Acquiring new customers implies a certain cost for the banks, so there is a problem when new customers decide to leave the bank, shortly after the onboarding process. This thesis explores which factors, and especially what products and services, that affect the loyalty of new mortgage customers. These insights were partly generated through descriptive statistics, but also through a classification model using machine learning. Fixation periods proved to be very important in the short term, as a particularly small share of the customer base left the bank with a fixation period of two years or longer tied to their mortgage loans. In general, all additional products and services had a positive effect on customer loyalty. In the short term, first-time homebuyers left the bank at a greater rate compared to customers who had switched banks prior to leaving. In addition to this, the model also suggests that younger customers churn more frequently than older customers, and that a higher loan amount tends to increase the likelihood of a customer leaving. It also highlights the fact that customers living in the vicinity of Stockholm, appear to leave at higher rates than the rest of the country. However, these conclusions should be treated with some level of skepticism, due to interaction effects between, for example, the customer's geographic region (Stockholm) and other variables. The model performs much better than simply guessing, however, some further improvements are required before the model is put into production.

Syftet med uppsatsen är att utifrån kvalitativa intervjuer och teori förstå hur reklambyråer kan skapa långvariga kundrelationer. Studien har gjorts genom personliga intervjuer med elva personer som arbetar på fyra olika reklambyråer. På samtliga byråer har intervjuer gjorts med en person i ledande position, en produktionsledare samt en kreatör (Art Director eller Copywriter). Intervjumaterialet har analyserats genom kodning med en kvalitativ ansats. Resultatet av intervjuerna har knutits till relevant litteratur inom ämnet kundrelationer. Slutsatser författaren har dragit av sin studie är att det reklambyråerna anser är det viktigaste för att skapa långsiktighet är att göra bra reklam. Trots detta anser byråerna att den vanligaste orsaken till kundbortfall är att det byts ut människor på kundsidan; att det kommer en ny marknadschef. Den personliga relationen framhävs som väldigt viktig. När det gäller frågan om korta kundrelationer är ett problem för branschen är det svårt att besvara då en kvalitativ metod används i uppsatsen, dock ger empirin en fingervisning om att korta kundrelationer kan vara ett problem för branschen. Det är dock värt att poängtera att endast en byrå ansåg att den egna verksamheten led av detta problem. / The purpose of this essay is to understand how advertising agencies can create long-term customer relationships. The author will do this by using qualitative studies and theory. The study has been made through personal interviews with eleven persons who work at four different advertising agencies. At all the agencies interviews has been made with one person in a leading position, one account manager and one with creative tasks (Art Director or Copywriter). The results of the interviews have been linked to the relevant literature within customer relations. The author’s conclusions from the study are that the most important factor when it comes to creating long-term relations is to create good advertising. Still the advertising agencies believe that the most important reason for customer lost depends on the changes in the customer’s management. The personal relations are believed to be important. When it comes to the question whether short-term relationships is a problem or not that’s a question hard to answer when a qualitative method has been used. The empiricism hints that short-term relationships could be a problem for the advertising agencies. It’s worth emphasizing that only one agency mentioned that their agency suffered from this problem.

Den här studien syftar till att undersöka användarbortfall på webbaserad faktureringstjänst för småföretagare. Målsättningen var att, genom kartläggning av enkäter och intervjuer med användare, ta fram åtgärdsförslag för att förhindra framtida användarbortfall från tjänsten. Företaget bakom faktureringstjänsten har inte någon precis kunskap om varför nya användare väljer att lämna tjänsten. Detta eftersom man i dagsläget inte har några tydliga rutiner för att samla in denna information. Studien finner att tidigare användare av faktureringstjänsten har övergett denna för att de ansåg att designen på systemet var lite för inkonsekvent (bildbeskrivningen av webbsidorna motsvarar inte hur webbsidorna faktiskt ser ut) samt att priset inte stämde överens med förväntningarna de hade.

