{"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\/sv\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","title":{"rendered":"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Ibland, f\u00f6r att l\u00f6sa ett problem, beh\u00f6ver man bara se p\u00e5 det fr\u00e5n ett annat perspektiv. \u00c4ven om de senaste tio \u00e5ren har liknande problem l\u00f6sts p\u00e5 samma s\u00e4tt med olika resultat, s\u00e5 \u00e4r det inte s\u00e4kert att det s\u00e4ttet \u00e4r det enda.<\/p>\n<p>Det finns ett \u00e4mne som handlar om kundavhopp. Det \u00e4r en oundviklig fr\u00e5ga, eftersom kunder i alla f\u00f6retag av m\u00e5nga olika sk\u00e4l kan sluta anv\u00e4nda deras produkter eller tj\u00e4nster. Sj\u00e4lvklart \u00e4r avhopp inte det mest \u00f6nskv\u00e4rda f\u00f6r ett f\u00f6retag, \u00e4ven om det \u00e4r en naturlig process, s\u00e5 alla f\u00f6rs\u00f6ker minimera detta avhopp. \u00c4nnu b\u00e4ttre vore det att f\u00f6ruts\u00e4ga sannolikheten f\u00f6r avhopp hos en viss kategori av anv\u00e4ndare eller en specifik anv\u00e4ndare, och erbjuda \u00e5tg\u00e4rder f\u00f6r att beh\u00e5lla dem.<\/p>\n<p>Att analysera och f\u00f6rs\u00f6ka beh\u00e5lla en kund, om m\u00f6jligt, \u00e4r viktigt av f\u00f6ljande sk\u00e4l:<\/p>\n<ul>\n<li><b>att f\u00e5 nya kunder \u00e4r dyrare \u00e4n att beh\u00e5lla befintliga<\/b>. Det kostar oftast vissa pengar (annonsering) att attrahera nya kunder, medan befintliga kunder kan aktiveras med ett speciellt erbjudande under speciella villkor;<\/li>\n<li><b>f\u00f6rst\u00e5else f\u00f6r orsakerna bakom kunders avhopp \u00e4r nyckeln till att f\u00f6rb\u00e4ttra produkter och tj\u00e4nster<\/b>.<\/li>\n<\/ul>\n<p>\nDet finns standardmetoder f\u00f6r att f\u00f6ruts\u00e4ga avhopp. Men under en AI-t\u00e4vling beslutade vi att pr\u00f6va Weibull-f\u00f6rdelningen f\u00f6r detta. Oftast anv\u00e4nds den f\u00f6r \u00f6verlevnadsanalys, v\u00e4derprognoser, analys av naturkatastrofer, industriell teknik och liknande. Weibull-f\u00f6rdelningen \u00e4r en s\u00e4rskild f\u00f6rdelningsfunktion som parametriseras med tv\u00e5 parametrar. <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/d30a25becc44269d51957349c6e8b4a0.png\" style=\"display:block;margin: 0 auto;\" \/> och <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" 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=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/62e1933c8335dd16d765f0e358952d84.png\" style=\"display:block;margin: 0 auto;\" \/><\/a><\/noindex><br \/>\n<i>Wikipedia<\/i><\/p>\n<p>Generellt \u00e4r det en intressant metod, men f\u00f6r att f\u00f6ruts\u00e4ga avhopp och inom fintech anv\u00e4nds den inte s\u00e5 ofta. I det h\u00e4r inl\u00e4gget ber\u00e4ttar vi hur vi (Laboratoriet f\u00f6r intelligent dataanalys) gjorde detta, samtidigt som vi vann guld i AI-t\u00e4vlingen i kategorin \"AI i banker\".<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Om avhopp i allm\u00e4nhet<\/h2>\n<p>\nL\u00e5t oss g\u00e5 igenom vad kundavhopp \u00e4r och varf\u00f6r det \u00e4r s\u00e5 viktigt. F\u00f6r ett f\u00f6retag \u00e4r kundbasen avg\u00f6rande. Nya kunder kommer in i denna bas, till exempel genom att h\u00f6ra talas om en produkt eller tj\u00e4nst via reklam, lever ett tag (anv\u00e4nder produkterna aktivt) och slutar sedan att anv\u00e4nda dem efter en viss tid. Denna period kallas \"Kundens livscykel\" (eng. Customer Lifecycle) \u2013 en term som beskriver de steg en kund g\u00e5r igenom n\u00e4r de l\u00e4r k\u00e4nna en produkt, fattar k\u00f6pbeslut, betalar, anv\u00e4nder och blir en lojal konsument, och