{"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 prevedevamo l'uscita, affrontandola come una calamit\u00e0 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 risolti nello stesso modo con effetti diversi, non \u00e8 detto che questo metodo sia l'unico possibile.<\/p>\n<p>C'\u00e8 un argomento chiamato abbandono dei clienti. \u00c8 una cosa inevitabile, perch\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 l'azione pi\u00f9 desiderabile, quindi tutti cercano di minimizzare il tasso di abbandono. Ancor meglio sarebbe prevedere la probabilit\u00e0 di abbandono di una certa categoria di utenti, o di un utente specifico, e proporre alcune misure di retention.<\/p>\n<p>Analizzare e cercare di mantenere il cliente, se possibile, \u00e8 importante per almeno le seguenti ragioni:<\/p>\n<ul>\n<li><b>acquisire nuovi clienti \u00e8 pi\u00f9 costoso rispetto alle misure di retention<\/b>. L'acquisizione di nuovi clienti richiede solitamente una certa somma di denaro (pubblicit\u00e0), mentre ai clienti esistenti si pu\u00f2 offrire un incentivo speciale con condizioni vantaggiose;<\/li>\n<li><b>Comprendere le ragioni della perdita di clienti \u00e8 fondamentale per migliorare prodotti e servizi<\/b>.<\/li>\n<\/ul>\n<p>\nEsistono approcci standard per prevedere il tasso di abbandono. Ma a uno dei campionati di intelligenza artificiale abbiamo deciso di sperimentare la distribuzione di Weibull. Viene comunemente utilizzata per analisi di sopravvivenza, previsioni meteorologiche, analisi di disastri naturali, ingegneria industriale e simili. La distribuzione di Weibull \u00e8 una funzione di distribuzione speciale, parametrizzata da due parametri <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 non \u00e8 frequentemente utilizzato per la previsione del tasso di abbandono, n\u00e9 in generale nel fintech. Ne parleremo sotto, raccontandovi come noi (Laboratorio di analisi intelligente dei dati) lo abbiamo fatto, conquistando nel contempo l'oro al Campionato di intelligenza artificiale nella categoria \"AI nelle banche\".<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Sul tasso di abbandono in generale<\/h2>\n<p>\nVediamo un po' cosa si intende per abbandono del cliente e perch\u00e9 \u00e8 cos\u00ec importante. Per un'azienda, la base clienti \u00e8 fondamentale. In questa base entrano nuovi clienti, ad esempio, venendo a conoscenza di un prodotto o servizio tramite la pubblicit\u00e0, utilizzano attivamente i prodotti per un certo periodo e, dopo un po', smettono di farlo. Questo periodo \u00e8 definito \"Ciclo di vita del cliente\" (in inglese, Customer Lifecycle) \u2014 un termine che descrive le fasi che un cliente attraversa quando scopre un prodotto, prende una decisione d'acquisto, paga, utilizza e diventa un consumatore fedele, per poi smettere di utilizzarlo per vari motivi. Di conseguenza, l'abbandono rappresenta la fase finale del ciclo di vita del cliente, quando il cliente smette di usufruire dei servizi, il che significa che per l'azienda il cliente ha smesso di generare profitto e qualsiasi tipo di valore. <\/p>\n<p>Ogni cliente della banca \u00e8 una persona concreta, che sceglie una carta bancaria specifica in base alle proprie esigenze. Se viaggi spesso, potrebbe servirti una carta con punti. Se fai molti acquisti, ecco una carta con cashback. E se acquisti spesso in negozi specifici, ci sono carte dedicate per questo. Certo, a volte si sceglie anche in base al criterio \"Il servizio pi\u00f9 economico\". In sostanza, ci sono molte variabili da considerare.<\/p>\n<p>Inoltre, la scelta della banca \u00e8 fondamentale: quale senso ha scegliere la carta di una banca che ha filiali solo a Mosca e nei dintorni, quando sei a Chabarovsk? Anche se la carta di quella banca fosse due volte pi\u00f9 vantaggiosa, la presenza di filiali nelle vicinanze resta un criterio importante. S\u00ec, il 2019 \u00e8 gi\u00e0 qui e il digitale \u00e8 il nostro tutto, ma alcune questioni con alcune banche possono essere risolte solo in filiale. Inoltre, una parte della popolazione ripone maggiore fiducia in una banca fisica piuttosto che in un'app sullo smartphone, e anche questo fattore deve essere considerato.