Kundbortfall är en utmaning vilket flertalet organisationer står inför. Tidigare studier påvisar att digital marknadsföring kan vara en lösning för att minska kundbortfall, detta på grund av att digital marknadsföring kan bidra till ökad kundnöjdhet vilket i sin tur leder till kundlojalitet. Denna lojalitet gör att kunden stannar hos organisationen trots att de får erbjudanden från konkurrenter. Syftet med denna kvalitativa studie är att undersöka hur och varför digital marknadsföring nyttjas för att hämma kundbortfall inom telekommunikationsbolag. Valet av bransch och avgränsning baseras på att telekommunikationsbranschen påverkas kraftigt av kundbortfall. Detta på grund av den hårda konkurrensen samt att marknaden inom branschen är mättad. Leverantörer och konkurrenter erbjuder liknande produkter och tjänster vilket är en bidragande faktorer för kundbortfall inom telekommunikationsbranschen. Uppsatsens slutsats utformas från en analys av insamlad empiri från semistrukturerade intervjuer som analyseras med stöd av teoretiskt referensram, tidigare forskning samt bakgrund till ämnet. Resultatet tydliggör vikten av digital marknadsföring i kommunikationen för att möjliggöra lönsamhet i form av kundnöjdhet. Resultatet tydliggör även hur digital marknadsföring nyttjas i syfte att förstå kundbeteende samt ge stöd i utformningen av recovery strategies. / Organisations are facing a crucial challenge in terms of customer churn. Previous studies show that digital marketing can be a solution to reduce customer churn. This is because digital marketing can contribute to increased customer satisfaction, which in turn leads to customer loyalty. This loyalty makes the customer stay with the organisation despite receiving offers from competitors. The purpose of this qualitative research is to investigate how and why digital marketing is used to inhibit customer churn in telecommunications companies. The choice of industry and demarcation is based on the fact that the telecommunications industry is heavily affected by customer churn. This is due to the fierce competitive environment and the saturation of the market within the industry. Suppliers and competitors offer similar products and services, which is a contributing factor to customer churn in the telecommunications industry. The conclusion of this paper is formulated from an analysis of collected empirical data from semi-structured interviews which are analysed with the support of theoretical framework, previous research and background to the topic. The findings clarify the importance of digital marketing in communication to enable profitability through customer satisfaction. The study also clarifies how digital marketing is used to understand customer behaviour and to support the development of recovery strategies.

While operating in online markets offers opportunities for expanded assortment and convenience, it also poses challenges such as increased competition and the need to build personal relationships with customers. Customer retention be- comes crucial in maintaining a successful business, emphasizing the importance of understanding customer behavior. Traditionally, customer behavior analysis has focused on transactional behavior, such as purchase frequency and spending amounts. However, there has been a shift towards non-transactional behavior, driven by the popularity of loyalty programs that reward customers beyond trans- actions and aim to make customers feel appreciated and included, regardless of their spending power. This study is conducted at a global retailer with the aim of enhancing the under- standing of how non-transactional customer behavior influences customer churn. The approach in this study is to understand such behavior by developing a statis- tical model and to analyze statistical approaches of feature importance. Two types of approaches for statistical modeling, each with four variations, are assessed: (1) Random forest; and (2) Logistic regression. Furthermore, three different feature importance methods are considered; (1) Gini importance; (2) Permutation impor- tance and (3) Coefficient importance. The results showed that this approach can be used to analyze customer behavior and gain a better understanding of the driving factors for churn. Furthermore, the results showed that random forest approaches outperform logistic regression. With the definition of churn constructed in this study, the most important factors that affect the probability of churn are the customer’s number of sessions and inter session interval. / Att bedriva e-handel erbjuder inte enbart möjligheter för utökat sortiment och bekvämlighet, utan leder även till ökad konkurrens och ett ökat behov av att bygga relationer med kunder. Kundlojalitet är därmed avgörande för att upprätthålla en framgångsrik verksamhet, och betonar vikten av att förstå kundernas beteende. Traditionellt har analyser av kundbeteende främst bedrivits med fokus på transak- tionellt beteende, såsom frekvens eller totalbelopp för köp. På senare tid har allt mer fokus lagts på icke-transaktionellt beteende, på grund av införandet av lo- jalitetsprogram som belönar kunder bortom transaktioner, med målet att kunder ska känna sig uppskattade och inkluderade, oavsett köpkraft. Denna studie genomförs hos ett globalt detaljhandelsföretag med målet att utöka förståelsen för hur icke-transaktionellt kundbeteende påverkar kundbortfall. För att uppnå detta konstrueras en statistisk modell som utnyttjas för att med hjälp av statistiska metoder analysera signifikans hos variabler. Två kategorier av statis- tiska modeller undersöks; (1) Random forest och (2) Logistisk regression. Utöver detta används tre olika metoder för att analysera signifikans hos variabler; (1) Gini-betydelse; (2) Permutationsbetydelse; och (3) Koefficientbetydelse. Resultatet visar att studiens tillvägagångssätt kan användas för att analysera kund- beteende och nå ökad förståelse för vad som driver kundbortfall. Vidare visar re- sultatet att random forest-modeller överträffar modeller baserade på logistisk re- gression. Baserat på den definition av kundbortfall som definierats i denna studie är de viktigaste faktorerna som påverkar sannolikheten för kundbortfall, kundens antal sessioner och intervallet mellan kundens sessioner.