slutligen slutar anv\u00e4nda produkten av olika anledningar. F\u00f6ljaktligen \u00e4r avhopp den avslutande fasen av kundens livscykel, d\u00e5 kunden slutar anv\u00e4nda tj\u00e4nster, vilket f\u00f6r f\u00f6retaget betyder att kunden har slutat ge vinst och \u00f6verhuvudtaget n\u00e5gon nytta. <\/p>\n<p>Varje bankkund \u00e4r en specifik person som v\u00e4ljer ett visst bankkort utifr\u00e5n sina egna behov. Reser ofta \u2013 d\u00e5 beh\u00f6vs ett kort med po\u00e4ng. Handlar mycket \u2013 hej, ett kort med cashback. Handlar mycket i specifika butiker \u2013 och f\u00f6r det finns det redan ett speciellt partnerkort. Sj\u00e4lvklart v\u00e4ljs ibland kortet ocks\u00e5 utifr\u00e5n kriteriet \"det billigaste underh\u00e5llet\". Det finns med andra ord m\u00e5nga variabler h\u00e4r.<\/p>\n<p>En annan faktor \u00e4r att individen sj\u00e4lv v\u00e4ljer banken \u2013 varf\u00f6r v\u00e4lja ett kort fr\u00e5n en bank som bara har kontor i Moskva och dess omr\u00e5de n\u00e4r man \u00e4r fr\u00e5n Khabarovsk? Oavsett hur mycket b\u00e4ttre kortet \u00e4r, s\u00e5 \u00e4r n\u00e4rheten till bankkontor fortfarande en viktig kriterium. Ja, 2019 \u00e4r redan h\u00e4r och digitalt \u00e4r v\u00e5r framtid, men vissa fr\u00e5gor kan man fortfarande endast l\u00f6sa p\u00e5 kontoret hos vissa banker. Dessutom finns det en del av befolkningen som litar mycket mer p\u00e5 en fysisk bank \u00e4n p\u00e5 en app i telefonen, vilket ocks\u00e5 beh\u00f6ver beaktas.<\/p>\n<p>Som en f\u00f6ljd av detta kan det finnas m\u00e5nga sk\u00e4l till varf\u00f6r en person avvisar bankprodukter (eller hela banken). Har bytt jobb, och kortets villkor har \u00e4ndrats fr\u00e5n l\u00f6nekort till \"F\u00f6r vanliga d\u00f6dliga\", vilket \u00e4r mindre f\u00f6rdelaktigt. Har flyttat till en annan stad d\u00e4r banken inte har n\u00e5gra kontor. Tyckt att samarbetet med en okvalificerad banktj\u00e4nsteman p\u00e5 kontoret var otrevligt. Med andra ord kan det finnas betydligt fler sk\u00e4l till att st\u00e4nga ett konto \u00e4n att forts\u00e4tta anv\u00e4nda produkten.<\/p>\n<p>Och kunden kan inte bara uttrycka sin avsikt tydligt \u2013 att g\u00e5 till banken och skriva en ans\u00f6kan \u2013 utan bara sluta anv\u00e4nda produkterna utan att s\u00e4ga upp avtalet. F\u00f6r att f\u00f6rst\u00e5 s\u00e5dana uppgifter beslutades det att anv\u00e4nda maskininl\u00e4rning och AI.<\/p>\n<p>Dessutom kan kundavhopp ske inom vilken bransch som helst (telekom, internetleverant\u00f6rer, f\u00f6rs\u00e4kringsbolag, kort sagt \u00f6verallt d\u00e4r det finns en kundbas och regelbundna transaktioner).<\/p>\n<h2>Vad vi har gjort<\/h2>\n<p>\nF\u00f6rst och fr\u00e4mst beh\u00f6vde vi definiera en tydlig gr\u00e4ns \u2013 fr\u00e5n vilken tidpunkt vi b\u00f6rjar r\u00e4kna kunden som avhoppad. Fr\u00e5n bankens perspektiv, som tillhandah\u00f6ll oss data f\u00f6r arbetet, var kundens aktivitetsstatus bin\u00e4r \u2013 antingen aktiv eller inte. Det fanns en flagga ACTIVE_FLAG i tabellen \"Aktivitet\", vars v\u00e4rde kunde vara antingen \"0\" eller \"1\" (vilket motsvarar \"Inaktiv\" och \"Aktiv\"). Och allt skulle ha varit bra, men en m\u00e4nniska kan vara aktiv en tid f\u00f6r att sedan vara inaktiv under en m\u00e5nad \u2013 kanske blir de sjuka, reser till ett annat land f\u00f6r att vila, eller provar kortet fr\u00e5n en annan bank. Eller s\u00e5 kan de efter en l\u00e5ng period av inaktivitet b\u00f6rja anv\u00e4nda bankens tj\u00e4nster igen.