{"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\/pt\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Como previmos a rotatividade, abordando-a como um desastre natural","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>\u00c0s vezes, para resolver um problema, \u00e9 preciso apenas olh\u00e1-lo de uma nova perspectiva. Mesmo que, nos \u00faltimos 10 anos, problemas semelhantes tenham sido resolvidos da mesma forma com efeitos diferentes, n\u00e3o \u00e9 certo que esse modo seja o \u00fanico.<\/p>\n<p>H\u00e1 uma quest\u00e3o chamada de evas\u00e3o de clientes. \u00c9 um fen\u00f4meno inevit\u00e1vel, pois clientes de qualquer empresa podem, por v\u00e1rias raz\u00f5es, parar de utilizar seus produtos ou servi\u00e7os. Naturalmente, para a empresa, a evas\u00e3o \u00e9 uma a\u00e7\u00e3o n\u00e3o desejada, embora natural, e todos tentam minimiz\u00e1-la. Melhor ainda seria prever a probabilidade de evas\u00e3o de certas categorias de usu\u00e1rios ou de um usu\u00e1rio espec\u00edfico, e propor algumas a\u00e7\u00f5es para reten\u00e7\u00e3o.<\/p>\n<p>Analisar e tentar reter o cliente, se poss\u00edvel, \u00e9 necess\u00e1rio, pelo menos, pelas seguintes raz\u00f5es:<\/p>\n<ul>\n<li><b>a aquisi\u00e7\u00e3o de novos clientes \u00e9 mais cara do que os procedimentos de reten\u00e7\u00e3o.<\/b>. Para atrair novos clientes, geralmente, \u00e9 necess\u00e1rio gastar um certo valor (publicidade), enquanto os clientes existentes podem ser ativados com uma oferta especial com condi\u00e7\u00f5es diferenciadas;<\/li>\n<li><b>entender as raz\u00f5es pela qual os clientes saem \u00e9 a chave para melhorar produtos e servi\u00e7os.<\/b>.<\/li>\n<\/ul>\n<p>\nExistem abordagens padr\u00e3o para prever a evas\u00e3o. Mas, em um dos campeonatos de IA, decidimos experimentar a distribui\u00e7\u00e3o de Weibull para isso. Ela \u00e9 utilizada principalmente para an\u00e1lise de sobreviv\u00eancia, previs\u00e3o do tempo, an\u00e1lise de desastres naturais, engenharia industrial e afins. A distribui\u00e7\u00e3o de Weibull \u00e9 uma fun\u00e7\u00e3o de distribui\u00e7\u00e3o especial, parametrizada por dois par\u00e2metros. <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/42092030604bf54a98c8379fd532bffe.png\" style=\"display:block;margin: 0 auto;\" \/>. <\/p>\n<p><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/rostelecom\/blog\/444694\/\"><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>De modo geral, \u00e9 um assunto interessante, mas que para prever a evas\u00e3o, e tamb\u00e9m no fintech, n\u00e3o \u00e9 utilizado com frequ\u00eancia. Vamos explicar a seguir como n\u00f3s (Laborat\u00f3rio de An\u00e1lise de Dados Inteligentes) fizemos isso, conquistando ao mesmo tempo uma medalha de ouro no Campeonato de Intelig\u00eancia Artificial na categoria \"IA nos Bancos\".<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Sobre a evas\u00e3o em geral<\/h2>\n<p>\nVamos esclarecer um pouco o que \u00e9 a rotatividade de clientes e por que ela \u00e9 t\u00e3o importante. Para os neg\u00f3cios, a base de clientes \u00e9 fundamental. Essa base \u00e9 composta por novos clientes que chegam, por exemplo, ap\u00f3s conhecer um produto ou servi\u00e7o atrav\u00e9s de publicidade, usam os produtos por um tempo e, ap\u00f3s um per\u00edodo, param de us\u00e1-los. Esse per\u00edodo \u00e9 chamado de \"Ciclo de Vida do Cliente\" (em ingl\u00eas, Customer