<\/p>\n<p>Di conseguenza, ci possono essere molteplici motivi per cui una persona decide di rinunciare ai prodotti di una banca (o alla banca stessa). Ha cambiato lavoro e il piano della carta \u00e8 passato da 'salariale' a 'per i comuni mortali', che \u00e8 meno vantaggioso. Si \u00e8 trasferito in un'altra citt\u00e0, dove non ci sono filiali della banca. Non gli \u00e8 piaciuto il rapporto con un operatore poco qualificato in filiale. In altre parole, i motivi per chiudere un conto possono essere molto pi\u00f9 numerosi rispetto a quelli per utilizzare un prodotto.<\/p>\n<p>Inoltre, un cliente pu\u00f2 non solo esprimere esplicitamente la sua intenzione \u2014 recarsi in banca e scrivere una richiesta, ma semplicemente smettere di utilizzare i prodotti, senza rescindere il contratto. \u00c8 per comprendere situazioni simili che si \u00e8 deciso di utilizzare l'apprendimento automatico e l'IA.<\/p>\n<p>Inoltre, il tasso di abbandono dei clienti pu\u00f2 verificarsi in qualsiasi settore (telecomunicazioni, fornitori di servizi 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, \u00e8 stata necessaria una chiara definizione del momento in cui iniziamo a considerare un cliente come inattivo. Dal punto di vista della banca che ci ha fornito i dati per l'analisi, lo stato di attivit\u00e0 del cliente era binario: o era attivo o no. 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 un essere umano pu\u00f2 utilizzare attivamente i servizi per un certo periodo e poi diventare inattivo per un mese \u2014 malattia, viaggio all'estero per vacanza, o addirittura provare una carta di un'altra banca. O, dopo un lungo periodo di inattivit\u00e0, pu\u00f2 iniziare a utilizzare nuovamente i servizi della banca.<\/p>\n<p>Pertanto, abbiamo deciso di definire un periodo di inattivit\u00e0 come un intervallo continuo di tempo in cui il flag per lui veniva impostato come \"0\". <\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nI clienti passano da uno stato inattivo a uno attivo dopo periodi di inattivit\u00e0 di diversa lunghezza. Abbiamo l'opportunit\u00e0 di calcolare il grado della grandezza empirica \"affidabilit\u00e0 dei periodi di inattivit\u00e0\" \u2014 ovvero la probabilit\u00e0 che una persona ricominci a utilizzare i prodotti bancari dopo un periodo di inattivit\u00e0 temporanea. <\/p>\n<p>Ad esempio, in questo grafico \u00e8 mostrato 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 prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nQui specificeremo leggermente il set di dati con cui abbiamo iniziato a lavorare. Quindi, 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, internet banking e mobile banking), inclusi gli accrediti degli stipendi e informazioni sui volumi.<\/li>\n<li>\"Carte\" \u2014 dati su tutte le carte del cliente, con dettagli sulla struttura tariffaria.<\/li>\n<li>\"Contratti\" \u2014 informazioni sui contratti del cliente (sia aperti che chiusi): prestiti, depositi e altro, con indicazione dei parametri di ciascuno.<\/li>\n<li>\"Clienti\" \u2014 un insieme di dati demografici (sesso e et\u00e0) e disponibilit\u00e0 delle informazioni di contatto.<\/li>\n<\/ul>\n<p>\nPer il nostro lavoro abbiamo bisogno di tutte le tabelle tranne quella \"Carta\". <\/p>\n<p>La difficolt\u00e0 qui risiedeva nel fatto che la banca non specificava quale tipo di attivit\u00e0 avesse avuto luogo con le carte. Cio\u00e8, potevamo capire se ci fossero state transazioni, ma non potevamo determinare il loro tipo. Perci\u00f2 non era chiaro se il cliente prelevasse contante, ricevesse uno stipendio o se stesse spendendo soldi per acquisti. Inoltre, non avevamo dati sulle giacenze sui conti, il che sarebbe stato utile. <\/p>\n<p>Il campionamento stesso non era campionato \u2014 in questo intervallo di 19 mesi, la banca non ha fatto alcun tentativo di trattenere i clienti e minimizzare il dislocamento.