<\/p>\n<p>D\u00e4rf\u00f6r beslutade vi att kalla en inaktivitet f\u00f6r en viss sammanh\u00e4ngande tidsperiod under vilken flaggan f\u00f6r dem sattes till \"0\". <\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/c4263f11be0f122e54ed7985ba0d2c9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKunder g\u00e5r fr\u00e5n inaktiva till aktiva efter olika l\u00e4ngder av inaktivitetsperioder. Vi f\u00e5r m\u00f6jlighet att ber\u00e4kna graden av den empiriska storheten \"tillf\u00f6rlitlighet av inaktivitetsperioder\" \u2013 det vill s\u00e4ga sannolikheten f\u00f6r att en person \u00e5ter b\u00f6rjar anv\u00e4nda bankens produkter efter en tids inaktivitet. <\/p>\n<p>Till exempel, h\u00e4r p\u00e5 den h\u00e4r grafen visas \u00e5teraktivering av aktivitet (ACTIVE_FLAG=1) hos kunder efter flera m\u00e5nader av inaktivitet (ACTIVE_FLAG=0).<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/3828c06a86ca6b43e77a6de61f768804.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nH\u00e4r kommer vi att specificera den dataset vi b\u00f6rjade arbeta med. S\u00e5, banken tillhandah\u00f6ll aggregerad information under 19 m\u00e5nader i f\u00f6ljande tabeller:<\/p>\n<ul>\n<li>\"Aktivitet\" \u2013 m\u00e5natliga transaktioner fr\u00e5n kunder (genom kort, i internetbanken och mobilbanken), inklusive l\u00f6neins\u00e4ttningar och information om oms\u00e4ttningar.<\/li>\n<li>\"Kort\" \u2013 data om alla kort som kunden har, med detaljerad tariffstruktur.<\/li>\n<li>\u00abAvtal\u00bb \u2014 information om kundernas avtal (b\u00e5de \u00f6ppna och st\u00e4ngda): l\u00e5n, ins\u00e4ttningar och annat, med angivelse av varje avtals parametrar.<\/li>\n<li>\u00abKunder\u00bb \u2014 en upps\u00e4ttning demografiska data (k\u00f6n och \u00e5lder) samt kontaktinformation.<\/li>\n<\/ul>\n<p>\nF\u00f6r v\u00e5rt arbete beh\u00f6vde vi alla tabeller, f\u00f6rutom \u00abKartor\u00bb. <\/p>\n<p>Sv\u00e5righeten h\u00e4r l\u00e5g i att banken inte angav vilken specifik aktivitet som \u00e4gde rum med korten. Det ville s\u00e4ga, vi kunde f\u00f6rst\u00e5 om det var transaktioner eller inte, men att fastst\u00e4lla deras typ var en annan sak. D\u00e4rf\u00f6r var det oklart om kunden tog ut kontanter, fick sin l\u00f6n, eller om han spenderade pengar p\u00e5 ink\u00f6p. Dessutom hade vi inga uppgifter om saldon p\u00e5 konton, vilket skulle varit anv\u00e4ndbart. <\/p>\n<p>Sj\u00e4lva urvalet var obearbetat \u2014 under denna period, som str\u00e4cker sig \u00f6ver 19 m\u00e5nader, gjorde banken inga f\u00f6rs\u00f6k att beh\u00e5lla kunder och minimera avhopp.<\/p>\n<p>S\u00e5, om perioderna av inaktivitet.<\/p>\n<p>F\u00f6r att definiera avhopp m\u00e5ste en period av inaktivitet v\u00e4ljas. F\u00f6r att skapa en avhoppsprognos vid en given tidpunkt <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/d2faf7d1a11c2770987ab6316b1db5e8.png\" style=\"display:block;margin: 0 auto;\" \/>, beh\u00f6ver vi kundhistorik p\u00e5 minst 3 m\u00e5nader inom intervallet <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/194e5601c2f0f49866d8e8e5a9ff5993.png\" style=\"display:block;margin: 0 auto;\" \/>. Historiken var begr\u00e4nsad till 19 m\u00e5nader, d\u00e4rf\u00f6r beslutades det att ta perioden av inaktivitet till 6 m\u00e5nader, om den fanns. F\u00f6r den minimi-period som kr\u00e4vs f\u00f6r en kvalitativ prognos valde vi 3 m\u00e5nader. Siffrorna 3 och 6 m\u00e5nader valdes empiriskt baserat p\u00e5 analys av dessa kunders beteende.