Predicting customer repurchase within a time frame – A case study of a Fintech company

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Business | Master's thesis

Authors

Date

2025-03-21

Department

Major/Subject

Mcode

Degree programme

Master's programme in Business Analytics

Language

en

Pages

73

Series

Abstract

In the age of strong Customer Relationship Management (CRM) focus, firms are increasingly shifting their focus from customer acquisition to customer retention efforts. Specifically, non-contractual settings with unobservable customer churns bring uncertainties to any firm that would like to enhance its customer retention efforts. Therefore, prior literature has examined customer repurchase prediction by using different probability models, such as Buy-Till-You-Die (BTYD) models, hazard models, and classification models. This thesis uses a quantitative approach to predict customer repurchases within a time frame by utilizing customer data from a financial technology company operating in a non-contractual setting. Specifically, this thesis employs four machine learning models–Logistic Regression (LR), Random Forest (RF), XGBoost, and Support Vector Machine (SVM)–that present promising predictive performance based on evaluation metrics. Based on the importance of the features, transaction frequency, and time-based variables significantly affect the customer’s repurchase intentions. Furthermore, the model results suggest that all four classification models could distinguish between repurchasing and non-repurchasing customers well. Finally, building on prior conceptualizations and the findings, this thesis presents fruitful avenues for managerial implications and further research.

Nykyisessä vahvan asiakkuudenhallinnan aikakaudessa yhä enemmän yrityksistä siirtävät painopistettään asiakashankinnasta asiakaspysyvyyden parantamiseen. Erityisesti ei-sopimusperusteisissa liiketoimintamalleissa, joissa asiakaspoistumaa ei voida havaita tarkasti, syntyy epävarmuuksia yrityksille, jotka haluavat tehostaa asiakaspysyvyyttään. Sen takia aikaisempi kirjallisuus on tarkastellut asiakkaiden uudelleenostojen ennustamista eri todennäköisyysmalleilla, kuten Buy-Till-You-Die (BTYD) -malleilla, hasardimalleilla ja luokittelumalleilla. Tämä opinnäytetyö käyttää kvantitatiivista tutkimusmenetelmää ennustaakseen asiakkaan uudelleenostoa tietyllä aikavälillä hyödyntämällä rahoitusteknologiayrityksen asiakasdataa ei-sopimusperusteisessa ympäristössä. Erityisesti opinnäytetyössä hyödynnetään neljää koneoppimismallia: logistista regressiota, satunnaismetsää, XGBoostia ja tukivektorikonetta, jotka osoittavat lupaavaa tarkkuutta arviointimittareiden perusteella. Muuttujien tärkeyden analyysin perusteella, transaktioiden tiheys ja aikaperusteiset muuttujat vaikuttavat merkittävästi asiakkaan uudelleenostoihin. Lisäksi mallien tulokset viittaavat siihen, että kaikki neljä luokittelumallit pystyivät erottamaan hyvin uudelleenostavat ja ei-uudelleenostavat asiakkaat. Lopuksi aiempiin käsitteellisiin malleihin ja tutkimuksen tuloksiin pohjautuen, tämä opinnäytetyö tarjoaa hyödyllisiä johtopäätöksiä liiketoiminnalle sekä antaa suuntaa jatkotutkimuksille.

Description

Supervisor

Malo, Pekka

Thesis advisor

Rodriguez, Manuel

Keywords

machine learning, financial services, customer repurchase prediction, customer relationship management (CRM)

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202504223356

Collections

[gradu] Kauppakorkeakoulu / BIZ