Lifecycle) \u2014 um termo que descreve as etapas que um cliente atravessa ao conhecer um produto, decidir pela compra, pagar, usar e se tornar um consumidor fiel, e, finalmente, parar de usar os produtos por raz\u00f5es diversas. Assim, a rotatividade \u00e9 a \u00faltima etapa do ciclo de vida do cliente, quando ele deixa de usar os servi\u00e7os, o que significa para os neg\u00f3cios que o cliente deixou de gerar lucro e qualquer benef\u00edcio. <\/p>\n<p>Cada cliente do banco \u00e9 uma pessoa espec\u00edfica que escolhe um cart\u00e3o banc\u00e1rio de acordo com suas necessidades. Viaja muito \u2014 precisar\u00e1 de um cart\u00e3o com milhas. Faz muitas compras \u2014 ol\u00e1, cart\u00e3o com cashback. Compra bastante em lojas espec\u00edficas \u2014 e para isso j\u00e1 existe um pl\u00e1stico parceiro. Claro, \u00e0s vezes o cart\u00e3o \u00e9 escolhido com base no crit\u00e9rio \"Menores taxas de manuten\u00e7\u00e3o\". No geral, h\u00e1 muitas vari\u00e1veis aqui.<\/p>\n<p>Al\u00e9m disso, a pessoa escolhe o pr\u00f3prio banco \u2014 qual \u00e9 o sentido de escolher um cart\u00e3o de um banco que s\u00f3 tem ag\u00eancias em Moscovo e arredores, quando voc\u00ea est\u00e1 em Khabarovsk? Mesmo que o cart\u00e3o desse banco seja duas vezes mais vantajoso, a proximidade das ag\u00eancias ainda \u00e9 um crit\u00e9rio importante. Sim, j\u00e1 estamos em 2019 e o digital \u00e9 tudo para n\u00f3s, mas alguns problemas em certos bancos s\u00f3 podem ser resolvidos em uma ag\u00eancia. Al\u00e9m disso, uma parte da popula\u00e7\u00e3o confia muito mais em um banco f\u00edsico do que em um aplicativo no smartphone, e isso tamb\u00e9m deve ser levado em considera\u00e7\u00e3o.<\/p>\n<p>Como consequ\u00eancia, as raz\u00f5es para deixar de usar os produtos de um banco (ou mesmo o banco em si) podem ser muitas. Mudou de emprego, e a tarifa do cart\u00e3o mudou de um plano de sal\u00e1rio para \"Para simples mortais\", que \u00e9 menos vantajosa. Mudou-se para outra cidade onde n\u00e3o h\u00e1 ag\u00eancias do banco. N\u00e3o gostou do atendimento de um operador pouco qualificado na ag\u00eancia. Ou seja, as raz\u00f5es para encerrar uma conta podem ser muito mais numerosas do que para usar o produto.<\/p>\n<p>Al\u00e9m disso, o cliente pode n\u00e3o apenas expressar claramente sua inten\u00e7\u00e3o \u2014 ir ao banco e escrever um pedido, mas simplesmente parar de usar os produtos, sem rescindir o contrato. Foi para entender tarefas como essa que decidimos usar aprendizado de m\u00e1quina e IA.<\/p>\n<p>Al\u00e9m disso, a perda de clientes pode ocorrer em qualquer setor (telecomunica\u00e7\u00f5es, provedores de internet, companhias de seguros, em resumo, em qualquer lugar onde exista uma base de clientes e transa\u00e7\u00f5es peri\u00f3dicas).<\/p>\n<h2>O que fizemos<\/h2>\n<p>\nPrimeiramente, foi necess\u00e1rio descrever uma fronteira clara \u2014 a partir de quando come\u00e7amos a considerar um cliente como perdido. Do ponto de vista do banco que nos forneceu os dados para trabalhar, o estado de atividade do cliente era bin\u00e1rio \u2014 ele ou est\u00e1 ativo ou n\u00e3o. Havia um sinal ACTIVE_FLAG na tabela 'Atividade', cujo valor poderia ser '0' ou '1' (respectivamente, 'Inativo' e 'Ativo'). Tudo estaria bem, mas uma pessoa pode, por algum tempo, usar ativamente, e ent\u00e3o ficar inativa por um m\u00eas \u2014 ficou doente, viajou para o exterior para descansar ou at\u00e9 mesmo foi testar o cart\u00e3o de outro banco. E pode, ap\u00f3s um longo per\u00edodo de inatividade, come\u00e7ar a usar novamente os servi\u00e7os do banco.