{"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\/it\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>A volte, per risolvere un problema, \u00e8 sufficiente guardarlo da un'altra prospettiva. Anche se negli ultimi dieci anni problemi simili sono stati affrontati nello stesso modo con effetti diversi, non \u00e8 detto che questo sia l'unico approccio possibile.<\/p>\n<p>Esiste un fenomeno chiamato abbandono dei clienti. \u00c8 inevitabile, poich\u00e9 i clienti di qualsiasi azienda possono smettere di utilizzare i suoi prodotti o servizi per molteplici motivi. \u00c8 chiaro che, per un'azienda, l'abbandono, sebbene naturale, non \u00e8 un'azione desiderata; pertanto tutti cercano di minimizzare questo abbandono. Ancora meglio sarebbe prevedere la probabilit\u00e0 di abbandono per determinate categorie di utenti o per un singolo utente e suggerire delle strategie di fidelizzazione.<\/p>\n<p>Analizzare e cercare di trattenere il cliente, se possibile, \u00e8 fondamentale per almeno i seguenti motivi:<\/p>\n<ul>\n<li><b>attrarre nuovi clienti costa di pi\u00f9 rispetto a strategie di fidelizzazione.<\/b>Per attrarre nuovi clienti, \u00e8 generalmente necessario investire denaro (pubblicit\u00e0), mentre i clienti esistenti possono essere riattivati con offerte speciali e condizioni vantaggiose;<\/li>\n<li><b>comprendere le cause dell'abbandono dei clienti \u00e8 la chiave per migliorare prodotti e servizi.<\/b>.<\/li>\n<\/ul>\n<p>\nEsistono approcci standard per prevedere l'abbandono. Tuttavia, in uno dei campionati di intelligenza artificiale abbiamo deciso di provare a utilizzare la distribuzione di Weibull a questo scopo. Viene spesso utilizzata per l'analisi della sopravvivenza, la previsione del tempo, l'analisi dei disastri naturali, nell'ingegneria industriale e simili. La distribuzione di Weibull \u00e8 una funzione di distribuzione particolare, caratterizzata da due parametri. <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" 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=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>In generale, \u00e8 un argomento interessante, ma nel contesto della previsione dell'abbandono, e pi\u00f9 in generale in ambito fintech, non \u00e8 utilizzato cos\u00ec frequentemente. Nel seguito, racconteremo come noi (Laboratorio di analisi dei dati intelligenti) lo abbiamo fatto, conquistando nel contempo la medaglia d'oro al Campionato di intelligenza artificiale nella categoria \"AI nelle banche\".<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Sull'abbandono in generale<\/h2>\n<p>\nAnalizziamo un po' cosa significhi il churn dei clienti e perch\u00e9 sia cos\u00ec importante. Per il business, la base clienti \u00e8 fondamentale. In questa base arrivano nuovi clienti, ad esempio scoprendo un prodotto o un servizio tramite pubblicit\u00e0, utilizzano attivamente i prodotti per un certo periodo e poi smettono. Questo periodo \u00e8 chiamato \u00abCiclo di vita del cliente\u00bb (inglese: Customer Lifecycle) \u2014 un termine che descrive le fasi che attraversa un cliente, dalla conoscenza del prodotto, alla decisione d'acquisto, al pagamento, all'utilizzo e a diventare un consumatore fedele, fino a smettere di utilizzare i prodotti per vari motivi. Pertanto, il churn \u00e8 l'ultima fase del ciclo di vita del cliente, quando il cliente smette di utilizzare i servizi, e per l'azienda significa che il cliente non porta pi\u00f9 profitto n\u00e9 alcun beneficio. <\/p>\n<p>Ogni cliente di una banca \u00e8 una persona specifica che sceglie una carta bancaria in base alle proprie esigenze. Viaggia spesso \u2014 una carta con miglia \u00e8 utile. Fa molti acquisti \u2014 ecco, una carta con cashback. Acquista molto in negozi specifici \u2014 e per questo ci sono carte partner apposite. Certo, a volte la carta viene scelta anche in base al criterio \u00abCosto di gestione pi\u00f9 basso\u00bb. Insomma, ci sono molte variabili.