The current technology shift has contributed to increased consumption of media and entertainment through various mobile devices, and especially through subscription based services. Storytel is a company offering a subscription based streaming service for audio and e-books, and has grown rapidly in the last couple of years. However, when operating in a competitive market, it is of great importance to understand the behavior and demands of the customer base. It has been shown that it is more profitable to retain existing customers than to acquire new ones, which is why a large focus should be directed towards preventing customers from leaving the service, that is preventing customer churn. One way to cope with this problem is by applying statistical analysis and machine learning in order to identify patterns and customer behavior in data. In this thesis, the models logistic regression and random forest are used with an aim to both predict and explain churn in early stages of a customer's subscription. The models are tested together with the feature selection methods Elastic Net, RFE and PCA, as well as with the oversampling method SMOTE. One main finding is that the best predictive model is obtained by using random forest together with RFE, producing a prediction score of 0.2427 and a recall score of 0.7699. The other main finding is that the explanatory model is given by logistic regression together with Elastic Net, where significant regression coefficient estimates can be used to explain patterns associated with churn and give useful findings from a business perspective. / Det pågående teknologiskiftet har bidragit till en ökad konsumtion av digital media och underhållning via olika typer av mobila enheter, t.ex. smarttelefoner. Storytel är ett företag som erbjuder en prenumerationstjänst för ljud- och e-böcker och har haft en kraftig tillväxt de senaste åren. När företag befinner sig i en konkurrensutsatt marknad är det av stor vikt att förstå sig på kunders beteende samt vilka krav och önskemål kunder har på tjänsten. Det har nämligen visat sig vara mer lönsamt att behålla existerande kunder i tjänsten än hela tiden värva nya, och det är därför viktigt att se till att en befintlig kund inte avslutar sin prenumeration. Ett sätt att hantera detta är genom att använda statistisk analys och maskininlärningsmetoder för att identifiera mönster och beteenden i data. I denna uppsats används både logistisk regression och random forest med syfte att både prediktera och förklara uppsägning av tjänsten i ett tidigt stadie av en kunds prenumeration. Modellerna testas tillsammans med variabelselektionsmetoderna Elastic Net, RFE och PCA, samt tillsammans med översamplingsmetoden SMOTE. Resultatet blev att random forest tillsammans med RFE bäst predikterade uppsägning av tjänsten med 0.2427 i måttet precision och 0.7699 i måttet recall. Ett annat viktigt resultat är att den förklarande modellen ges av logistisk regression tillsammans med Elastic Net, där signifikanta estimat av regressionskoefficienterna ökar förklaringsgraden för beteenden och mönster relaterade till kunders uppsägning av tjänsten. Därmed ges användbara insikter ur ett företagsperspektiv.

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.