<\/p>\n<p>Portanto, decidimos definir o per\u00edodo de inatividade como um intervalo cont\u00ednuo de tempo durante o qual o sinal para ele era definido como '0'. <\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOs clientes transitam de inativos para ativos ap\u00f3s per\u00edodos de inatividade de diferentes dura\u00e7\u00f5es. Temos a oportunidade de calcular o grau da vari\u00e1vel emp\u00edrica 'confiabilidade dos per\u00edodos de inatividade' \u2014 ou seja, a probabilidade de que a pessoa volte a usar os produtos do banco ap\u00f3s um per\u00edodo tempor\u00e1rio de inatividade. <\/p>\n<p>Por exemplo, neste gr\u00e1fico est\u00e1 exibida a retomada da atividade (ACTIVE_FLAG=1) dos clientes ap\u00f3s alguns meses de inatividade (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAqui, vamos esclarecer um pouco o conjunto de dados com o qual come\u00e7amos a trabalhar. Assim, o banco forneceu informa\u00e7\u00f5es agregadas por 19 meses nas seguintes tabelas:<\/p>\n<ul>\n<li>'Atividade' \u2014 transa\u00e7\u00f5es mensais dos clientes (por cart\u00e3o, no banco online e no banco m\u00f3vel), incluindo pagamentos de sal\u00e1rios e informa\u00e7\u00f5es sobre os volumes de transa\u00e7\u00f5es.<\/li>\n<li>'Cart\u00f5es' \u2014 dados sobre todos os cart\u00f5es que o cliente possui, com uma grade tarif\u00e1ria detalhada.<\/li>\n<li>\u00abContratos\u00bb \u2014 informa\u00e7\u00f5es sobre os contratos do cliente (tanto abertos quanto fechados): empr\u00e9stimos, dep\u00f3sitos e outros, com especifica\u00e7\u00e3o dos par\u00e2metros de cada um.<\/li>\n<li>\u00abClientes\u00bb \u2014 conjunto de dados demogr\u00e1ficos (sexo e idade) e disponibilidade de dados de contato.<\/li>\n<\/ul>\n<p>\nPrecis\u00e1vamos de todas as tabelas, exceto a \u00abCart\u00f5es\u00bb. <\/p>\n<p>O desafio aqui estava no fato de que nesses dados o banco n\u00e3o indicava qual atividade havia ocorrido em rela\u00e7\u00e3o aos cart\u00f5es. Ou seja, pod\u00edamos entender se houve transa\u00e7\u00f5es ou n\u00e3o, mas j\u00e1 n\u00e3o pod\u00edamos determinar o tipo delas. Portanto, n\u00e3o era claro se o cliente retirava dinheiro, recebia sal\u00e1rio ou gastava em compras. Al\u00e9m disso, n\u00e3o t\u00ednhamos dados sobre os saldos das contas, o que seria \u00fatil. <\/p>\n<p>A amostra em si n\u00e3o foi enviesada \u2014 nesse corte, durante 19 meses, o banco n\u00e3o fez nenhuma tentativa de reten\u00e7\u00e3o de clientes ou minimiza\u00e7\u00e3o da sa\u00edda.<\/p>\n<p>Ent\u00e3o, sobre os per\u00edodos de inatividade.<\/p>\n<p>Para formular uma defini\u00e7\u00e3o de sa\u00edda, \u00e9 necess\u00e1rio escolher um per\u00edodo de inatividade. Para criar uma previs\u00e3o de sa\u00edda em um determinado momento <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, \u00e9 necess\u00e1rio ter um hist\u00f3rico de clientes de pelo menos 3 meses no intervalo <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>. O hist\u00f3rico que temos foi limitado a 19 meses, portanto decidimos considerar o per\u00edodo de inatividade de 6 meses, se existisse. E para o per\u00edodo m\u00ednimo de previs\u00e3o de qualidade, adotamos 3 meses. Os n\u00fameros de 3 e 6 meses foram escolhidos empiricamente com base na an\u00e1lise do comportamento desses clientes.