<\/p>\n<p>Inoltre, una persona sceglie anche la banca \u2014 quale senso ha scegliere una carta di una banca la cui filiale \u00e8 presente solo a Mosca e nella sua regione, se si \u00e8 di Khabarovsk? Anche se la carta di quella banca fosse due volte pi\u00f9 conveniente, la presenza di filiali nelle vicinanze rimane un criterio importante. S\u00ec, il 2019 \u00e8 qui e il digitale \u00e8 il nostro tutto, ma alcuni problemi possono essere risolti presso le filiali di alcune banche. Inoltre, parte della popolazione si fida molto di pi\u00f9 di una banca fisica piuttosto che di un'app sullo smartphone, e questo va tenuto in considerazione.<\/p>\n<p>Di conseguenza, ci sono molte ragioni per cui una persona pu\u00f2 rifiutare i prodotti di una banca (o la banca stessa). Ha cambiato lavoro, e il piano della carta \u00e8 cambiato da \u00absalariale\u00bb a \u00abper persone comuni\u00bb, che \u00e8 meno conveniente. Si \u00e8 trasferito in un'altra citt\u00e0 dove non ci sono filiali della banca. Non \u00e8 piaciuto il dialogo con un operatore poco qualificato in filiale. Quindi, le ragioni per chiudere un conto possono essere anche molte di pi\u00f9 rispetto a quelle per utilizzare un prodotto.<\/p>\n<p>Inoltre, il cliente pu\u00f2 non solo esprimere esplicitamente la propria intenzione \u2014 recarsi in banca e scrivere una richiesta, ma anche semplicemente smettere di utilizzare i prodotti, senza rescindere il contratto. Per comprendere situazioni del genere, \u00e8 stata presa la decisione di utilizzare l'apprendimento automatico e l'intelligenza artificiale.<\/p>\n<p>Inoltre, il tasso di abbandono dei clienti pu\u00f2 verificarsi in qualsiasi settore (telecomunicazioni, fornitori di internet, compagnie assicurative, insomma, ovunque ci sia una base clienti e transazioni periodiche).<\/p>\n<h2>Cosa abbiamo fatto<\/h2>\n<p>\nPrima di tutto, era necessario definire un confine chiaro \u2014 da quale momento iniziamo a considerare un cliente come perso. Dal punto di vista della banca, che ci ha fornito i dati per lavorare, lo stato di attivit\u00e0 del cliente era binario: era attivo o non attivo. C'era un flag ACTIVE_FLAG nella tabella \"Attivit\u00e0\", il cui valore poteva essere \"0\" o \"1\" (rispettivamente \"Non attivo\" e \"Attivo\"). E tutto sarebbe andato bene, ma la natura umana \u00e8 tale che una persona pu\u00f2 utilizzare attivamente i servizi per un certo periodo, per poi diventare inattivo per un mese \u2014 malattia, vacanze in un altro paese, o addirittura testare la carta di un\u2019altra banca. E pu\u00f2 anche ricominciare a utilizzare i servizi della banca dopo un lungo periodo di inattivit\u00e0.<\/p>\n<p>Pertanto, abbiamo deciso di definire un periodo di inattivit\u00e0 come un intervallo continuativo di tempo durante il quale il flag veniva impostato su \"0\". <\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nI clienti passano da inattivi ad attivi dopo periodi di inattivit\u00e0 di diversa lunghezza. Abbiamo la possibilit\u00e0 di calcolare il grado della grandezza empirica \"affidabilit\u00e0 dei periodi di inattivit\u00e0\" \u2014 ovvero la probabilit\u00e0 che una persona riprenda a utilizzare i prodotti della banca dopo un'assenza temporanea. <\/p>\n<p>Ad esempio, in questo grafico \u00e8 rappresentato il ripristino dell'attivit\u00e0 (ACTIVE_FLAG=1) dei clienti dopo alcuni mesi di inattivit\u00e0 (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nQui andiamo a precisare un po' il set di dati con cui abbiamo iniziato a lavorare. Pertanto, la banca ha fornito informazioni aggregate per 19 mesi nelle seguenti tabelle:<\/p>\n<ul>\n<li>\"Attivit\u00e0\" \u2014 transazioni mensili dei clienti (tramite carte, in internet banking e mobile banking), incluse le buste paga e informazioni sui volumi.