Techo para Chile<\/a> en el que analizamos estos 3 KPI y los descompusimos en factores, en este caso, debido a que debo mantener el anonimato de los donantes y datos de la empresa, compartir\u00e9 solo los c\u00f3digos y los gr\u00e1ficos sin escala pero no el dataset.<\/p>\nPrimero vamos a inicializar el ambiente de trabajo setenado ciertas variables, cargando librerias y creando funciones.<\/p>\n
\r\noptions(stringsAsFactors = FALSE)\r\noptions(dplyr.width = Inf) \r\noptions(dplyr.print_max = 100) \r\nSys.setenv(TZ='GMT')\r\n\r\nlibrary(compiler)\r\nlibrary(tidyverse)\r\nlibrary(lubridate)\r\nlibrary(broom)\r\nlibrary(plotly)\r\n\r\nmoda = function(x){\r\n names(which.max(table(x))) \r\n}\r\n\r\n\r\nisnull = function(x,reemplazo,Nulos = c(NA,Inf,-Inf,NULL,NaN)){\r\n ifelse(x %in% Nulos,reemplazo,x)\r\n}\r\n\r\ndatasetRaw = readRDS("..\/3. dataset\/dataset_cohort.rds")\r\n\r\n<\/pre>\nEl dataset recibido es una tabla con los flujos de dinero de 2016 y 2017, el truco para hacer este an\u00e1lisis m\u00e1s f\u00e1cil es hacer aparecer los meses en que los donantes no generan su aporte y rellenarlos con un 0, por otro lado, mantendremos solo los aportes de los primeros 36 meses de vida de los donantes.<\/p>\n
\r\n\r\ngrilla = group_by(datasetRaw,nro_contrato,mes_activacion,monto_inicial,banco_t0,region,banco_t0, origen_pago_t0, hombre) %>% \r\n summarise() %>% \r\n crossing(meses = 1:36) %>%\r\n mutate(periodo = months(meses-1) + mes_activacion) %>% \r\n filter(periodo >= as.Date("2016-01-01") & periodo <= as.Date("2017-12-01"))\r\n \r\ndataset = grilla %>% \r\n left_join(datasetRaw) %>% \r\n mutate(hombre = as.numeric(hombre),\r\n monto = replace_na(monto,0)) %>% \r\n group_by(nro_contrato) %>% \r\n arrange(meses) %>% \r\n mutate(meses_activo = meses - min(c(meses[monto>0],9999))[1],\r\n meses_activo = replace(meses_activo,meses_activo <= 1,NA))\r\n\r\n<\/pre>\nKPI Activaciones<\/strong><\/p>\nLas activaciones o capturas de donantes no son muy constantes, se pueden ver por regi\u00f3n y banco respectivamente:<\/p>\n
\r\n\r\ntmp = filter(dataset, meses == 1)\r\ngr = ggplot(tmp,aes(mes_activacion,fill = region)) + geom_bar()\r\nggplotly(gr,width = 800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/activaciones_reg-1024x614.png?resize=810%2C486\")
<\/p>\n
\r\n\r\ntmp = filter(dataset, meses == 1)\r\ngr = ggplot(tmp,aes(mes_activacion,fill = banco_t0)) + geom_bar()\r\nggplotly(gr,width = 800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/activaciones_banco-1024x614.png?resize=810%2C486\")
<\/p>\n
KPI Ingreso Promedio<\/strong><\/p>\nLo natural es ver un histograma de la donaci\u00f3n inicial para la ventana de tiempo y sacar algunos estad\u00edsticos como media ($4.569) y mediana ($5.000)<\/p>\n
\r\n\r\ndataset_t0 = dataset %>% \r\n group_by(nro_contrato,mes_activacion,region,hombre, banco_t0) %>% \r\n summarise(monto_inicial = mean(monto_inicial)) %>% \r\n filter(dataset_t0, monto_inicial <= 20000) # Eliminar algunos outlayer\r\ngr = ggplot(dataset_t0,aes(monto_inicial)) + geom_histogram(bins = 30)\r\nggplotly(gr,width = 800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/aporte-1024x614.png?resize=810%2C486\")
<\/p>\n
Lo que realmente es interesante es entender por que las donaciones son distintas y separar los factores, de modo de apuntar a mejores donantes en el futuro, en este caso analizaremos con los atributos que tenemos: genero, regi\u00f3n y banco.<\/p>\n
La descomposici\u00f3n la haremos con una regresi\u00f3n lineal con variables dummy, donde los betas representar\u00e1n el aporte de cada atributo al aporte promedio.
