Churn-prediktion med sekventiella aktivitetsmönster i en On-Demand musikstreamingtjänst

In data-driven companies, churn analysis aims to make use of novel machine learning and data mining techniques for the purpose of better understanding of the customers. The most common approach is to engineer a vast number of features describing users, products, services, and actions, which are then used to infer knowledge by means of machine learning and data mining. However, one aspect is typically neglected since it appears more difficult to model and utilize, and that is the time. This work presents the modeling of user activity on a music streaming service in the form of sequential temporally-dependent data, which serves to explore the advantages of detecting churning users by means of basic or long short-term memory recurrent neural networks. The performance and complexity are compared against non-sequential models using the same data. The conclusion reached is that even though recurrent networks bring no improvement of the module of a churn prediction model based on activity data, that data presented in sequential form does.Inom datadrivna företag används churn-analys i formv av maskininlärning och datautvinningsmetoder i syfte att bättre förstå kunder som väljer att terminera deras relation till företag. Det vanligaste angreppssättet är att ta fram ett antal attribut som kännetecknar användare, produkter, tjänster och handlingar, vilka sedan används för att generera kunskap med hjälp av maskinlärning och informationsutvinning. En aspekt som dock vanligtvis försummas är tid, då den visar sig vara svår att modellera och använda. Detta arbete presenterar modelleringen av användaraktivitet hos en musikstreamingtjänst i form av sekventiell temporärt beroende data, i syfte att utforska fördelarna med att detektera kunder som väljer att terminera sitt medlemskap med hjälp av long short-term recurrent neurala nätverk. Prestanda och komplexitet jämförs med icke-sekventiella modeller med samma data. Arbetets slutsats är att trots att recurrent neurala nätverk inte resulterar i en förbättrad churn-predikteringsmodul baserad på aktivitetsdata, så ger data presenterad i sekventiell form en förbättring