<\/p>\n<p>A proposito dei periodi di inattivit\u00e0.<\/p>\n<p>Per formulare una definizione di dislocazione, \u00e8 necessario scegliere un periodo di inattivit\u00e0. Per creare una previsione di dislocazione in un determinato momento <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 nell'intervallo di <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>. La nostra storia era limitata a 19 mesi, quindi abbiamo deciso di considerare un periodo di inattivit\u00e0 di 6 mesi, se presente. E per il periodo minimo per una previsione qualitativa abbiamo preso 3 mesi. I numeri di 3 e 6 mesi sono stati scelti empiricamente sulla base dell'analisi del comportamento di questi clienti.<\/p>\n<p>Abbiamo definito il tasso di abbandono nel seguente modo: il mese di abbandono del cliente <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> \u00e8 il primo mese con ACTIVE_FLAG=0, in cui a partire da questo 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 prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Numero di clienti persi<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Numero di clienti rimanenti<\/i><\/p>\n<h2>Come si considera comunemente l'abbandono<\/h2>\n<p>\nIn competizioni simili e anche nella pratica, il tasso di abbandono viene spesso previsto in questo modo. Il cliente utilizza prodotti e servizi in diversi momenti, i dati sulle interazioni con lui vengono rappresentati come 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'uso di prodotti e servizi bancari (queste sono azioni dei clienti, sempre legate a un tempo specifico o a un periodo dell'intervallo necessario).<\/li>\n<li>Dati esterni, se riusciti a ottenere\u2014ad esempio, recensioni sui social media.<\/li>\n<\/ul>\n<p>\nE dopo di ci\u00f2, forniscono una definizione del churn, specifica per ogni compito. Utilizzano poi un algoritmo di machine learning che prevede la probabilit\u00e0 di abbandono del cliente. <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> sulla base del vettore di fattori. <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 costruzione 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 variazioni. <\/p>\n<p>L'algoritmo in s\u00e9 non \u00e8 male, ma presenta alcuni seri svantaggi, soprattutto nella previsione del churn.<\/p>\n<ul>\n<li><b>Non ha quella che viene chiamata 'memoria'.<\/b>Il modello riceve un determinato numero di caratteristiche che corrispondono al momento attuale. Per incorporare informazioni sulla storia delle variazioni dei parametri, \u00e8 necessario calcolare caratteristiche speciali che descrivono le variazioni nel tempo dei parametri, ad esempio il numero o la somma delle transazioni bancarie negli ultimi 1, 2, 3 mesi. Questo approccio pu\u00f2 riflettere solo parzialmente la natura dei cambiamenti nel tempo. <\/li>\n<li><b>Orizzonte di previsione fisso.<\/b> Il modello \u00e8 in grado di prevedere l'abbandono dei clienti solo per un intervallo di tempo predeterminato, ad esempio, una previsione per un mese. Se \u00e8 necessaria una previsione per un altro intervallo di tempo, ad esempio, tre mesi, \u00e8 necessario ristrutturare il campione di addestramento e riaddestrare un nuovo modello. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Il nostro approccio<\/h2>\n<p>\nAbbiamo deciso fin da subito di non utilizzare approcci standard. Al campionato si sono registrate altre 497 persone, ognuna delle quali aveva una solida esperienza alle spalle. Pertanto, cercare di adottare schemi standard in tali condizioni non \u00e8 affatto una buona idea.