<\/li>\n<li>\"Carte\" \u2014 dati su tutte le carte in possesso del cliente, con una dettagliata rete tariffaria.<\/li>\n<li>\u00abContratti\u00bb \u2014 informazioni sui contratti dei clienti (sia aperti che chiusi): prestiti, depositi e altro, con l'indicazione dei parametri di ciascuno.<\/li>\n<li>\u00abClienti\u00bb \u2014 insieme di dati demografici (sesso e et\u00e0) e disponibilit\u00e0 di informazioni di contatto.<\/li>\n<\/ul>\n<p>\nPer il nostro lavoro abbiamo necessitato di tutte le tabelle, tranne \u00abCarte\u00bb. <\/p>\n<p>La complessit\u00e0 qui stava nel fatto che in questi dati la banca non indicava quale attivit\u00e0 fosse avvenuta sulle carte. Cio\u00e8 potevamo capire se ci fossero state transazioni o meno, ma non era possibile determinarne il tipo. Quindi non era chiaro se il cliente prelevasse contante, ricevesse uno stipendio o spendesse soldi per acquisti. Inoltre, non avevamo dati sui saldi dei conti, che sarebbero stati utili. <\/p>\n<p>Il campione stesso era non sfasato \u2014 in questo strato, per 19 mesi, la banca non ha intrapreso alcun tentativo di fidelizzare i clienti e ridurre il tasso di abbandono.<\/p>\n<p>Ecco quindi riguardo ai periodi di inattivit\u00e0.<\/p>\n<p>Per formulare una definizione di abbandono, \u00e8 necessario scegliere un periodo di inattivit\u00e0. Per creare una previsione di abbandono in un momento definito <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, \u00e8 necessario avere la storia dei clienti per almeno 3 mesi in intervallo <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>. Avevamo una storia limitata a 19 mesi, quindi abbiamo deciso di prendere un periodo di inattivit\u00e0 di 6 mesi, se presente. Per un periodo minimo per una previsione qualitativa abbiamo considerato 3 mesi. I numeri di 3 e 6 mesi sono stati presi empiricamente sulla base dell'analisi del comportamento di questi clienti.<\/p>\n<p>Abbiamo formulato la definizione di abbandono cos\u00ec: mese di abbandono del cliente <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> \u00e8 il primo mese con ACTIVE_FLAG=0, dove a partire da quel mese ci sono almeno sei zeri consecutivi nel campo ACTIVE_FLAG, in altre parole, il mese a partire dal quale il cliente \u00e8 stato inattivo per 6 mesi. <\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Numero di clienti che hanno lasciato<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Numero di clienti rimasti<\/i><\/p>\n<h2>Come si considera l'abbandono<\/h2>\n<p>\nIn queste competizioni, e in generale nella pratica, l'abbandono viene spesso previsto in questo modo. Il cliente utilizza prodotti e servizi in diversi momenti, i dati sulle interazioni con esso vengono presentati sotto forma di un vettore di caratteristiche di lunghezza fissa n. Di solito, queste informazioni includono:<\/p>\n<ul>\n<li>Dati caratterizzanti l'utente (dati demografici, segmento di mercato).<\/li>\n<li>Storia dell'utilizzo di prodotti e servizi bancari (si tratta di azioni dei clienti, sempre legate a un tempo specifico o a un periodo dell'intervallo necessario).<\/li>\n<li>Dati esterni, se ottenuti, come ad esempio le recensioni dai social media.<\/li>\n<\/ul>\n<p>\nE solo dopo viene fornita una definizione del churn, specifica per ciascun obiettivo. Viene quindi utilizzato un algoritmo di apprendimento automatico che prevede la probabilit\u00e0 che un cliente abbandoni. <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> basato su un insieme di fattori. <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>Per addestrare l'algoritmo viene utilizzato uno dei noti framework per la creazione di ensemble di alberi decisionali, <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 le loro modifiche. <\/p>\n<p>Di per s\u00e9, l'algoritmo non \u00e8 male, ma ha diversi seri svantaggi, specialmente nel prevedere il churn.