\nDebido a la correlaci\u00f3n, para cada una de las dimensiones o atributos desaparecer\u00e1 la primera categor\u00eda, lo que se interpreta como que los pesos son relativos al valor del atributo faltante, por otro lado, omitiremos el an\u00e1lisis de significancia.<\/p>\n
Podemos ver que los que aportan usando el banco BICE tienen un aporte promedio $1500 pesos m\u00e1s alto que el nivel de referencia, por lo que debe ser priorizado contra Movistar y Presto que est\u00e1n $3.000 bajo el nivel de referencia, por otro lado conviene hacer campa\u00f1as de recaudaci\u00f3n en la 2da y 11va regi\u00f3n donde los donantes donan m\u00e1s.<\/p>\n
\r\n\r\ntmp = dataset %>% filter(monto>0 & monto <=20000)\r\nfit_monto_t0 = lm(monto_inicial ~ region + hombre + origen_pago_t0, tmp)\r\ngr_data = tidy(fit_monto_t0)[-1,]\r\ngr = ggplot(gr_data,aes(term,estimate)) + \r\n geom_bar(stat="identity")+ \r\n theme(axis.text.x = element_text(angle = 45,hjust = 1))\r\nggplotly(gr,width = 800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/aporte_descompuesto-1024x614.png?resize=810%2C486\")
<\/p>\n
KPI Tasa de Supervivencia<\/strong><\/p>\nEste es el KPI m\u00e1s complejo debido a que evolucione en al tiempo.<\/p>\n
El equivalente al histograma de aporte promedio, es el gr\u00e1fico de tasa de supervivencia promedio, el cual se ve del siguiente modo para los primeros 15 meses:<\/p>\n
\r\n\r\ntmp = dataset %>% \r\n filter(mes_activacion >= as.Date("2016-01-01") & meses < 15) %>%\r\n filter(!is.na(meses_activo)) %>%\r\n group_by(meses) %>% \r\n summarise(supervivencia = mean(monto >0))\r\n\r\ngr = ggplot(tmp,aes(meses,supervivencia)) +geom_line()\r\nggplotly(gr,wifth=800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/conversion-1024x614.png?resize=810%2C486\")
<\/p>\n
El gr\u00e1fico anterior habla por si solo, hasta el mes numero 15, la perdida de clientes es mas o menos lineal, pero nos gustar\u00eda separar ese gr\u00e1fico en factores: en este caso, estacionales y n\u00famero de meses.<\/p>\n
Para lograr la descomposici\u00f3n, haremos una regresi\u00f3n con variables dummy para cada mes y periodo, de este modo, no asumiremos ninguna forma para la curva. Los betas asociados al periodo, representar\u00e1n las estacionalidad.<\/p>\n
El gr\u00e1fico por numero de mes des-estacionalizado queda casi id\u00e9ntico al caso anterior, solo cambia el nivel, pero no puedo mostrarlo:<\/p>\n
\r\n\r\ntmp = dataset %>% \r\n filter(mes_activacion >= as.Date("2016-01-01") & meses < 15) %>%\r\n filter(!is.na(meses_activo)) %>%\r\n mutate(periodo = as.character(periodo),\r\n meses = as.character(meses), \r\n supervivencia = monto>0, \r\n meses_activo = as.character(meses_activo))\r\n\r\nfit = lm(supervivencia ~ meses + periodo - 1, tmp)\r\nfit_tidy = tidy(fit)\r\nfit_meses = fit_tidy %>% \r\n filter(!grepl("periodo",term)) %>% \r\n # mutate(estimate = estimate+estimate[1]) %>% \r\n filter(grepl("meses",term)) %>% \r\n mutate(meses = as.numeric(str_remove(term,"meses")))\r\n\r\ngr = ggplot(fit_meses,aes(meses, estimate)) + geom_line()\r\nggplotly(gr,wifth=800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/conversion_desestacionalizada-1024x614.png?resize=810%2C486\")
<\/p>\n
Por otro lado, el gr\u00e1fico de estacionalidad muestra que hay meses m\u00e1s buenos que otros, en particular fines del 2016 e inicios del 2017 fueron muy malos, despu\u00e9s hubo una recuperaci\u00f3n que en 2017\/10 se perdi\u00f3.<\/p>\n
\r\n\r\nfit_periodo = fit_tidy %>% \r\n filter(grepl("periodo",term)) %>% \r\n mutate(periodo = as.Date(str_remove(term,"periodo")))\r\n\r\ngr = ggplot(fit_periodo,aes(periodo, estimate)) + geom_line()\r\nggplotly(gr,wifth=800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/conversion_mensual-1024x614.png?resize=810%2C486\")