<\/p>\n<p>E abbiamo iniziato a risolvere i problemi legati al modello di classificazione binaria utilizzando la previsione della distribuzione probabilistica del tempo di abbandono dei clienti. Questo approccio consente di prevedere l'abbandono in modo pi\u00f9 flessibile e di testare ipotesi pi\u00f9 complesse rispetto a un approccio classico. <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">qui<\/a><\/noindex>, e consente di prevedere l'abbandono in modo pi\u00f9 flessibile e di testare ipotesi pi\u00f9 complesse rispetto a un approccio classico. Come famiglia di distribuzioni che modellano il tempo di abbandono, abbiamo scelto 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 considerato una sorta di sopravvivenza. <\/p>\n<p>Ecco esempi di distribuzioni di densit\u00e0 di probabilit\u00e0 di Weibull in base ai parametri <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 della probabilit\u00e0 di abbandono per tre diversi clienti nel tempo. Il tempo \u00e8 rappresentato in mesi. In altre parole, questo grafico mostra quando \u00e8 pi\u00f9 probabile che si verifichi l'abbandono di un cliente nei prossimi due mesi. Come si pu\u00f2 vedere, il cliente con la distribuzione ha un potenziale maggiore di andarsene prima rispetto ai clienti con le distribuzioni Weibull(2, 0.5) e Weibull(3,1). <\/p>\n<p>Ne risulta un modello che per ogni cliente, per ogni<br \/>\nmese, prevede i parametri della distribuzione di Weibull, che meglio riflettono l'emergere della probabilit\u00e0 di abbandono nel tempo. Per essere pi\u00f9 precisi: <\/p>\n<ul>\n<li>Le caratteristiche target nel set di addestramento sono il tempo rimanente fino all'abbandono in un mese specifico per un cliente specifico.<\/li>\n<li>Se il tasso di abbandono per un cliente non \u00e8 disponibile, si presume che il tempo di abbandono sia maggiore del numero di mesi che intercorrono dall'attuale fino alla fine della storia disponibile.<\/li>\n<li>Modello utilizzato: rete neurale ricorrente con strato LSTM.<\/li>\n<li>Come funzione di perdita utilizziamo la funzione logaritmica negativa della probabilit\u00e0 per la distribuzione di Weibull.<\/li>\n<\/ul>\n<p>\nEcco i vantaggi di questo metodo: <\/p>\n<ul>\n<li>La distribuzione di probabilit\u00e0, oltre alla sua chiara capacit\u00e0 di classificazione binaria, permette di prevedere eventi diversi in modo flessibile, come ad esempio se un cliente smetter\u00e0 di utilizzare i servizi di una banca entro 3 mesi. Inoltre, se necessario, vari metriche possono essere mediate utilizzando questa distribuzione.<\/li>\n<li>La rete neurale ricorrente LSTM ha memoria e utilizza efficacemente tutta la storia disponibile. Con l'espansione o il perfezionamento della storia, la precisione aumenta.<\/li>\n<li>L'approccio pu\u00f2 essere facilmente scalato suddividendo gli intervalli temporali in parti pi\u00f9 piccole (ad esempio, suddividendo i mesi in settimane).<\/li>\n<\/ul>\n<p>\nMa non basta creare un buon modello, \u00e8 necessario anche valutare adeguatamente la sua qualit\u00e0.<\/p>\n<h2>Come \u00e8 stata valutata la qualit\u00e0<\/h2>\n<p>\nCome metrica abbiamo scelto la Lift Curve. Viene utilizzata nel business in casi simili per la sua interpretazione chiara, ed \u00e8 ben descritta <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 dovessimo descrivere il significato di questa metrica in una frase, sarebbe \"Di quanto migliore \u00e8 la previsione dell'algoritmo nelle prime <img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>%, rispetto al caso casuale. <\/p>\n<h2>Formiamo modelli<\/h2>\n<p>\nLe condizioni della competizione non stabilivano una metrica specifica di qualit\u00e0 per confrontare diversi modelli e approcci. Inoltre, la definizione del concetto di abbandono pu\u00f2 variare e dipendere dall'impostazione del problema, che a sua volta \u00e8 fissata dagli obiettivi aziendali. Pertanto, per