<\/p>\n<p>Definimos a sa\u00edda da seguinte forma: o m\u00eas de sa\u00edda do cliente <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> \u00e9 o primeiro m\u00eas com ACTIVE_FLAG=0, onde a partir desse m\u00eas h\u00e1 pelo menos seis zeros consecutivos no campo ACTIVE_FLAG, em outras palavras, \u00e9 o m\u00eas em que o cliente ficou 6 meses inativo. <\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>N\u00famero de clientes que sa\u00edram<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>N\u00famero de clientes que permaneceram<\/i><\/p>\n<h2>Como \u00e9 comum considerar a sa\u00edda<\/h2>\n<p>\nEm competi\u00e7\u00f5es desse tipo, e na pr\u00e1tica em geral, a sa\u00edda \u00e9 frequentemente prevista desta forma. O cliente utiliza produtos e servi\u00e7os em diferentes per\u00edodos, e os dados de intera\u00e7\u00e3o com ele s\u00e3o apresentados na forma de vetor de caracter\u00edsticas de comprimento fixo n. Com frequ\u00eancia, essas informa\u00e7\u00f5es incluem:<\/p>\n<ul>\n<li>Dados caracter\u00edsticos do usu\u00e1rio (dados demogr\u00e1ficos, segmento de marketing).<\/li>\n<li>Hist\u00f3rico de uso de produtos e servi\u00e7os banc\u00e1rios (s\u00e3o a\u00e7\u00f5es dos clientes que sempre est\u00e3o vinculadas a um momento espec\u00edfico ou per\u00edodo do intervalo que nos interessa).<\/li>\n<li>Dados externos, se dispon\u00edveis \u2014 por exemplo, avalia\u00e7\u00f5es de redes sociais.<\/li>\n<\/ul>\n<p>\nE somente depois disso, apresentam a defini\u00e7\u00e3o de churn, espec\u00edfica para cada tarefa. Em seguida, utilizam um algoritmo de aprendizado de m\u00e1quina que prev\u00ea a probabilidade de um cliente sair. <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> com base em um vetor de fatores. <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>Para treinar o algoritmo, utiliza-se um dos conhecidos frameworks para constru\u00e7\u00e3o de ensembles de \u00e1rvores de decis\u00e3o, <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> ou suas modifica\u00e7\u00f5es. <\/p>\n<p>O algoritmo em si n\u00e3o \u00e9 ruim, mas possui algumas desvantagens s\u00e9rias em termos de previs\u00e3o de churn.<\/p>\n<ul>\n<li><b>Ele n\u00e3o possui a chamada \"mem\u00f3ria\".<\/b>A entrada do modelo consiste em um n\u00famero especificado de caracter\u00edsticas que correspondem ao momento atual. Para incorporar informa\u00e7\u00f5es sobre a hist\u00f3ria das mudan\u00e7as nos par\u00e2metros, \u00e9 necess\u00e1rio calcular caracter\u00edsticas espec\u00edficas que caracterizam as mudan\u00e7as ao longo do tempo, como o n\u00famero ou a soma das transa\u00e7\u00f5es banc\u00e1rias nos \u00faltimos 1, 2 ou 3 meses. Essa abordagem pode apenas refletir parte da natureza das mudan\u00e7as ao longo do tempo. <\/li>\n<li><b>Horizonte fixo de previs\u00e3o.<\/b> O modelo \u00e9 capaz de prever o churn de clientes apenas para um per\u00edodo de tempo previamente definido, por exemplo, uma previs\u00e3o para um m\u00eas \u00e0 frente. Se for necess\u00e1rio uma previs\u00e3o para outro intervalo de tempo, como tr\u00eas meses, \u00e9 preciso reconstruir o conjunto de treinamento e treinar um novo modelo. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Nossa abordagem<\/h2>\n<p>\nDecidimos imediatamente que n\u00e3o utilizar\u00edamos abordagens padr\u00e3o. No campeonato, al\u00e9m de n\u00f3s, 497 pessoas se inscreveram, cada uma com uma experi\u00eancia consider\u00e1vel. Portanto, tentar fazer algo segundo o esquema padr\u00e3o nessas condi\u00e7\u00f5es n\u00e3o \u00e9 a melhor ideia.<\/p>\n<p>E come\u00e7amos a resolver os problemas enfrentados pelo modelo de classifica\u00e7\u00e3o bin\u00e1ria, utilizando a previs\u00e3o da distribui\u00e7\u00e3o probabil\u00edstica do tempo de churn dos clientes. Essa abordagem pode ser vista <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">aqui<\/a><\/noindex>, pois permite prever o churn de forma mais flex\u00edvel e testar hip\u00f3teses mais complexas do que na abordagem cl\u00e1ssica. Para a fam\u00edlia de distribui\u00e7\u00f5es que modela o tempo de churn, escolhemos a distribui\u00e7\u00e3o <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> devido \u00e0 sua ampla aplica\u00e7\u00e3o na an\u00e1lise de sobreviv\u00eancia. O comportamento do cliente pode ser considerado uma forma de sobreviv\u00eancia. <\/p>\n<p>Aqui est\u00e3o exemplos de distribui\u00e7\u00f5es de densidades de probabilidade de Weibull, dependendo dos par\u00e2metros. <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> e <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nEsta \u00e9 a densidade de distribui\u00e7\u00e3o de probabilidade da sa\u00edda de tr\u00eas diferentes clientes ao longo do tempo. O tempo \u00e9 representado em meses. Em outras palavras, este gr\u00e1fico mostra quando \u00e9 mais prov\u00e1vel que ocorra a sa\u00edda de clientes nos pr\u00f3ximos dois meses. Como pode ser visto, o cliente com a distribui\u00e7\u00e3o possui um maior potencial de sair mais cedo do que os clientes com distribui\u00e7\u00f5es Weibull(2, 0.5) e Weibull(3,1). <\/p>\n<p>Como resultado, obtemos um modelo que, para cada cliente, prev\u00ea para qualquer<br \/>\nm\u00eas os par\u00e2metros da distribui\u00e7\u00e3o de Weibull que melhor refletem a probabilidade de sa\u00edda ao longo do tempo. Em mais detalhes: <\/p>\n<ul>\n<li>As caracter\u00edsticas-alvo no conjunto de treinamento s\u00e3o o tempo restante at\u00e9 a sa\u00edda no m\u00eas espec\u00edfico para o cliente espec\u00edfico.<\/li>\n<li>Se o indicador de sa\u00edda para o cliente n\u00e3o estiver dispon\u00edvel, supomos que o tempo de sa\u00edda \u00e9 maior do que o n\u00famero de meses desde o atual at\u00e9 o final do hist\u00f3rico que temos.<\/li>\n<li>Modelo utilizado: rede neural recorrente com camada LSTM.<\/li>\n<li>Como fun\u00e7\u00e3o de perda, utilizamos a fun\u00e7\u00e3o de verossimilhan\u00e7a logar\u00edtmica negativa para a distribui\u00e7\u00e3o de Weibull.<\/li>\n<\/ul>\n<p>\nAqui est\u00e3o as vantagens de tal m\u00e9todo: <\/p>\n<ul>\n<li>A distribui\u00e7\u00e3o probabil\u00edstica, al\u00e9m da possibilidade \u00f3bvia de classifica\u00e7\u00e3o bin\u00e1ria, permite prever flexivelmente diferentes eventos, por exemplo, se um cliente deixar\u00e1 de usar os servi\u00e7os do banco em 3 meses. Tamb\u00e9m, se necess\u00e1rio, diversas m\u00e9tricas podem ser m\u00e9dia com base nessa distribui\u00e7\u00e3o.<\/li>\n<li>A rede neural recorrente LSTM possui mem\u00f3ria e utiliza de forma eficaz todo o hist\u00f3rico dispon\u00edvel. Com a amplia\u00e7\u00e3o ou refinamento do hist\u00f3rico, a precis\u00e3o aumenta.<\/li>\n<li>A abordagem pode ser facilmente escalada ao dividir os per\u00edodos de tempo em intervalos menores (por exemplo, ao dividir meses em semanas).