<\/p>\n
Para terminar, al igual que en la descomposici\u00f3n de aporte promedio, realizaremos una descomposici\u00f3n de la supervivencia, para ellos debemos asumir una forma para la curva de supervivencia, la cual en este caso ser\u00e1 una linea recta.
\nVamos a estimar el aporte a la pendiente de la curva de supervivencia de cada uno de los factores que tenemos para analizar, el truco es reflejar la forma de la curva en las variables dummy del modelo, en este caso, como es lineal, pondremos el n\u00famero de mes.<\/p>\n
Los bancos Security, Itau y BICE son los con mejor tasa de supervivencia, mientras que Estado, Falabella y Tarjetas Retail son los clientes que menos duran, por otro lado las regines 11 y 15 son en las que los donantes m\u00e1s duran.<\/p>\n
\r\n\r\ntmp = dataset %>% \r\n filter(mes_activacion >= as.Date("2016-01-01") & meses < 15) %>%\r\n filter(!is.na(meses_activo)) %>% \r\n # group_by(meses,periodo,region,hombre,banco_t0) %>% \r\n # summarise(tasa_supervivencia = mean(monto>0), casos = n()) %>% \r\n # filter(casos > 25) %>% \r\n ungroup() %>% \r\n mutate(periodo = as.character(periodo), \r\n supervivencia = (monto > 0)*1) \r\n\r\nmat = model.matrix(~supervivencia+ meses + periodo + region + hombre + banco_t0-1,tmp) %>% data.frame()\r\nmat[,!grepl("periodo|supervivencia",colnames(mat))] = mat[,!grepl("periodo|supervivencia",colnames(mat))] *mat$meses\r\nmat = select(mat,-meses)\r\n\r\nfit = lm(supervivencia ~ . -1, as.data.frame(mat))\r\ndata_fit = tidy(fit) %>% \r\n filter(!str_detect(term,"periodo"))\r\n\r\ngr = ggplot(data_fit,aes(term,estimate)) + \r\n geom_bar(stat="identity") + \r\n theme(axis.text.x = element_text(angle = 45,hjust = 1))+\r\n ylab("aporte a tasa de supervivencia")+\r\n xlab("dimencion")\r\nggplotly(gr,width = 800)\r\n\r\n<\/pre>\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/conversion_descompuest2-1024x614.png?resize=810%2C486\")
<\/p>\n
Conclusiones<\/strong><\/p>\nM\u00e1s que una conclusi\u00f3n, ahora lo que hay que hacer es un modelo que utilice los par\u00e1metros calculados y valorizar la captaci\u00f3n promedio para el producto cruz de cada uno de los atributos modelados, esto permitir\u00e1 optimizar la locaci\u00f3n de las personas que buscan donantes. Por ejemplo, lo clientes del banco BICE parecen ser de los buenos, por lo que puede ser buena idea poner un voluntario en la entrada del banco BICE.<\/p>\n
Saludos!<\/p>\n","protected":false},"excerpt":{"rendered":"
En los negocios de suscripci\u00f3n (Diarios, Celular, Seguros, etc…) el negocio siempre es el mismo: captar a un cliente y luego recibir flujos de dinero […]<\/a><\/p>\n<\/div>","protected":false},"author":1,"featured_media":2390,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"jetpack_post_was_ever_published":false},"categories":[1],"tags":[],"class_list":["post-2385","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2018\/06\/techo.png?fit=348%2C180&ssl=1","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p8vjqF-Ct","jetpack-related-posts":[{"id":2743,"url":"https:\/\/geekosas.com\/index.php\/es\/2019\/08\/04\/destapando-los-promedios\/","url_meta":{"origin":2385,"position":0},"title":"Destapando los promedios","author":"Daniel Fischer","date":"2019-08-04","format":false,"excerpt":"Como dicen por ah\u00ed, los promedios esconden muchas cosas, en el articulo gender-pay-gap-en-tecnologia vimos un an\u00e1lisis que mostraba como, para esos datos, la diferencia de sueldos entre hombres y mujeres