This bachelor’s thesis investigated the application of machine learning to predict churn and retain customers in digital subscription services. Conducted at KTH Royal Institute of Technology and sponsored by Breakit, a Swedish tech news site, the research developed models with varying feature sets to evaluate performance. These models utilized advanced feature selection methods and machine learning algorithms. The study assessed the feasibility of these models and their potential to recognize and reduce churn, with customer success used as a framework. The results indicate strong performance metrics for the models, indicating significant benefits for the sponsor, including the potential to improve user retention and thus to be able to strengthen their market position in the competitive digital subscription industry.

Denna kandidatuppsats undersökte tillämpningen av maskininlärning för att förutsäga kundavhopp och behålla kunder inom digitala prenumerationstjänster. Studien var genomförd vid KTH Kungliga Tekniska högskolan och sponsrad av Breakit, en svensk nyhetssajt. Modeller med varierande funktionsuppsättningar utvecklades för att utvärdera prestanda. Dessa modeller använde avancerade metoder för urval av funktioner och maskininlärningsalgoritmer. Studien bedömer genomförbarheten av dessa modeller och deras potential att känna igen och minska kundavhopp, med “customer success” som ramverk. Resultaten visar på goda prestationer av modellerna, vilket tyder på betydande fördelar för Breakit, däribland potentialen att förbättra kundbehållning och möjligheten att stärka sin position i den konkurrensutsatta digitala prenumerationsindustrin.