<\/p>\n<p>Definitionen av avhopp formulerades s\u00e5 h\u00e4r: en m\u00e5nads avhopp f\u00f6r kunden <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/3d581f5378975105aa6e73cacc175aeb.png\" style=\"display:block;margin: 0 auto;\" \/> \u00e4r den f\u00f6rsta m\u00e5naden med ACTIVE_FLAG=0, d\u00e4r det fr\u00e5n och med denna m\u00e5nad finns minst sex nollor i f\u00f6ljd i f\u00e4ltet ACTIVE_FLAG, med andra ord, m\u00e5naden fr\u00e5n vilken kunden varit inaktiv i 6 m\u00e5nader. <\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/04ea6d4c59a9497733e4a181a4a5847c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Antal avhoppade kunder<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/4d470cbe91bbc6ee7ddfd1933e90e62c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Antal kvarvarande kunder<\/i><\/p>\n<h2>Som det \u00e4r vanligt att anse avhopp<\/h2>\n<p>\nI liknande t\u00e4vlingar och i praktiken prognostiseras avhopp ofta p\u00e5 detta s\u00e4tt. Kunden anv\u00e4nder produkter och tj\u00e4nster vid olika tidpunkter, och data om interaktioner med kunden representeras som en vektor av fast l\u00e4ngd n. Oftast inkluderas f\u00f6ljande information i detta:<\/p>\n<ul>\n<li>Anv\u00e4ndardata (demografiska data, marknadssegment).<\/li>\n<li>Historiken f\u00f6r anv\u00e4ndning av bankprodukter och tj\u00e4nster (detta \u00e4r kund\u00e5tg\u00e4rder som alltid \u00e4r knutna till en viss tid eller period inom det \u00f6nskade intervallet).<\/li>\n<li>Extern data, if it has been obtained \u2014 for instance, reviews from social media.<\/li>\n<\/ul>\n<p>\nAnd only after that will they produce a churn definition, specific to each task. Then, they use a machine learning algorithm that predicts the likelihood of customer departure. <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/79ce2d7f3193a9aab0b985c9a0cd0ee1.png\" style=\"display:block;margin: 0 auto;\" \/> based on a vector of factors. <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/546791c513159e41d5950adca001d620.png\" style=\"display:block;margin: 0 auto;\" \/>. To train the algorithm, one of the well-known frameworks for building decision tree ensembles is used, <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> or their modifications. <\/p>\n<p>The algorithm itself is not bad, but it has several serious drawbacks specifically regarding churn prediction.<\/p>\n<ul>\n<li><b>It lacks what is called \u2018memory\u2019<\/b>. The model receives a specified number of features corresponding to the current moment in time. To account for historical changes in parameters, it is necessary to compute special features that characterize parameter changes over time, such as the number or sum of bank transactions over the past 1, 2, or 3 months. This approach can only partially reflect the nature of temporal changes. <\/li>\n<li><b>Fixed forecasting horizon.<\/b> The model can predict customer churn only for a predetermined time period, such as a forecast for one month ahead. If a forecast for a different time period is needed, for example, three months, the training dataset needs to be restructured and a new model retrained. <\/li>\n<\/ul>\n<p><\/p>\n<h2>Our approach<\/h2>\n<p>\nWe immediately decided that we would not use standard approaches. In the championship, in addition to us, 497 other people registered, each with significant experience. So trying to do something according to a standard scheme under such conditions is not a very good idea.