<\/p>\n<ul>\n<li><b>Non possiede la cosiddetta \"memoria\".<\/b>Il modello riceve un numero specifico di caratteristiche, che corrispondono al momento attuale. Per includere informazioni sulla storia di cambiamento dei parametri, \u00e8 necessario calcolare caratteristiche speciali che descrivono le variazioni dei parametri nel tempo, ad esempio il numero o la somma delle transazioni bancarie negli ultimi 1, 2 o 3 mesi. Questo approccio pu\u00f2 riflettere solo parzialmente la natura delle variazioni temporali. <\/li>\n<li><b>Orizzonte di previsione fisso.<\/b> Il modello \u00e8 in grado di prevedere il churn dei clienti solo per un intervallo di tempo precedentemente definito, ad esempio, una previsione per un mese. Se \u00e8 necessaria una previsione per un altro intervallo di tempo, ad esempio tre mesi, \u00e8 necessario ricostruire il campione di addestramento e riaddestrare il nuovo modello. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Il nostro approccio<\/h2>\n<p>\nAbbiamo deciso fin da subito che non avremmo utilizzato approcci standard. Al campionato si sono iscritti 497 partecipanti oltre a noi, ognuno dei quali aveva una notevole esperienza. Pertanto, cercare di fare qualcosa secondo le modalit\u00e0 standard in tali condizioni non \u00e8 una buona idea.<\/p>\n<p>E abbiamo iniziato a risolvere i problemi legati al modello di classificazione binaria prevedendo la distribuzione probabilistica del tempo di churn dei clienti. Questo approccio pu\u00f2 essere visto <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">qui<\/a><\/noindex>, consente di prevedere il churn in modo pi\u00f9 flessibile e di verificare ipotesi pi\u00f9 complesse rispetto all'approccio classico. Abbiamo scelto come famiglia di distribuzioni che modellano il tempo di churn la distribuzione <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> per il suo ampio utilizzo nell'analisi della sopravvivenza. Il comportamento del cliente pu\u00f2 essere visto come una sorta di sopravvivenza. <\/p>\n<p>Ecco alcuni esempi di distribuzioni di densit\u00e0 di probabilit\u00e0 di Weibull in base ai parametri <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nQuesta \u00e8 la densit\u00e0 di distribuzione di probabilit\u00e0 dei tassi di abbandono di tre diversi clienti nel tempo. Il tempo \u00e8 rappresentato in mesi. In altre parole, questo grafico mostra quando \u00e8 pi\u00f9 probabile che un cliente abbandoni nei prossimi due mesi. Come si pu\u00f2 vedere, il cliente con la distribuzione ha un potenziale maggiore di abbandonare prima rispetto ai clienti con le distribuzioni Weibull(2, 0.5) e Weibull(3,1). <\/p>\n<p>Alla fine si ottiene un modello che per ogni cliente predice per ogni<br \/>\nmese i parametri della distribuzione di Weibull, che riflettono meglio l\u2019arrivo della probabilit\u00e0 di abbandono nel tempo. Se approfondiamo: <\/p>\n<ul>\n<li>Le caratteristiche target nel campione di addestramento sono il tempo rimanente prima dell\u2019abbandono in un determinato mese per un determinato cliente.<\/li>\n<li>Se non abbiamo il dato di abbandono per un cliente, assumiamo che il tempo di abbandono sia maggiore del numero di mesi che intercorrono dall\u2019attuale fino alla fine della storia in nostro possesso.<\/li>\n<li>Modello utilizzato: rete neurale ricorrente con strato LSTM.<\/li>\n<li>Come funzione di perdita utilizziamo la funzione di logaritmo negativo della verosimiglianza per la distribuzione di Weibull.