puede entenderse con factores distintos al g\u00e9nero. Ahora vamos a ver una t\u00e9cnica, basada en machine learning, muy simple de\u2026","rel":"","context":"In "Sin categor\u00eda"","block_context":{"text":"Sin categor\u00eda","link":"https:\/\/geekosas.com\/index.php\/category\/sin-categoria\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/08\/distribution.png?fit=1200%2C767&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/08\/distribution.png?fit=1200%2C767&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/08\/distribution.png?fit=1200%2C767&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/08\/distribution.png?fit=1200%2C767&ssl=1&resize=700%2C400 2x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/08\/distribution.png?fit=1200%2C767&ssl=1&resize=1050%2C600 3x"},"classes":[]},{"id":828,"url":"https:\/\/geekosas.com\/index.php\/es\/2016\/05\/08\/k-means\/","url_meta":{"origin":2385,"position":1},"title":"Segmentar clientes paso a paso","author":"Daniel Fischer","date":"2016-05-08","format":false,"excerpt":"Anteriormente escrib\u00ed sobre las redes neuronales (click aca para verlo).\u00a0Las redes neuronales y todos los otros \"m\u00e9todos supervisados\" son utilizados cuando\u00a0posee una muestra de valores\u00a0predecir, pero cuando sabes lo que quieres\u00a0lograr, pero no tienes una muestra del valor a predecir, se utilizan los llamados \"m\u00e9todos no supervisados\" Un cl\u00e1sico problema\u2026","rel":"","context":"In "Uncategorized"","block_context":{"text":"Uncategorized","link":"https:\/\/geekosas.com\/index.php\/es\/category\/uncategorized-es\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2016\/05\/kmenas6.png?fit=620%2C539&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2016\/05\/kmenas6.png?fit=620%2C539&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2016\/05\/kmenas6.png?fit=620%2C539&ssl=1&resize=525%2C300 1.5x"},"classes":[]},{"id":2728,"url":"https:\/\/geekosas.com\/index.php\/es\/2019\/07\/15\/estamos-de-vuelta\/","url_meta":{"origin":2385,"position":2},"title":"Estamos de Vuelta","author":"Daniel Fischer","date":"2019-07-15","format":false,"excerpt":"A pesar de nuestro EX-HOSTING DigitalOcean, el cual despu\u00e9s de ser cliente por 5 a\u00f1os por un mes de atraso borr\u00f3 todo el contenido de mi cuenta, incluido el trabajo de este sitio Web. Es razonable que por no pagar se bajen los servidores, incluso que seo borren, debo decir\u2026","rel":"","context":"In "Sin categor\u00eda"","block_context":{"text":"Sin categor\u00eda","link":"https:\/\/geekosas.com\/index.php\/category\/sin-categoria\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/07\/digital-ocean.png?fit=815%2C495&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/07\/digital-ocean.png?fit=815%2C495&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/07\/digital-ocean.png?fit=815%2C495&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2019\/07\/digital-ocean.png?fit=815%2C495&ssl=1&resize=700%2C400 2x"},"classes":[]},{"id":2278,"url":"https:\/\/geekosas.com\/index.php\/es\/2017\/12\/23\/quien-voto-por-cada-candidato\/","url_meta":{"origin":2385,"position":3},"title":"Quien vot\u00f3 por cada Candidato?","author":"Daniel Fischer","date":"2017-12-23","format":false,"excerpt":"El domingo pasado se eligi\u00f3 presidente de Chile, por ende muchos opin\u00f3logos intentaron explicar como se repartieron los votos de la primera vuelta a la segunda vuelta. Como el voto es secreto, nadie puede estar mal. Por eso decid\u00ed dar un aproach distinto al standard, recurriendo a un modelo matem\u00e1tico\u2026","rel":"","context":"In "Sin