<\/p>\n<p>And we started to tackle the problems faced by the binary classification model using probabilistic distribution forecasting for customer churn. This approach can be viewed <noindex><a rel=\"nofollow\" href=\"https:\/\/ragulpr.github.io\/assets\/draft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf\">h\u00e4r<\/a><\/noindex>, it allows for more flexible churn predictions and testing of more complex hypotheses than in the classical approach. As a family of distributions modeling churn time, we chose the <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> due to its widespread application in survival analysis. Customer behavior can be viewed as a kind of survival. <\/p>\n<p>H\u00e4r \u00e4r exempel p\u00e5 f\u00f6rdelningsdichtet av Weibull beroende p\u00e5 parametrarna <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/57c935da52faf825ceedb4389d21c354.png\" style=\"display:block;margin: 0 auto;\" \/> och <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/85d1c92d5b9dfa83d13092edefb29a09.png\" style=\"display:block;margin: 0 auto;\" \/>:<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/371e51ab8df2c10d5b139aadf290ebf8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDetta \u00e4r sannolikhetsf\u00f6rdelningen f\u00f6r kundavhoppet av tre olika kunder \u00f6ver tid. Tiden presenteras i m\u00e5nader. Med andra ord visar denna graf n\u00e4r det \u00e4r mest troligt att en kund kommer att avhoppa inom de n\u00e4rmaste tv\u00e5 m\u00e5naderna. Som syns har kunden med f\u00f6rdelningen en st\u00f6rre potential att l\u00e4mna tidigare \u00e4n kunderna med f\u00f6rdelningarna Weibull(2, 0.5) och Weibull(3,1). <\/p>\n<p>Resultatet blir en modell som f\u00f6r varje kund f\u00f6r varje<br \/>\nm\u00e5nad f\u00f6ruts\u00e4ger Weibull-f\u00f6rdelningens parametrar som b\u00e4st \u00e5terspeglar sannolikheten f\u00f6r avhopp \u00f6ver tid. N\u00e4rmare best\u00e4mt: <\/p>\n<ul>\n<li>M\u00e5lfunktionerna p\u00e5 tr\u00e4ningsdatam\u00e4ngden \u00e4r tiden som \u00e5terst\u00e5r till avhopp i en viss m\u00e5nad f\u00f6r en specifik kund.<\/li>\n<li>Om avhoppsm\u00e5ttet f\u00f6r kunden saknas, antas att avhopptiden \u00e4r l\u00e4ngre \u00e4n antalet m\u00e5nader fr\u00e5n och med nu till slutet av den tillg\u00e4ngliga historiken.<\/li>\n<li>Anv\u00e4nd modell: \u00e5terkommande neuronn\u00e4tverk med LSTM-lager.<\/li>\n<li>Som f\u00f6rlustfunktion anv\u00e4nds den negativa logaritmiska sannolikhetsfunktionen f\u00f6r Weibull-f\u00f6rdelningen.<\/li>\n<\/ul>\n<p>\nH\u00e4r \u00e4r f\u00f6rdelarna med en s\u00e5dan metod: <\/p>\n<ul>\n<li>Sannolikhetsf\u00f6rdelningen, f\u00f6rutom den uppenbara m\u00f6jligheten till bin\u00e4r klassificering, g\u00f6r det m\u00f6jligt att flexibelt f\u00f6ruts\u00e4ga olika h\u00e4ndelser, till exempel om kunden slutar anv\u00e4nda bankens tj\u00e4nster inom 3 m\u00e5nader. Dessutom kan olika metrik genomsnittas utifr\u00e5n denna f\u00f6rdelning om det beh\u00f6vs.<\/li>\n<li>Det \u00e5terkommande neuronn\u00e4tverket LSTM har minne och anv\u00e4nder effektivt hela den tillg\u00e4ngliga historiken. Med en utvidgning eller f\u00f6rtydligande av historiken \u00f6kar noggrannheten.<\/li>\n<li>Tillv\u00e4gag\u00e5ngss\u00e4ttet kan enkelt skalas upp genom att bryta ner tidsintervallen i mindre enheter (till exempel genom att bryta ner m\u00e5nader till veckor).<\/li>\n<\/ul>\n<p>\nMen det r\u00e4cker inte med att skapa en bra modell, man m\u00e5ste ocks\u00e5 korrekt utv\u00e4rdera dess kvalitet.<\/p>\n<h2>Hur kvaliteten utv\u00e4rderades<\/h2>\n<p>\nSom metrik valde vi Lift Curve. Den anv\u00e4nds i aff\u00e4rer f\u00f6r s\u00e5dana fall p\u00e5 grund av sin tydliga tolkning, den \u00e4r v\u00e4l beskriven <noindex><a rel=\"nofollow\" href=\"http:\/\/www2.cs.uregina.ca\/~dbd\/cs831\/notes\/lift_chart\/lift_chart.html\">). Ett typiskt exempel p\u00e5 anv\u00e4ndning:<\/a><\/noindex> och <noindex><a rel=\"nofollow\" href=\"https:\/\/www.information-management.com\/news\/why-lift\">h\u00e4r<\/a><\/noindex>. Om man skulle beskriva meningen med denna metrik i en mening, skulle det bli \"Hur m\u00e5nga g\u00e5nger g\u00f6r algoritmen en b\u00e4ttre f\u00f6ruts\u00e4gelse de f\u00f6rsta <img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/72818f84f73c2838fe7d63b33a96fd7b.png\" style=\"display:block;margin: 0 auto;\" \/>% \u00e4n om det vore p\u00e5 slumpen.