capire quale metodo sia migliore, abbiamo addestrato due modelli:<\/p>\n<ol>\n<li>Un approccio frequentemente utilizzato \u00e8 la classificazione binaria, impiegando un algoritmo di apprendimento automatico 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 set di addestramento. Per il modello, \u00e8 stata effettuata l'ottimizzazione degli iperparametri utilizzando la cross-validazione con suddivisione per cliente. Sono stati utilizzati set di caratteristiche identici per l'addestramento di ciascun modello. <\/p>\n<p>Poich\u00e9 il modello non dispone di memoria, sono state utilizzate caratteristiche specifiche che mostrano la relazione del cambiamento dei parametri di un mese rispetto al valore medio dei parametri negli ultimi tre mesi. Questi caratterizzavano la velocit\u00e0 di cambiamento dei valori nell'ultimo periodo di tre mesi. Senza questo, il modello basato su Random Forest sarebbe stato in una posizione di svantaggio rispetto a Weibull-LSTM.<\/p>\n<h2>Perch\u00e9 LSTM con distribuzione Weibull \u00e8 migliore rispetto all'approccio basato su un ensemble di alberi decisionali <\/h2>\n<p>\nQui tutto \u00e8 chiaro, bastano un paio di immagini.<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 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 Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Confronto della metrica Lift Curve mensile tra l'algoritmo classico e Weibull-LSTM<\/i><\/p>\n<p>In generale, LSTM supera l'algoritmo classico in quasi tutti i casi.<\/p>\n<h2>Predizione del churn<\/h2>\n<p>\nUn modello basato su una rete neurale ricorrente con celle LSTM e distribuzione Weibull pu\u00f2 prevedere l'abbandono in anticipo, per esempio, prevedere la partenza di un cliente nei prossimi n mesi. Consideriamo il caso per n = 3. In questo caso, per ogni mese, la rete neurale deve determinare correttamente se il cliente abbandoner\u00e0, a partire dal mese successivo fino al mese n. In altre parole, deve determinare correttamente se il cliente rimarr\u00e0 dopo n mesi. Questo pu\u00f2 essere considerato una previsione anticipata: prevedere il momento in cui un cliente ha appena iniziato a pensare di andarsene. <\/p>\n<p>Confrontiamo la Lift Curve per Weibull-LSTM a 1, 2 e 3 mesi prima dell'abbandono:<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAbbiamo gi\u00e0 scritto sopra che anche le previsioni fatte per i clienti che diventano inattivi per un certo periodo sono importanti. Pertanto, qui aggiungeremo al campione tali casi in cui un cliente che ha abbandonato \u00e8 gi\u00e0 stato inattivo per uno o due mesi, e verificheremo affinch\u00e9 Weibull-LSTM classifichi correttamente tali casi come abbandono. Poich\u00e9 tali casi erano presenti nel campione, ci aspettiamo che la rete li gestisca bene:<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Fidelizzazione dei clienti<\/h2>\n<p>\nIn effetti, \u00e8 questo il principale passo da compiere quando si ha l'informazione che determinati clienti stanno per smettere di utilizzare un prodotto. Parlando della costruzione di un modello che possa offrire qualcosa di utile ai clienti per trattenerli, non sar\u00e0 possibile farlo se non si ha una storia di tentativi che siano terminati bene.<\/p>\n<p>Noi non abbiamo avuto una tale storia, quindi abbiamo deciso di procedere in questo modo.<\/p>\n<ol>\n<li>Stiamo costruendo un modello che identifica i prodotti interessanti per ciascun cliente.<\/li>\n<li>Ogni mese eseguiamo il classificatore e identifichiamo i clienti potenzialmente in uscita.<\/li>\n<li>Offriamo un prodotto a una parte dei clienti, secondo il modello del punto 1, e registriamo le nostre azioni.<\/li>\n<li>Dopo alcuni mesi, verifichiamo quali di questi clienti potenzialmente in uscita se ne sono andati e quali sono rimasti. In questo modo formiamo il campione per l'addestramento.