categor\u00eda"","block_context":{"text":"Sin categor\u00eda","link":"https:\/\/geekosas.com\/index.php\/category\/sin-categoria\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/12\/1511132848-untitled-collage-3.jpg?fit=1200%2C675&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/12\/1511132848-untitled-collage-3.jpg?fit=1200%2C675&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/12\/1511132848-untitled-collage-3.jpg?fit=1200%2C675&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/12\/1511132848-untitled-collage-3.jpg?fit=1200%2C675&ssl=1&resize=700%2C400 2x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/12\/1511132848-untitled-collage-3.jpg?fit=1200%2C675&ssl=1&resize=1050%2C600 3x"},"classes":[]},{"id":32,"url":"https:\/\/geekosas.com\/index.php\/es\/2015\/03\/27\/preordenar-juegos-digitales\/","url_meta":{"origin":2385,"position":4},"title":"Preordenar Juegos Digitales","author":"Daniel Fischer","date":"2015-03-27","format":false,"excerpt":"Algunas empresas muy inteligentes, como Apple, Samsung, Sony, Electronic Arts y en general todas las relacionadas con tecnolog\u00eda logran algo incre\u00edble. Antes de que el producto salga al mercado, logran tal nivel de excitaci\u00f3n en el mercado, que se muchas veces se quedan sin stock las primeras semanas, por ende\u2026","rel":"","context":"In "Sin categor\u00eda"","block_context":{"text":"Sin categor\u00eda","link":"https:\/\/geekosas.com\/index.php\/category\/sin-categoria\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":1923,"url":"https:\/\/geekosas.com\/index.php\/es\/2017\/03\/04\/ley-de-estacionamientos\/","url_meta":{"origin":2385,"position":5},"title":"Ley de Estacionamientos","author":"Daniel Fischer","date":"2017-03-04","format":false,"excerpt":"En Chile el d\u00eda 15 de febrero (corrijanm\u00e9 si estoy equivocado) se promulg\u00f3 la ley de estacionamientos, la cual entre otros obliga a la empresas de estacionamientos a: Compensar a los clientes\u00a0victimas de robos. Imposibilidad de multar por perdida de ticket. Elegir uno de los dos siguientes modos de tarificaci\u00f3n\u00a0.\u2026","rel":"","context":"In "Uncategorized"","block_context":{"text":"Uncategorized","link":"https:\/\/geekosas.com\/index.php\/es\/category\/uncategorized-es\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/02\/1487175020-auno760729.jpg?fit=799%2C533&ssl=1&resize=350%2C200","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/02\/1487175020-auno760729.jpg?fit=799%2C533&ssl=1&resize=350%2C200 1x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/02\/1487175020-auno760729.jpg?fit=799%2C533&ssl=1&resize=525%2C300 1.5x, https:\/\/i0.wp.com\/geekosas.com\/wp-content\/uploads\/2017\/02\/1487175020-auno760729.jpg?fit=799%2C533&ssl=1&resize=700%2C400 2x"},"classes":[]}],"_links":{"self":[{"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/posts\/2385","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/comments?post=2385"}],"version-history":[{"count":14,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/posts\/2385\/revisions"}],"predecessor-version":[{"id":2417,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/posts\/2385\/revisions\/2417"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/media\/2390"}],"wp:attachment":[{"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/media?parent=2385"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/categories?post=2385"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geekosas.com\/index.php\/wp-json\/wp\/v2\/tags?post=2385"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2018\/06\/pressent-value.png?resize=700%2C432\")
<\/p>\n