\" <\/p>\n<h2>Vi tr\u00e4nar modeller<\/h2>\n<p>\nT\u00e4vlingens villkor fastst\u00e4llde ingen specifik kvalitetsmetrik f\u00f6r att j\u00e4mf\u00f6ra olika modeller och metoder. Dessutom kan definitionen av begreppet kundavhopp variera och bero p\u00e5 uppgiften, som i sin tur definieras av aff\u00e4rsm\u00e5l. F\u00f6r att f\u00f6rst\u00e5 vilken metod som \u00e4r b\u00e4ttre tr\u00e4nade vi tv\u00e5 modeller:<\/p>\n<ol>\n<li>Den ofta anv\u00e4nda metoden f\u00f6r bin\u00e4r klassificering som anv\u00e4nder en maskininl\u00e4rningsalgoritm av ensemble-beslutstr\u00e4d (<noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Microsoft\/LightGBM\">LightGBM<\/a><\/noindex>);<\/li>\n<li> Weibull-LSTM-modell<\/li>\n<\/ol>\n<p>\nTestgruppen bestod av 500 f\u00f6rutvalda kunder som inte fanns i tr\u00e4ningsdata. F\u00f6r modellen utf\u00f6rdes hyperparameterjustering med hj\u00e4lp av korskontroll baserat p\u00e5 kunder. Samma upps\u00e4ttningar av funktioner anv\u00e4ndes f\u00f6r att tr\u00e4na varje modell. <\/p>\n<p>Eftersom modellen inte har n\u00e5got minne anv\u00e4nde vi speciella funktioner som visade f\u00f6rh\u00e5llandet mellan f\u00f6r\u00e4ndringar i en m\u00e5nads parametrar och medelv\u00e4rdena f\u00f6r dessa parametrar under de senaste tre m\u00e5naderna. Detta karakt\u00e4riserade hastigheten p\u00e5 f\u00f6r\u00e4ndringar under den senaste treveckorsperioden. Utan detta skulle modellen baserad p\u00e5 Random Forest vara i en f\u00f6rlorande position j\u00e4mf\u00f6rt med Weibull-LSTM.<\/p>\n<h2>Varf\u00f6r \u00e4r LSTM med Weibull-f\u00f6rdelning b\u00e4ttre \u00e4n tillv\u00e4gag\u00e5ngss\u00e4ttet baserat p\u00e5 ensemble-beslutstr\u00e4d? <\/h2>\n<p>\nH\u00e4r \u00e4r allt tydligt med ett par bilder.<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/0a87a27804f1b285f66a889ed798cf6b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>J\u00e4mf\u00f6relse av Lift Curve f\u00f6r den klassiska algoritmen och Weibull-LSTM<\/i><\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/6c281677260098c7993a690c923692c8.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>J\u00e4mf\u00f6relse av Lift Curve-metrik m\u00e5nad f\u00f6r m\u00e5nad f\u00f6r den klassiska algoritmen och Weibull-LSTM<\/i><\/p>\n<p>\u00d6verlag \u00f6vertr\u00e4ffar LSTM den klassiska algoritmen n\u00e4stan i alla fall.<\/p>\n<h2>F\u00f6ruts\u00e4ga kundavhopp<\/h2>\n<p>\nModellen baserad p\u00e5 \u00e5terkommande neurala n\u00e4tverk med LSTM-enheter och Weibull-f\u00f6rdelning kan f\u00f6ruts\u00e4ga avhopp i f\u00f6rv\u00e4g, till exempel f\u00f6ruts\u00e4ga om en kund kommer att l\u00e4mna inom kommande n m\u00e5nader. L\u00e5t oss betrakta fallet f\u00f6r n = 3. I detta fall m\u00e5ste neuronn\u00e4tverket korrekt avg\u00f6ra varje m\u00e5nad: kommer kunden att l\u00e4mna, fr\u00e5n n\u00e4sta m\u00e5nad och fram till n:e m\u00e5naden? Med andra ord m\u00e5ste det korrekt avg\u00f6ra om kunden kommer att stanna efter n m\u00e5nader. Detta kan ses som en f\u00f6rhandsprognos: att f\u00f6ruts\u00e4ga \u00f6gonblicket d\u00e5 kunden just b\u00f6rjat t\u00e4nka p\u00e5 att l\u00e4mna. <\/p>\n<p>L\u00e5t oss j\u00e4mf\u00f6ra Lift Curve f\u00f6r Weibull-LSTM 