<\/li>\n<\/ul>\n<p>\nEcco i vantaggi di questo metodo: <\/p>\n<ul>\n<li>La distribuzione probabilistica, oltre all'evidente possibilit\u00e0 di classificazione binaria, consente di prevedere eventi diversi in modo flessibile, ad esempio se un cliente smetter\u00e0 di utilizzare i servizi bancari entro 3 mesi. Inoltre, se necessario, \u00e8 possibile mediare diverse metriche in base a questa distribuzione.<\/li>\n<li>La rete neurale ricorrente LSTM ha memoria e utilizza efficacemente tutta la storia disponibile. Con l'espansione o la precisazione della storia, la precisione aumenta.<\/li>\n<li>L'approccio pu\u00f2 essere facilmente scalato suddividendo gli intervalli temporali in unit\u00e0 pi\u00f9 piccole (ad esempio, suddividendo i mesi in settimane).<\/li>\n<\/ul>\n<p>\nTuttavia, non basta creare un buon modello, \u00e8 necessario anche valutare correttamente la sua qualit\u00e0.<\/p>\n<h2>Come abbiamo valutato la qualit\u00e0<\/h2>\n<p>\nCome metrica abbiamo scelto il Lift Curve. Viene utilizzata nel business per casi simili grazie alla sua facile interpretazione, \u00e8 ben documentata. <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">qui<\/a><\/noindex> e <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">qui<\/a><\/noindex>. Se descriviamo il significato di questa metrica con una sola frase, risulta \"Di quanto il algoritmo fa previsioni migliori sui primi <img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>%, rispetto a un campione casuale.\" <\/p>\n<h2>Formiamo i modelli<\/h2>\n<p>\nNei termini della competizione non \u00e8 stata stabilita una metrica di qualit\u00e0 specifica per confrontare diversi modelli e approcci. Inoltre, la definizione di churn pu\u00f2 variare e pu\u00f2 dipendere dalla formulazione del problema, che a sua volta \u00e8 determinata dagli obiettivi aziendali. Pertanto, per comprendere quale metodo sia migliore, abbiamo addestrato due modelli:<\/p>\n<ol>\n<li>Un approccio spesso utilizzato \u00e8 la classificazione binaria con algoritmo di machine learning basato su un ensemble di alberi decisionali (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Modello Weibull-LSTM<\/li>\n<\/ol>\n<p>\nIl campione di test era composto da 500 clienti selezionati in anticipo, che non erano presenti nel campione di addestramento. Per il modello \u00e8 stata effettuata la selezione degli iperparametri utilizzando la validazione incrociata suddivisa per cliente. Per l'addestramento di ciascun modello sono stati utilizzati gli stessi set di caratteristiche. <\/p>\n<p>Poich\u00e9 il modello non ha memoria, sono state utilizzate caratteristiche speciali che mostrano come le variazioni dei parametri di un mese si confrontino con la media dei parametri degli ultimi tre mesi. Ci\u00f2 caratterizzava la velocit\u00e0 di variazione dei valori nell'ultimo periodo di tre mesi. Senza questo, il modello basato su Random Forest sarebbe in una posizione di svantaggio rispetto al Weibull-LSTM.<\/p>\n<h2>Perch\u00e9 LSTM con distribuzione di Weibull \u00e8 migliore rispetto all'approccio basato su un ensemble di alberi decisionali <\/h2>\n<p>\nQui tutto \u00e8 chiaro, letteralmente con un paio di immagini.<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Confronto della Lift Curve tra l'algoritmo classico e il Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Confronto della metrica Lift Curve mese per mese per l'algoritmo classico e il Weibull-LSTM<\/i><\/p>\n<p>In generale, LSTM supera l'algoritmo classico in quasi tutti i casi.