u00e4ikese informatiivsuse t\u00f5ttu. Panga klientide seas, kes pole l\u00f5petanud tema toodete kasutamist, ehitati mudel, mis ennustab, milline toode v\u00f5iks neid huvitada. Mudeliks valiti logistiline regressioon ning kvaliteedi hindamiseks kasutati Lift v\u00e4\u00e4rtust esimese 10 protsentiili jaoks. <\/p>\n<p>Mudeli kvaliteeti saab hinnata jooniselt.<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Toodete soovituste mudeli tulemused klientidele <\/i> <\/p>\n<h2>Kokkuv\u00f5te<\/h2>\n<p>\nSee l\u00e4henemine t\u00f5i meile esikoha \u201eAI panganduses\u201c nominatsioonis 2017. aasta RAIF-Challenge tehisintellekti v\u00f5istlusel.<\/p>\n<p><img decoding=\"async\" alt=\"Kuidas me prognoosisime v\u00e4ljavoolu, l\u00e4henedes sellele loodus\u00f5nnetusena\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nTundub, et peamine oli siiski probleemile l\u00e4heneda mitte k\u00f5ige tavalisemalt ja kasutada meetodit, mida tavaliselt kasutatakse teistes olukordades.<\/p>\n<p>Kuigi massiline kasutajate v\u00e4ljavool v\u00f5ib olla teenustele t\u00f5eline looduskatastroof.<\/p>\n<p>Seda meetodit saab rakendada ka igas muus valdkonnas, kus on oluline arvestada kasutajate v\u00e4ljavoolu, mitte ainult pankade puhul. N\u00e4iteks kasutasime seda ka meie enda v\u00e4ljavoolu arvutamiseks - Siberi ja Peterburi Rossotelecomi filiaalides.<\/p>\n<p><i>\u201eIntelligentse andmeanal\u00fc\u00fcsi labor\u201c ettev\u00f5te \u201eOtsinguportaal \u201eSputnik\u201c<\/i><br \/>\n<br \/>Allikas: <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\/et\/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=\"et_EE\" \/>\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\/et\/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\udd47Nagu me prognoosisime, l\u00e4henesime lahkumisele kui looduskatastroofile | ProHoster","description":"M\u00f5nikord, et lahendada mingisugust probleemi, tuleb lihtsalt vaadata sellele teisest k\u00fcljest.","canonical_url":"https:\/\/prohoster.info\/et\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"et_EE","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\/et\/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\/et\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}