1, 2 och 3 m\u00e5nader f\u00f6re avhopp:<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/4b2ed9cb21844cf5dc8f54bcfe092a9d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nVi har redan n\u00e4mnt att det ocks\u00e5 \u00e4r viktigt att beakta de prognoser som g\u00f6rs f\u00f6r kunder som \u00e4r inaktiva under en tid. D\u00e4rf\u00f6r kommer vi att inkludera s\u00e5dana fall d\u00e4r en bortg\u00e5ngen kund har varit inaktiv i en eller tv\u00e5 m\u00e5nader och kontrollera att Weibull-LSTM korrekt klassificerar dessa fall som avhopp. Eftersom s\u00e5dana fall fanns i urvalet f\u00f6rv\u00e4ntar vi oss att n\u00e4tverket klarar av dem v\u00e4l:<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/4fe6e918aff2f16758c671c8d547895d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kundbeh\u00e5llning<\/h2>\n<p>\nDet \u00e4r faktiskt det viktigaste du kan g\u00f6ra n\u00e4r du har information om att vissa kunder \u00e4r p\u00e5 v\u00e4g att sluta anv\u00e4nda produkten. N\u00e4r det g\u00e4ller att bygga en modell som kan f\u00f6resl\u00e5 n\u00e5got anv\u00e4ndbart f\u00f6r kunder f\u00f6r att beh\u00e5lla dem \u2014 detta \u00e4r inte m\u00f6jligt om du inte har en historia av s\u00e5dana tidigare f\u00f6rs\u00f6k som har slutat lyckligt.<\/p>\n<p>Vi hade ingen s\u00e5dan historia, s\u00e5 vi beslutade att g\u00f6ra det p\u00e5 detta s\u00e4tt.<\/p>\n<ol>\n<li>Vi bygger en modell som identifierar intressanta produkter f\u00f6r varje kund.<\/li>\n<li>Varje m\u00e5nad k\u00f6r vi klassificeraren och identifierar potentiellt avhoppande kunder.<\/li>\n<li>Vi erbjuder en del av kunderna produkter enligt modellen fr\u00e5n punkt 1 och registrerar v\u00e5ra \u00e5tg\u00e4rder.<\/li>\n<li>Efter n\u00e5gra m\u00e5nader ser vi vilka av dessa potentiellt avhoppande kunder som har l\u00e4mnat och vilka som har stannat. P\u00e5 s\u00e5 s\u00e4tt skapar vi en tr\u00e4ningsupps\u00e4ttning.<\/li>\n<li>Vi tr\u00e4nar modellen p\u00e5 historiken som erh\u00e5llits i punkt 4.<\/li>\n<li>Valfritt, upprepa proceduren genom att byta modellen fr\u00e5n punkt 1 mot modellen som erh\u00e5llits i punkt 5.<\/li>\n<\/ol>\n<p>\nKvalitetskontrollen av s\u00e5dan kundbeh\u00e5llning kan utf\u00f6ras genom vanlig A\/B-testning \u2014 vi delar upp potentiellt avhoppande kunder i tv\u00e5 grupper. Den ena gruppen erbjuds produkter baserade p\u00e5 v\u00e5r kundbeh\u00e5llningsmodell, den andra f\u00e5r inget erbjudande. Vi besl\u00f6t att tr\u00e4na en modell som skulle kunna ge nytta redan i punkt 1 av v\u00e5rt exempel.<\/p>\n<p>Vi ville g\u00f6ra segmenteringen s\u00e5 l\u00e4ttf\u00f6rst\u00e5elig som m\u00f6jligt. F\u00f6r detta valde vi flera funktioner som skulle vara l\u00e4tta att tolka: totalt antal transaktioner, l\u00f6n, sammanlagd oms\u00e4ttning p\u00e5 kontot, \u00e5lder, k\u00f6n. Funktionerna fr\u00e5n tabellen \"Kort\" togs inte med som de ans\u00e5gs vara lite informativa, och funktionerna fr\u00e5n tabellen 3 \"Avtal\" utesl\u00f6ts p\u00e5 grund av sv\u00e5righeter med bearbetningen f\u00f6r att undvika datal\u00e4ckage mellan valideringsupps\u00e4ttningen och tr\u00e4ningsupps\u00e4ttningen.<\/p>\n<p>Klustring genomf\u00f6rdes med hj\u00e4lp av Gaussian mixture models. Akaikes informationskriterium m\u00f6jliggjorde att identifiera 2 optimumn. Det f\u00f6rsta optimat motsvarar 1 kluster. Det andra optimat, som \u00e4r mindre uttalat, motsvarar 80 kluster. Utifr\u00e5n dessa resultat kan f\u00f6ljande slutsats dras: det \u00e4r extremt sv\u00e5rt att dela upp data i kluster utan a priori angiven information. F\u00f6r en mer kvalitativ klustring kr\u00e4vs data som detaljerat beskriver varje kund.