<\/p>\n<h2>Previsione del churn<\/h2>\n<p>\nIl modello basato su una rete neurale ricorrente con celle LSTM e distribuzione di Weibull pu\u00f2 prevedere il churn in anticipo, ad esempio, prevedere l'abbandono di un cliente nei prossimi n mesi. Consideriamo il caso in cui n = 3. In questo caso, per ogni mese, la rete neurale deve identificare correttamente: se un cliente abbandoner\u00e0, iniziando dal mese successivo fino al mese n. In altre parole, deve determinare correttamente se il cliente rimarr\u00e0 alla scadenza di n mesi. Questo pu\u00f2 essere considerato una previsione anticipata: la previsione del momento in cui il cliente ha iniziato a pensare di andare via. <\/p>\n<p>Confrontiamo la Lift Curve per il Weibull-LSTM a 1, 2 e 3 mesi prima del churn:<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAbbiamo gi\u00e0 scritto sopra che sono importanti anche le previsioni fatte per i clienti che escono dall'attivit\u00e0 per un certo periodo. Perci\u00f2 aggiungeremo nella selezione i casi in cui un cliente che se n'\u00e8 andato \u00e8 gi\u00e0 stato inattivo da uno o due mesi, e verificheremo che il Weibull-LSTM classifichi correttamente tali casi come abbandono. Poich\u00e9 tali casi erano presenti nel campione, ci aspettiamo che la rete si comporti bene con essi:<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Fidelizzazione clienti<\/h2>\n<p>\nIn effetti, \u00e8 la cosa principale che si pu\u00f2 fare avendo informazioni su quali clienti stanno per smettere di utilizzare il prodotto. Parlando della costruzione di un modello capace di offrire qualcosa di utile per fidelizzare i clienti \u2014 non sar\u00e0 possibile farlo senza una storia di tentativi simili che siano risultati positivi.<\/p>\n<p>Non abbiamo avuto tale storia, quindi abbiamo deciso di procedere in questo modo.<\/p>\n<ol>\n<li>Costruiamo un modello che identifica prodotti interessanti per ogni cliente.<\/li>\n<li>Ogni mese eseguiamo il classificatore e identifichiamo i clienti potenzialmente in fuga.<\/li>\n<li>Offriamo un prodotto a parte dei clienti, secondo il modello di cui al punto 1, e memorizziamo le nostre azioni.<\/li>\n<li>Dopo alcuni mesi osserviamo chi tra questi clienti potenzialmente in fuga se n'\u00e8 andato e chi \u00e8 rimasto. In questo modo formiamo un campione di apprendimento.<\/li>\n<li>Addestriamo il modello sulla storia ottenuta nel punto 4.<\/li>\n<li>Facoltativamente, ripetiamo la procedura sostituendo il modello del punto 1 con il modello ottenuto nel punto 5.<\/li>\n<\/ol>\n<p>\nLa verifica della qualit\u00e0 di tale fidelizzazione pu\u00f2 essere effettuata attraverso un normale A\/B testing \u2014 suddividiamo i clienti potenzialmente in fuga in due gruppi. A uno offriamo prodotti basati sul nostro modello di fidelizzazione, all'altro non offriamo nulla. Abbiamo deciso di addestrare un modello che potesse essere utile gi\u00e0 al punto 1 del nostro esempio.<\/p>\n<p>Volevamo rendere la segmentazione il pi\u00f9 interpretabile possibile. A questo scopo abbiamo scelto diversi attributi che potessero essere facilmente interpretati: numero totale di transazioni, stipendio, fatturato totale del conto, et\u00e0, genere. Gli attributi dalla tabella \"Carte\" non sono stati presi in considerazione poich\u00e9 poco informativi, mentre gli attributi dalla tabella 3 \"Contratti\" sono stati esclusi a causa della complessit\u00e0 di elaborazione per evitare fuoriuscite di dati tra il campione di validazione e il campione di addestramento.<\/p>\n<p>La clusterizzazione \u00e8 stata effettuata mediante modelli di miscele gaussiane. Il criterio informativo di Akaike ha permesso di identificare 2 ottimizzazioni. La prima ottimizzazione corrisponde a 1 cluster. La seconda ottimizzazione, meno pronunciata, corrisponde a 80 cluster. Da questo risultato si pu\u00f2 trarre la seguente conclusione: i dati sono estremamente difficili da separare in cluster senza informazioni a priori. Per una clusterizzazione di qualit\u00e0 superiore sono necessari dati che descrivano dettagliatamente ogni cliente.