The chargeback process is costly for the merchant. Not only does the merchant lose the revenue from the purchase, but it must also pay handling fees to the bank and risks never getting paid for provided service. The purpose of this study is to examine and investigate how to prognosticate future chargebacks by using machine learning in form of Artificial Neural Network on transaction data. Doing so can be used to minimize and decrease financial costs for the merchant. The study indicates that it’s complex to prognosticate chargebacks, but illuminates that it’s possible under certain circumstances. The created model has been concluded to be more suitable as a compliment, rather than a substitute for the current Rule-Based classification system. The model should be implemented based on economic analysis since it can be used to reduce costs and contribute to profitability over time. Furthermore, the study highlight lessons learned and complementary research areas for future studies. / Återbetalningar medför stora kostnader för handlare i form av förlorade intäkter vid återbetalning av transaktionssumman, samt tillkommande handläggningsavgifter i processen. Syftet med rapporten är att utvärdera och undersöka möjligheten att prognostisera framtida återbetalningar, genom att applicera maskininlärning i form av Artificiellt Neuralt Nätverk på transaktionsdata. På så sätt kan återbetalningar minimeras och reducera finansiella kostnader hos handlaren. Studien påvisar att det är komplext att predicera återbetalningar, men att det är möjligt under särskilda omständigheter. Modellen som skapats har konstaterats mer lämpad som ett komplement till det aktuella regelbaserade klassificeringssystemet än ett substitut. Utifrån en ekonomisk analys klargörs att algoritmen bör implementeras för att reducera kostnader och på sikt bidra till lönsamhet. Studien belyser även lärdomar, samt kompletterande forskningsområden för framtida studier.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-320594 |
Date | January 2022 |
Creators | Günther, Theodor, Pagels-Fick, Otto |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2022:423 |
Page generated in 0.0015 seconds