User retention is a critical aspect of any business or service. Churn is the continuous loss of active users. A low churn rate enables companies to focus more resources on providing better services in contrast to recruiting new users. Current published research on predicting user churn disregards time of day and time variability of events and actions by feature selection or data preprocessing. This thesis empirically investigates the practical benefits of including accurate temporal information for binary prediction of user churn by training a set of Machine Learning (ML) classifiers on differently prepared data. One data preparation approach was based on temporally sorted logs (log-level data set), and the other on stacked aggregations (aggregated data set) with additional engineered temporal features. The additional temporal features included information about relative time, time of day, and temporal variability. The inclusion of the temporal information was evaluated by training and evaluating the classifiers with the different features on a real-world dataset from a MedTech application. Artificial Neural Networks (ANNs), Random Forrests (RFs), Decision Trees (DTs) and naïve approaches were applied and benchmarked. The classifiers were compared with among others the Area Under the Receiver Operating Characteristics Curve (AUC), Positive Predictive Value (PPV) and True Positive Rate (TPR) (a.k.a. precision and recall). The PPV scores the classifiers by their accuracy among the positively labeled class, the TPR measures the recognized proportion of the positive class, and the AUC is a metric of general performance. The results demonstrate a statistically significant value of including time variation features overall and particularly that the classifiers performed better on the log-level data set. An ANN trained on temporally sorted logs performs best followed by a RF on the same data set. / Bevarande av användare är en kritisk aspekt för alla företag eller tjänsteleverantörer. Ett lågt användarbortfall gör det möjligt för företag att fokusera mer resurser på att tillhandahålla bättre tjänster istället för att rekrytera nya användare. Tidigare publicerad forskning om att förutsäga användarbortfall bortser från tid på dygnet och tidsvariationer för loggad användaraktivitet genom val av förbehandlingsmetoder eller variabelselektion. Den här avhandlingen undersöker empiriskt de praktiska fördelarna med att inkludera information om tidsvariabler innefattande tid på dygnet och tidsvariation för binär förutsägelse av användarbortfall genom att träna klassificerare på data förbehandlat på olika sätt. Två förbehandlingsmetoder används, en baserad på tidssorterade loggar (loggnivå) och den andra på packade aggregeringar (aggregerat) utökad med framtagna tidsvariabler. Inklusionen av tidsvariablerna utvärderades genom att träna och utvärdera en uppsättning MLklassificerare med de olika tidsvariablerna på en verklig datamängd från en digital medicinskteknisk produkt. ANNs, RFs, DTs och naiva tillvägagångssätt tillämpades och jämfördes på den aggregerade datamängden med och utan tidsvariationsvariablerna och på datamängden på loggnivå. Klassificerarna jämfördes med bland annat AUC, PPV och TPR. PPV betygsätter algoritmerna efter träffsäkerhet bland den positivt märkta klassen och TPR utvärderar hur stor del av den positiva klassen som identifierats medan AUC är ett mått av klassificerarnas allmänna prestanda. Resultaten visar ett betydande värde av att inkludera tidsvariationsvariablerna överlag och i synnerhet att klassificerarna presterade bättre på datauppsättningen på loggnivå. Ett ANN tränad på tidssorterade loggar presterar bäst följt av en RF på samma datamängd.

Churn refers to the discontinuation of a contract; consequently, customer churn occurs when existing customers stop being customers. Predicting customer churn is a challenging task in customer retention, but with the advancements made in the field of artificial intelligence and machine learning, the feasibility to predict customer churn has increased. Prior studies have demonstrated that machine learning can be utilized to forecast customer churn. The aim of this thesis was to develop and implement a machine learning model to predict customer churn and identify the customer features that have a significant impact on churn. This Study has been conducted in cooperation with the Swedish insurance company Bliwa, who expressed interest in gaining an increased understanding of why customers choose to leave.  Three models, Logistic Regression, Random Forest, and Gradient Boosting, were used and evaluated. Bayesian optimization was used to optimize the models. After obtaining an indication of their predictive performance during evaluation using Cross-Validation, it was concluded that LightGBM provided the best result in terms of PR-AUC, making it the most effective approach for the problem at hand. Subsequently, a SHAP-analysis was carried out to gain insights into which customer features that have an impact on whether or not a customer churn. The outcome of the SHAP-analysis revealed specific customer features that had a significant influence on churn. This knowledge can be utilized to proactively implement measures aimed at reducing the probability of churn. / Att förutsäga kundbortfall är en utmanande uppgift inom kundbehållning, men med de framsteg som gjorts inom artificiell intelligens och maskininlärning har möjligheten att förutsäga kundbortfall ökat. Tidigare studier har visat att maskinlärning kan användas för att prognostisera kundbortfall. Syftet med denna studie var att utveckla och implementera en maskininlärningsmodell för att förutsäga kundbortfall och identifiera kundegenskaper som har en betydande inverkan på varför en kund väljer att lämna eller inte. Denna studie har genomförts i samarbete med det svenska försäkringsbolaget Bliwa, som uttryckte sitt intresse över att få en ökad förståelse för varför kunder väljer att lämna. Tre modeller, Logistisk Regression, Random Forest och Gradient Boosting användes och utvärderades. Bayesiansk optimering användes för att optimera dessa modeller. Efter att ha utvärderat prediktiv noggrannhet i samband med krossvalidering drogs slutsatsen att LightGBM gav det bästa resultatet i termer av PR-AUC och ansågs därför vara den mest effektiva metoden för det aktuella problemet. Därefter genomfördes en SHAP-analys för att ge insikter om vilka kundegenskaper som påverkar varför en kund riskerar, eller inte riskerar att lämna. Resultatet av SHAP-analysen visade att vissa kundegenskaper stack ut och verkade ha en betydande påverkan på kundbortfall. Denna kunskap kan användas för att vidta proaktiva åtgärder för att minska sannolikheten för kundbortfall.