<\/p>\n<p>Pertanto \u00e8 stata considerata la questione dell'apprendimento supervisionato, per offrire a ciascun cliente il proprio prodotto. Sono stati considerati i seguenti prodotti: \"Deposito a termine\", \"Carta di credito\", \"Overdraft\", \"Prestito al consumo\", \"Prestito auto\", \"Mutuo\". <\/p>\n<p>Nei dati era presente un altro tipo di prodotto: \"Conto corrente\". Tuttavia, non l'abbiamo considerato a causa della scarsa informativit\u00e0. Per gli utenti che sono clienti della banca, ossia non hanno interrotto l'uso dei suoi prodotti, \u00e8 stato costruito un modello che prevede quale prodotto potrebbe interessarli. \u00c8 stata scelta la regressione logistica come modello, e il Lift per i primi 10 percentili \u00e8 stato utilizzato come metrica per la valutazione della qualit\u00e0. <\/p>\n<p>La qualit\u00e0 del modello pu\u00f2 essere valutata nel grafico.<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Risultati del modello di raccomandazione dei prodotti per i clienti <\/i> <\/p>\n<h2>Risultato<\/h2>\n<p>\nQuesto approccio ci ha permesso di conquistare il primo posto nella categoria \"AI nelle banche\" durante il Campionato AI RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Come abbiamo previsto il turnover, affrontandolo come una catastrofe naturale\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nProbabilmente, \u00e8 stato fondamentale affrontare il problema da un'angolazione non convenzionale e utilizzare un metodo normalmente impiegato per altre situazioni.<\/p>\n<p>Sebbene un'uscita di massa degli utenti possa presentarsi come una vera e propria calamit\u00e0 per i servizi.<\/p>\n<p>Questo metodo pu\u00f2 essere preso in considerazione anche in altri settori dove \u00e8 importante considerare l'abbandono, non solo nel settore bancario. Ad esempio, lo abbiamo utilizzato anche per calcolare il nostro tasso di abbandono \u2014 nelle filiali di Siberia e San Pietroburgo di Rostelecom.<\/p>\n<p><i>\"Laboratorio di analisi intellettuale dei dati\" della compagnia \"Portale di ricerca Sputnik\"<\/i><br \/>\n<br \/>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/rostelecom\/blog\/444694\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c. \u0414\u0430\u0436\u0435 \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043b\u0435\u0442 10 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0435\u0448\u0430\u043b\u0438 \u043e\u0434\u043d\u0438\u043c \u0438 \u0442\u0435\u043c \u0436\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u044d\u0444\u0444\u0435\u043a\u0442\u043e\u043c, \u043d\u0435 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u044d\u0442\u043e\u0442 \u0441\u043f\u043e\u0441\u043e\u0431 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439. \u0415\u0441\u0442\u044c \u0442\u0430\u043a\u0430\u044f \u0442\u0435\u043c\u0430, \u043a\u0430\u043a \u043e\u0442\u0442\u043e\u043a \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432. \u0428\u0442\u0443\u043a\u0430 \u043d\u0435\u0438\u0437\u0431\u0435\u0436\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043a\u043b\u0438\u0435\u043d\u0442\u044b \u043b\u044e\u0431\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u0432\u0437\u044f\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-30044","post","type-post","status-publish","format-standard","hentry"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\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\/it\/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\udd47Come abbiamo previsto l'abbandono, affrontandolo come una calamit\u00e0 | ProHoster","description":"A volte, per risolvere un problema, basta semplicemente guardarlo da un'altra prospettiva.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","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\/it\/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\/it\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}