The master thesis is carried out in a collaboration with a Swedish online grocery company. The goal of the thesis is to investigate if it is possible to explain the underlying factors that affect new customers to be retained. Because of the difficulties of defining churn and retention in non-contractual settings, most of the literature is focused on contractual and subscription settings. There are a limited number of studies when trying to predict customer churn in non-contractual businesses and even fewer studies that emphasize retention. This thesis aims to contribute to the field of retention in non-contractual business and also highlight the assumptions and drawbacks of churn-related task.  To achieve the goal of the thesis a literature review is carried out together with two statistical learning approaches; logistic regression model and extreme gradient boosting model. The results shows that it is possible to find the underlying factors that drive customers to be retained. The greatest drivers that could increase the probability of retaining new customers are the days between the first and second order, the second order value, and the total order value. / Examensarbetet är genomfört som ett samarbete med ett svenskt matvaruföretag på nätet. Målet med examensarbetet är att undersöka om det är möjligt att förklara de bakomliggande faktorer som påverkar nya kunder att stanna kvar som kunder. På grund av svårigheterna med att definiera kundbortfall och bibehållande av kunder i icke-kontraktuella affärer fokuserar den mesta av litteraturen på avtals- och prenumerationsmiljöer. Det finns ett begränsat antal studier där man försöker förutsäga kundbortfall i icke-kontraktuella verksamheter och ännu färre studier som fokuserar på bibehållande av kunder. Denna uppsats syftar till att bidra till området bibehållande av kunder i icke-kontraktuella affärer och även belysa antagandena och nackdelarna med analyser inom kundbortfall.  För att uppnå målet med avhandlingen genomförs en litteraturgenomgång tillsammans med två statistiska lärandemetoder; logistisk regressionsmodell och extreme gradient boosting model. Resultaten visar att det är fullt möjligt att hitta de bakomliggande faktorerna som driver kunderna att stanna kvar. De största drivkrafterna som kan öka sannolikheten för att kunder ska bibehållas är dagarna mellan första och andra ordern, andra ordervärdet och det totala ordervärdet.

Startups within the tech field are incraesingly using proof of concept (POC) customers as a partner when developing new products and services as this enables them to sell the product before building it, ensuring that the product they are developing is aligned with the market needs before making it avaliable to a wider market. Becasue of the positive results that designing and developing new products together with users and customers have shown, the acqusition of POC customers has become a crucial step in the product development process for many startups. The purpose of this study is to understand how the process from business idea to first proof of concept customer evolves and in this process, what are important factors in acquiring the first proof of concept customer. The study is of qualitative nature and leverages a multiple case study based on interviews with eight Swedish tech startups. The findings from the research show that the process is of iterative nature and has seven sub-processes; Defining and scoping proclem, Defining target marker, Finding customers, Defining customer needs, Initial pitch, Persuasion, and finally, Negotiation and signature. Furthermore, five concepts influencing this process were found; Market understanding, Product understanding, Sales tactics, Customer management, and Entrepreneurial attitude. / Startups som verkar inom techindustrin inkluderar allt oftare proof of concept (POC) kunder i utvecklingen av nya produkter och tjänster då det gör det möjligt att säkerställa att produkten är anpassad till marknadens behov. Då utveckling av nya produkter tillsammans med användare och kunder har visat sig effektivt och ha positiva resultat, har förvärvet av POC kunder blivit ett abgörande steg i produktutvecklingsprocessen för många startups. Syftet med denna studie är att förstå hur processen ser ut från affärsidé till signering av första proof of concept kunden, och i denna process även förstå vilka faktorer som är viktiga för att signera första proof of concept-kunden. Studien är av kvalitativ karaktär och använder fallstudier baserad på intervjuer med åtta svenska tech startups. Resultaten visar att processen är av iterativ natur och har sju delprocesser; Definiera problemet, Definiera målgrupp, Hitta kunder, Definiera kundbehov, Inledande pitch, Övertalning och slutligen, Förhandling och signatur. Vidare presenteras fem koncept som påverkar denna proccess; Marknadsförståelse, Produktförståelse, Säljtaktik, Kundhantering och Entreprenöriell attityd.

This paper aims to investigate whether or not it is possible to identify users who are about change provider of service with machine learning. It is believed that the Consumer Decision Journey is a better model than traditional funnel models when it comes to depicting the processes which consumers go through, leading up to a purchase. Analytical and operational Customer Relationship Management are presented as possible fields where such implementations can be useful. Based on previous studies, Random Forest and XGBoost were chosen as algorithms to be further evaluated because of its general high performance. The final results were produced by an iterative process which began with data processing followed by feature selection, training of model and testing the model. Literature review and unstructured and semi-structured interviews with the employer Growth Hackers Sthlm were also used as methods in a complementary fashion, with the purpose of gaining a wider perspective of the state-of-the-art of ML-implementations. The final results showed that Random Forest could identify the sought-after users (positive) while XGBoost was inferior to Random Forest in terms of distinguishing between positive and negative classes. An implementation of such model could support and benefit an organization’s customer acquisition operations. However, organizational prerequisites regarding the data infrastructure and the level of AI and machine learning integration in the organization’s culture are the most important ones and need to be considered before such implementations. / I det här arbetet undersöks huruvida det är möjligt att identifiera ett beteende bland användare som innebär att användaren snart ska byta tillhandahållare av tjänst med hjälp av maskininlärning. Målet är att kunna bidra till ett maskininlärningsverktyg i kundförvärvningssyfte, såsom analytical och operational Customer Relationship Management. Det sökta beteendet i rapporten utgår från modellen ”the Consumer Decision Journey”. I modellen beskrivs fyra faser där fas två innebär att konsumenten aktivt söker samt är mer mottaglig för information kring köpet. Genom tidigare studier och handledning av uppdragsgivare valdes algoritmerna RandomForest och XGBoost som huvudsakliga algoritmer som skulle testas. Resultaten producerades genom en iterativ process. Det första steget var att städa data. Därefter valdes parametrar och viktades. Sedan testades algoritmerna mot testdata och utvärderades. Detta gjordes i loopar tills förbättringar endast var marginella. De slutliga resultaten visade att framförallt Random Forest kunde identifiera ett beteende som innebär att en användare är i fas 2, medan XGBoost presterade sämre när det kom till att urskilja bland positiva och negativa användare. Dock fångade XGBoost fler positiva användare än vad Random Forest gjorde. I syfte att undersöka de organisatoriska förutsättningarna för att implementera maskininlärning och AI gjordes litteraturstudier och uppdragsgivaren intervjuades kontinuerligt. De viktigaste förutsättningarna fastställdes till två kategorier, datainfrastruktur och hur väl AI och maskininlärning är integrerat i organisationens kultur.