<\/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 quello ottenuto al punto 5.<\/li>\n<\/ol>\n<p>\nUn modo per verificare la qualit\u00e0 di tale retention pu\u00f2 essere il consueto A\/B testing: suddividiamo i clienti potenzialmente in uscita in due gruppi. A uno proponiamo prodotti basati sul nostro modello di retention, all'altro non proponiamo nulla. Abbiamo deciso di addestrare un modello che potrebbe essere utile gi\u00e0 al punto 1 del nostro esempio.<\/p>\n<p>Volevamo rendere la segmentazione il pi\u00f9 interpretabile possibile. Per questo motivo, abbiamo scelto alcune caratteristiche facilmente interpretabili: numero totale di transazioni, stipendio, fatturato totale del conto, et\u00e0, sesso. Non sono stati considerati i criteri nella tabella 'Carte' poich\u00e9 poco informativi, e quelli nella tabella 3 'Contratti' a causa della complessit\u00e0 di elaborazione per evitare perdite di dati tra il set di validazione e il set di addestramento.<\/p>\n<p>La clusterizzazione \u00e8 stata effettuata utilizzando i modelli di mistura gaussiana. Il criterio informativo di Akaike ha permesso di determinare 2 ottimi. Il primo ottimo corrisponde a 1 cluster. Il secondo ottimo, meno definito, corrisponde a 80 cluster. Da questo risultato si pu\u00f2 concludere che \u00e8 estremamente difficile separare i dati in cluster senza informazioni predefinite. Per una clusterizzazione di migliore qualit\u00e0 sono necessari dati che descrivano dettagliatamente ogni cliente.<\/p>\n<p>Pertanto, \u00e8 stata considerata la questione dell'apprendimento supervisionato per proporre a ciascun cliente un prodotto specifico. Sono stati presi in considerazione i seguenti prodotti: \"Deposito a termine\", \"Carta di credito\", \"Scoperto\", \"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. \u00c8 stato costruito un modello sui clienti della banca, ovvero coloro che non hanno smesso di utilizzare i suoi prodotti, per prevedere quale prodotto potrebbe interessarli. \u00c8 stata scelta la regressione logistica come modello e, per la valutazione della qualit\u00e0, \u00e8 stato utilizzato il valore di Lift per i primi 10 percentile. <\/p>\n<p>La qualit\u00e0 del modello pu\u00f2 essere valutata nella figura.<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Risultati del modello di raccomandazione di prodotti per i clienti <\/i> <\/p>\n<h2>Risultato<\/h2>\n<p>\nQuesto approccio ci ha permesso di ottenere il primo posto nella categoria \"AI nelle banche\" al Campionato di IA RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Come prevedevamo l&#039;uscita, affrontandola come una calamit\u00e0 naturale\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSembra che l'importante fosse avvicinarsi al problema da una prospettiva non convenzionale e utilizzare un metodo solitamente impiegato in altre situazioni.<\/p>\n<p>Tuttavia, un'imponente fuga di utenti pu\u00f2 rappresentare una vera e propria calamit\u00e0 per i servizi.<\/p>\n<p>Questo metodo pu\u00f2 essere utile anche in altri settori in cui l'analisi del churn \u00e8 importante, non solo nelle banche. Ad esempio, lo abbiamo utilizzato per calcolare il nostro tasso di abbandono nelle filiali di Rostelecom in Siberia e San Pietroburgo.<\/p>\n<p><i>\u00abLaboratorio di analisi dei dati intelligenti\u00bb della societ\u00e0 \u00abPortale di ricerca Sputnik\u00bb<\/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 4.9.10 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0418\u043d\u043e\u0433\u0434\u0430 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0440\u0435\u0448\u0438\u0442\u044c \u043a\u0430\u043a\u0443\u044e-\u0442\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0433\u043b\u044f\u043d\u0443\u0442\u044c \u043d\u0430 \u043d\u0435\u0435 \u043f\u043e\u0434 \u0434\u0440\u0443\u0433\u0438\u043c \u0443\u0433\u043b\u043e\u043c. \u0414\u0430\u0436\u0435 \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043b\u0435\u0442 10 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0435\u0448\u0430\u043b\u0438 \u043e\u0434\u043d\u0438\u043c \u0438 \u0442\u0435\u043c \u0436\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u044d\u0444\u0444\u0435\u043a\u0442\u043e\u043c, \u043d\u0435 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u044d\u0442\u043e\u0442 \u0441\u043f\u043e\u0441\u043e\u0431 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439. \u0415\u0441\u0442\u044c \u0442\u0430\u043a\u0430\u044f \u0442\u0435\u043c\u0430, \u043a\u0430\u043a \u043e\u0442\u0442\u043e\u043a \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432. \u0428\u0442\u0443\u043a\u0430 \u043d\u0435\u0438\u0437\u0431\u0435\u0436\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043a\u043b\u0438\u0435\u043d\u0442\u044b \u043b\u044e\u0431\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u0432\u0437\u044f\u0442\u044c\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"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. \u0414\u0430\u0436\u0435 \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043b\u0435\u0442 10 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0435\u0448\u0430\u043b\u0438 \u043e\u0434\u043d\u0438\u043c \u0438 \u0442\u0435\u043c \u0436\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u044d\u0444\u0444\u0435\u043a\u0442\u043e\u043c, \u043d\u0435 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u044d\u0442\u043e\u0442 \u0441\u043f\u043e\u0441\u043e\u0431 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439. \u0415\u0441\u0442\u044c \u0442\u0430\u043a\u0430\u044f \u0442\u0435\u043c\u0430, \u043a\u0430\u043a \u043e\u0442\u0442\u043e\u043a \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432. \u0428\u0442\u0443\u043a\u0430 \u043d\u0435\u0438\u0437\u0431\u0435\u0436\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043a\u043b\u0438\u0435\u043d\u0442\u044b \u043b\u044e\u0431\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u0432\u0437\u044f\u0442\u044c\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/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 il churn, affrontandolo come un disastro naturale | ProHoster","description":"A volte, per risolvere un problema, \u00e8 necessario semplicemente guardarlo da un'altra angolazione. Anche se negli ultimi dieci anni simili problemi sono stati risolti sempre nello stesso modo con effetti diversi, non \u00e8 detto che questo metodo sia l'unico. C'\u00e8 un tema, che riguarda il churn dei clienti. \u00c8 un fenomeno inevitabile, poich\u00e9 i clienti di qualsiasi azienda possono andarsene per vari motivi.","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. \u0414\u0430\u0436\u0435 \u0435\u0441\u043b\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u043b\u0435\u0442 10 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0435\u0448\u0430\u043b\u0438 \u043e\u0434\u043d\u0438\u043c \u0438 \u0442\u0435\u043c \u0436\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u044d\u0444\u0444\u0435\u043a\u0442\u043e\u043c, \u043d\u0435 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u044d\u0442\u043e\u0442 \u0441\u043f\u043e\u0441\u043e\u0431 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439. \u0415\u0441\u0442\u044c \u0442\u0430\u043a\u0430\u044f \u0442\u0435\u043c\u0430, \u043a\u0430\u043a \u043e\u0442\u0442\u043e\u043a \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432. \u0428\u0442\u0443\u043a\u0430 \u043d\u0435\u0438\u0437\u0431\u0435\u0436\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043a\u043b\u0438\u0435\u043d\u0442\u044b \u043b\u044e\u0431\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u0432\u0437\u044f\u0442\u044c","og:url":"https:\/\/prohoster.info\/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"},"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}]}}