<\/p>\n<p>D\u00e4rf\u00f6r \u00f6verv\u00e4gdes en uppgift om \u00f6vervakad inl\u00e4rning f\u00f6r att erbjuda varje enskild kund en specifik produkt. F\u00f6ljande produkter \u00f6verv\u00e4gdes: \"Sparr\u00e4nta\", \"Kreditkort\", \"\u00d6verdrag\", \"Konsumentl\u00e5n\", \"Bill\u00e5n\", \"Hypoteksl\u00e5n\". <\/p>\n<p>Det fanns ytterligare en produkt i datam\u00e4ngden: \"Kontokonto\". Men vi \u00f6verv\u00e4gde det inte p\u00e5 grund av l\u00e5g informationsinneh\u00e5ll. En modell byggdes baserat p\u00e5 anv\u00e4ndare som \u00e4r bankkunder, dvs. de som inte har slutat anv\u00e4nda bankens produkter, f\u00f6r att f\u00f6ruts\u00e4ga vilken produkt som kan vara av intresse f\u00f6r dem. Logistisk regression valdes som modell, och Lift-v\u00e4rdet f\u00f6r de f\u00f6rsta 10 percentilerna anv\u00e4ndes som kvalitetsbed\u00f6mningsmetrik. <\/p>\n<p>Modellens kvalitet kan bed\u00f6mas utifr\u00e5n diagrammet.<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/77cab18988ab9c3b768b86e31479817f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<i>Resultat av produktrekommendationsmodellen f\u00f6r kunder <\/i> <\/p>\n<h2>Resultat<\/h2>\n<p>\nDenna metod gav oss f\u00f6rsta plats i kategorin \"AI i banker\" vid RAIF-Challenge 2017.<\/p>\n<p><img decoding=\"async\" alt=\"Som vi f\u00f6rutsp\u00e5dde n\u00e4rmar sig utf\u00f6rs\u00e4ljningen som en naturkatastrof\" src=\"\/wp-content\/uploads\/2019\/03\/0c321869dfd02323766c025ed4021bcf.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nUppenbarligen var det viktigaste att n\u00e4rma sig problemet fr\u00e5n en mindre vanligt perspektiv och anv\u00e4nda en metod som normalt anv\u00e4nds f\u00f6r andra situationer.<\/p>\n<p>\u00c4ven om mass\u00f6verg\u00e5ng av anv\u00e4ndare kan utg\u00f6ra en katastrof f\u00f6r tj\u00e4nster.<\/p>\n<p>Denna metod kan ocks\u00e5 till\u00e4mpas inom andra omr\u00e5den d\u00e4r det \u00e4r viktigt att beakta avhopp, inte bara i banker. Till exempel anv\u00e4nde vi den f\u00f6r att ber\u00e4kna v\u00e5rt eget avhopp \u2013 i de sibiriska och Sankt Petersburg filialerna av Rostelekom.<\/p>\n<p><i>\"Laboratorium f\u00f6r intelligent dataanalys\" f\u00f6retag \"S\u00f6kportal Spjutnik\"<\/i><br \/>\n<br \/>K\u00e4lla: <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 5.0.4 - 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\/sv\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.4\" \/>\n\t\t<meta property=\"og:locale\" content=\"sv_SE\" \/>\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\/sv\/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\udd47Hur vi f\u00f6rutsade avhopp genom att n\u00e4rma oss det som en katastrof | ProHoster","description":"Ibland, f\u00f6r att l\u00f6sa ett problem, m\u00e5ste man helt enkelt betrakta det fr\u00e5n en annan vinkel.","canonical_url":"https:\/\/prohoster.info\/sv\/blog\/kak-my-predskazyvali-ottok-podojdya-k-nemu-kak-k-stihijnomu-bedstviyu","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sv_SE","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\/sv\/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\/sv\/wp-json\/wp\/v2\/posts\/30044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/comments?post=30044"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/30044\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media?parent=30044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/categories?post=30044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/tags?post=30044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}