<\/li>\n<\/ul>\n<p>\nMas n\u00e3o basta criar um bom modelo, \u00e9 necess\u00e1rio tamb\u00e9m avaliar corretamente sua qualidade.<\/p>\n<h2>Como avaliamos a qualidade<\/h2>\n<p>\nComo m\u00e9trica, escolhemos a Lift Curve. Ela \u00e9 usada em neg\u00f3cios para tais casos devido \u00e0 sua interpreta\u00e7\u00e3o clara, sendo bem descrita. <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">aqui<\/a><\/noindex> e <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">aqui<\/a><\/noindex>. Para resumir o significado dessa m\u00e9trica em uma frase, \u00e9 \"Em quantas vezes o algoritmo faz uma previs\u00e3o melhor nos primeiros <img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>% do que aleatoriamente\". <\/p>\n<h2>Treinamos os modelos.<\/h2>\n<p>\nAs condi\u00e7\u00f5es da competi\u00e7\u00e3o n\u00e3o estabeleciam uma m\u00e9trica espec\u00edfica de qualidade pela qual diferentes modelos e abordagens pudessem ser comparados. Al\u00e9m disso, a defini\u00e7\u00e3o do conceito de churn pode variar e depender da formula\u00e7\u00e3o da tarefa, que, por sua vez, \u00e9 definida pelos objetivos de neg\u00f3cio. Portanto, para entender qual m\u00e9todo \u00e9 melhor, treinamos dois modelos:<\/p>\n<ol>\n<li>Uma abordagem comumente utilizada de classifica\u00e7\u00e3o bin\u00e1ria usando o algoritmo de machine learning de ensemble de \u00e1rvores de decis\u00e3o (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Modelo Weibull-LSTM<\/li>\n<\/ol>\n<p>\nA amostra de teste consistiu em 500 clientes previamente selecionados, que n\u00e3o estavam na amostra de treinamento. Para o modelo, foram ajustados hiperpar\u00e2metros utilizando valida\u00e7\u00e3o cruzada segmentada por cliente. Para o treinamento de cada modelo, foram utilizados conjuntos de caracter\u00edsticas id\u00eanticos. <\/p>\n<p>Devido ao fato de que o modelo n\u00e3o possui mem\u00f3ria, foram utilizados recursos especiais que mostram a rela\u00e7\u00e3o da altera\u00e7\u00e3o dos par\u00e2metros de um m\u00eas em rela\u00e7\u00e3o \u00e0 m\u00e9dia dos par\u00e2metros dos \u00faltimos tr\u00eas meses. Isso caracteriza a velocidade das altera\u00e7\u00f5es dos valores no \u00faltimo per\u00edodo de tr\u00eas meses. Sem isso, o modelo baseado em Random Forest estaria em desvantagem em rela\u00e7\u00e3o ao Weibull-LSTM.<\/p>\n<h2>Por que o LSTM com distribui\u00e7\u00e3o Weibull \u00e9 melhor do que a abordagem baseada em ensemble de \u00e1rvores de decis\u00e3o <\/h2>\n<p>\nAqui est\u00e3o tudo explicado de forma clara com apenas algumas imagens.<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Compara\u00e7\u00e3o da Lift Curve para o algoritmo cl\u00e1ssico e Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Compara\u00e7\u00e3o da m\u00e9trica Lift Curve m\u00eas a m\u00eas para o algoritmo cl\u00e1ssico e Weibull-LSTM<\/i><\/p>\n<p>No geral, o LSTM supera o algoritmo cl\u00e1ssico em quase todos os casos.