ZOYI 正在开发一个名为 Channel 的工具，该工具提供了一个与网站上在线用户交流的途径。最近，ZOYI 引入了 RF（Recency / Frequency，近度/频度）模型来区分正在使用 Channel 的用户，并决定通过以下计算对用户进行分类。

图：RF Channel 中区分用户的示意图。横轴代表 Recency（近度），纵轴代表 Frequency（频度）。

$$ (0 < f_1 < f_2 < f_3 < f_4, \ 0 < r_1 < r_2 < r_3 < r_4, \text{ 所有 } f_i \text{ 和 } r_i \text{ 均为整数。}) $$

$x$ 轴代表 Recency（近度），$y$ 轴代表 Frequency（频度）。所有在线用户根据其连接记录被赋予 $r, f$ 值，并被归类为以下十二种状态之一：

• “New Customer"
• “Promising"
• “About to Sleep"
• “Hibernating"
• “Lost"
• “Potential Loyalist"
• “Need Attention"
• “About to Leave"
• “Champion"
• “Loyal Customer"
• “Can’t Lose Them"
• “None"

在这些状态中，“None” 表示该用户在服务器上没有连接记录。如果 $(r, f)$ 位于两个或多个分类区域的边界上，则其分类遵循 $(r - 0.5, f - 0.5)$ 的分类。例如，如果 $(r, f)$ 的值为 $(r_4, f_2)$，它将被归类为 “Hibernating”；而如果值为 $(r_3, f_4)$，它将被归类为 “Loyal Customer”。

你想要调查对 RUN 感兴趣的用户状态，因此你尝试按以下方式安装该程序：

• $r$：如果当前时间为 $t$，$t - (\text{最近一次访问时间})$
• $f$：访问次数

给定网站用户的事件，编写一个程序，根据上方给出的图片对用户进行分类。

输入格式

第一行包含四个空格分隔的整数 $r_1, r_2, r_3, r_4$。($0 < r_1 < r_2 < r_3 < r_4 \le 10,000$)

第二行包含四个空格分隔的整数 $f_1, f_2, f_3, f_4$。($0 < f_1 < f_2 < f_3 < f_4 \le 10,000$)

第三行包含一个整数 $N$。($1 \le N \le 100,000$)

接下来的 $N$ 行按时间顺序包含事件，其中第 $i$ 个元素表示在时间 $i$ 发生的事件。

每个事件由空格分隔的 $A$ 和 $B$ 给出，其中 $B$ 是用户名（不包含空格，最多包含 10 个字母）。$A$ 的值为 1 或 2，其中 1 表示用户进入了网站，而 2 表示你应该输出该用户当前的分类。

输出格式

对于 $A$ 为 2 的事件，在每行中输出该用户的分类（不带引号）。

样例

输入样例 1

1 2 3 4
1 2 3 4
8
1 RUN
1 Alex
2 Alex
1 RUN
1 RUN
1 Alex
2 Alex
2 RUN

输出样例 1

New Customer
Potential Loyalist
Need Attention

说明

在时间 3，Alex 的连接状态为 $f = 1$（首次访问），$r = 1$（时间 $3 - 2 = 1$）。因此，Alex 被归类为 “New Customer”。

在时间 7，Alex 的连接状态为 $f = 2$（第二次访问），$r = 1$（时间 $7 - 6 = 1$）。因此，Alex 被归类为 “Potential Loyalist”。

在时间 8，RUN 的连接状态为 $f = 3$（第三次访问），$r = 3$（时间 $8 - 5 = 3$）。因此，RUN 被归类为 “Need Attention”。