Uppsats

Kundklassificering baserad på köpbeteende med maskininlärning

Kandidat-uppsats

Linköpings universitet/Statistik och maskininlärning

Publicerad: 2026

Språk: Svenska

Nyckelord

klicka för att söka

⌕Machine learning ⌕XGBoost.⌕Consumer behavior ⌕Maskininlärning ⌕Konsumentbeteende ⌕Retail ⌕LSTM ⌕Detaljhandel ⌕Random Forest ⌕model evaluation ⌕modellutvärdering ⌕transaktionsdata ⌕predictive modeling ⌕Recurrent neural networks ⌕statistics ⌕Beslutsträd ⌕feature importance ⌕statistical analysis ⌕statistik ⌕Statistisk analys ⌕binary classification ⌕decision trees ⌕Logistic regression ⌕grocery retail ⌕class imbalance ⌕Logistisk regression ⌕transaction data ⌕Statistical modeling ⌕SHAP-values ⌕dagligvaruhandel ⌕Customer Segmentation ⌕customer classification ⌕purchasing behavior ⌕sales data ⌕price promotions ⌕promotional purchases ⌕classification models ⌕statistisk modellering ⌕Kundsegmentering ⌕kundklassificering ⌕köpbeteende ⌕försäljningsdata ⌕priskampanjer ⌕kampanjköp ⌕prediktiv modellering ⌕klassificeringsmodeller ⌕binär klassificering ⌕klassobalans ⌕rekurrenta neurala nätverk ⌕SHAP-värden

Sammanfattning

Priskampanjer är ett av de vanligaste verktygen för att attrahera kunder inom detaljhandeln idag. Dock medför detta en risk att vissa kunder utnyttjar dessa priskampanjer och endast handlar rabatterade varor utan att genomföra kompletterande köp som bidrar till lönsamhet. Denna typ av kundbeteende definieras i denna studie som kampanjjägare. Syftet med studien är att undersöka om det, utifrån historisk försäljningsdata, är möjligt att med hjälp av maskininlärning identifiera och klassificera kundgrupperna vanlig kund och kampanjjägare, samt kartlägga vilka specifika köpmönster som särskiljer dessa kunder åt. För att besvara frågeställningarna utvärderades och jämfördes fyra olika statistiska modeller: Logistisk regression, XGBoost, Random Forest och Recurrent Neural Network (LSTM). Resultaten visade att XGBoost var den modell som presterade bäst, där den kunde hantera datamaterialets klassobalans på bäst sätt och därmed korrekt klassificera kunderna i båda segmenten. Genom utvärderingsmått som MCC och PR-AUC kunde det fastställas att försäljningsdata innehåller tillräcklig information för att prediktiva modeller med god precision ska kunna särskilja de två kundtyperna. Slutligen visade en analys av Feature Importance och SHAP-värden att de faktorer som hade absolut störst inverkan på klassificeringen var kundens generella andel kampanjköp, ett lågt genomsnittligt antal varugrupper per köptillfälle, samt en hög varians i köpbelopp över tid, vilket indikerar att kampanjjägare har ett mer oregelbundet och selektivt köpbeteende än vanliga kunder.