<\/p>\n<h2>Previs\u00e3o de churn<\/h2>\n<p>\nO modelo baseado em uma rede neural recorrente com c\u00e9lulas LSTM com distribui\u00e7\u00e3o Weibull pode prever o churn com anteced\u00eancia, como, por exemplo, prever a sa\u00edda de um cliente nos pr\u00f3ximos n meses. Vamos considerar o caso para n = 3. Nesse caso, para cada m\u00eas, a rede neural deve identificar corretamente: se o cliente sair\u00e1, come\u00e7ando no pr\u00f3ximo m\u00eas e at\u00e9 o n-\u00e9simo m\u00eas. Em outras palavras, ela deve determinar corretamente se o cliente permanecer\u00e1 ao final de n meses. Isso pode ser considerado uma previs\u00e3o antecipada: prever o momento em que o cliente come\u00e7ou a pensar em sair. <\/p>\n<p>Vamos comparar a Lift Curve para Weibull-LSTM 1, 2 e 3 meses antes do churn:<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nJ\u00e1 mencionamos anteriormente que as previs\u00f5es para os clientes que ficam inativos por um tempo tamb\u00e9m s\u00e3o importantes. Portanto, adicionaremos \u00e0 amostra casos em que um cliente que saiu j\u00e1 estava inativo h\u00e1 um ou dois meses e verificaremos se o Weibull-LSTM classifica corretamente esses casos como cancelamento. Como esses casos estavam na amostra, esperamos que a rede consiga lidar bem com eles:<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Reten\u00e7\u00e3o de clientes<\/h2>\n<p>\nNa verdade, essa \u00e9 a principal a\u00e7\u00e3o que podemos tomar, tendo em m\u00e3os informa\u00e7\u00f5es sobre clientes que est\u00e3o prestes a parar de usar o produto. Ao falar sobre a constru\u00e7\u00e3o de um modelo que possa oferecer algo \u00fatil aos clientes para mant\u00ea-los \u2014 isso n\u00e3o ser\u00e1 poss\u00edvel se voc\u00ea n\u00e3o tiver um hist\u00f3rico de tentativas semelhantes que terminaram bem.<\/p>\n<p>N\u00f3s n\u00e3o t\u00ednhamos esse hist\u00f3rico, ent\u00e3o decidimos fazer assim.<\/p>\n<ol>\n<li>Construindo um modelo que determina produtos interessantes para cada cliente.<\/li>\n<li>A cada m\u00eas, executamos o classificador e identificamos clientes potencialmente em fase de cancelamento.<\/li>\n<li>Oferecemos a parte dos clientes um produto, conforme o modelo da etapa 1, e registramos nossas a\u00e7\u00f5es.<\/li>\n<li>Ap\u00f3s alguns meses, observamos quem entre esses clientes em potencial saiu e quem ficou. Dessa forma, formamos um conjunto de dados para treinamento.<\/li>\n<li>Treinamos o modelo com os dados obtidos na etapa 4.<\/li>\n<li>Opcionalmente, repetimos o procedimento, substituindo o modelo da etapa 1 pelo modelo obtido na etapa 5.<\/li>\n<\/ol>\n<p>\nUma verifica\u00e7\u00e3o da qualidade dessa reten\u00e7\u00e3o pode ser feita por meio de um teste A\/B comum \u2014 dividimos os clientes que est\u00e3o prestes a sair em dois grupos. Para um grupo, oferecemos produtos com base no nosso modelo de reten\u00e7\u00e3o; para o outro, n\u00e3o oferecemos nada. Decidimos treinar um modelo que poderia ser \u00fatil j\u00e1 na etapa 1 do nosso exemplo.<\/p>\n<p>Quer\u00edamos tornar a segmenta\u00e7\u00e3o o mais interpret\u00e1vel poss\u00edvel. Para isso, escolhemos algumas caracter\u00edsticas que pudessem ser facilmente interpretadas: n\u00famero total de transa\u00e7\u00f5es, sal\u00e1rio, volume total na conta, idade, g\u00eanero. Caracter\u00edsticas da tabela \"Cart\u00f5es\" n\u00e3o foram consideradas devido \u00e0 baixa informatividade, e as caracter\u00edsticas da tabela 3 \"Contratos\" foram descartadas devido \u00e0 complexidade do processamento, a fim de evitar vazamento de dados entre o conjunto de valida\u00e7\u00e3o e o conjunto de treinamento.