E-handel har varit en snabbt växande sektor de senaste åren och förväntas fortsätta växa i samma takt under de närmsta. Detta har öppnat upp nya möjligheter för företag som försöker sälja sina produkter och tjänster, men det tvingar dem även att utnyttja dessa möjligheter för att vara konkurrenskraftiga. En intressant möjlighet som vi har valt att fokusera detta arbete på är förmågan att använda kunddata, som inte varit tillgänglig i fysiska butiker, till att identifiera mönster i kundbeteenden. Förhoppningsvis ger detta en ökad förståelse för kunderna och gör det möjligt att förutspå framtida beteenden. Vi fokuserade specifikt på att skilja mellan potentiella köpare och faktiska köpare, med avsikt att identifiera nyckelfaktorer som avgör ifall en kund genomför ett köp eller ej. Detta gjorde vi genom att använda Binary Logistic Regression, en algoritm som använder övervakad maskininlärning för att klassificera en observation mellan två klasser. Vi lyckades ta fram en modell som förutsåg om en kund skulle genomföra ett köp eller ej med en noggrannhet på 88%.

E-commerce has been a rapidly growing sector during the last years, and are predicted to continue to grow as fast during the next ones. This has opened up a lot of opportunities for companies trying to sell their products or services, but it is also forcing them to exploit these opportunities before their competitors in order to not fall behind. One interesting opportunity we have chosen to focus this thesis on is the ability to use customer data, that has not been available with physical stores, to identify customer behaviour patterns and develop a better understanding for the customers. Hopefully this makes it possible to predict customer behaviour. We specifically focused on distinguishing possible-buyers from buyers, with the intent of identifying key factors that affect whether the customer performs a purchase or not. We did this using Binary Logistic Regression, a supervised machine learning algorithm that is trained to classify an input observation. We managed to create a model that predicted whether or not a customer was a possible-buyer or buyer with an accuracy of 88%.