<\/p>\n<p>A clusteriza\u00e7\u00e3o foi realizada usando modelos de mistura gaussiana. O crit\u00e9rio de informa\u00e7\u00e3o de Akaike permitiu determinar 2 \u00f3timos. O primeiro \u00f3timo corresponde a 1 cluster. O segundo \u00f3timo, menos acentuado, corresponde a 80 clusters. Com este resultado, pode-se concluir que \u00e9 extremamente dif\u00edcil dividir os dados em clusters sem informa\u00e7\u00f5es aprior\u00edsticas. Para uma clusteriza\u00e7\u00e3o de melhor qualidade, s\u00e3o necess\u00e1rios dados que descrevam detalhadamente cada cliente.<\/p>\n<p>Portanto, foi considerada a tarefa de aprendizado supervisionado, a fim de oferecer a cada cliente um produto espec\u00edfico. Foram considerados os seguintes produtos: \u2018Dep\u00f3sito a prazo\u2019, \u2018Cart\u00e3o de cr\u00e9dito\u2019, \u2018Descoberto\u2019, \u2018Empr\u00e9stimo pessoal\u2019, \u2018Empr\u00e9stimo para ve\u00edculos\u2019, \u2018Hipoteca\u2019. <\/p>\n<p>Os dados tamb\u00e9m continham outro tipo de produto: \u2018Conta corrente\u2019. Mas n\u00e3o o consideramos devido \u00e0 sua baixa informatividade. Para usu\u00e1rios que s\u00e3o clientes do banco, ou seja, que n\u00e3o deixaram de usar seus produtos, um modelo foi constru\u00eddo para prever qual produto poderia ser de seu interesse. A regress\u00e3o log\u00edstica foi escolhida como modelo e o Lift para os primeiros 10 percentis foi utilizado como m\u00e9trica de avalia\u00e7\u00e3o da qualidade. <\/p>\n<p>A qualidade do modelo pode ser avaliada na figura.<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Resultados do modelo de recomenda\u00e7\u00e3o de produtos para clientes <\/i> <\/p>\n<h2>Resultado<\/h2>\n<p>\nEsta abordagem nos trouxe o primeiro lugar na categoria \u2018IA nos bancos\u2019 no Campeonato de IA RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Como previmos a rotatividade, abordando-a como um desastre natural\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAparentemente, o mais importante foi realmente abordar o problema de uma forma n\u00e3o muito convencional e usar um m\u00e9todo geralmente aplicado a outras situa\u00e7\u00f5es.<\/p>\n<p>Embora a sa\u00edda em massa de usu\u00e1rios possa, de fato, ser um desastre natural para os servi\u00e7os.<\/p>\n<p>Esse m\u00e9todo pode ser aplicado a qualquer outra \u00e1rea em que a rotatividade seja importante, n\u00e3o apenas nos bancos. Por exemplo, n\u00f3s o utilizamos para calcular nossa pr\u00f3pria rotatividade \u2014 nas filiais da Rostelecom em Sib\u00e9ria e S\u00e3o Petersburgo.<\/p>\n<p><i>\u2018Laborat\u00f3rio de An\u00e1lise Inteligente de Dados\u2019 da empresa \u2018Portal de Pesquisa Sputnik\u2019<\/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 5.0.3 - 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\/pt\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"pt_PT\" \/>\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\/pt\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T18:33:22+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T18:33:22+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Como previmos a rotatividade, abordando-a como um desastre natural | ProHoster","description":"\u00c0s vezes, para resolver um determinado problema, \u00e9 necess\u00e1rio apenas olhar para ele sob um \u00e2ngulo diferente.","canonical_url":"https:\/\/prohoster.info\/pt\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pt_PT","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\/pt\/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\/pt\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}