This bachelor thesis in the field of mathematical statistics was carried out in collaboration with an upcoming insurance start-up, Hedvig, and had the objective of investigating the predictive capabilities of different types of insurance claims. This was done through regression analysis, and more specifically the area in regression analysis called generalized linear models. Logistic regression was employed as the modeling technique, and data points were modeled in various ways to then be used to fit models in order to determine the most optimal one based on some pre-determined statistical evaluation metrics. The final model had an accuracy of above 96%, and the results showed that certain types of claims had a bigger contribution to the probability of a claim occurring the next period. This study contributes to the understanding of the predictive capabilities of insurance claim data and provides insights that could aid in the development of more accurate and efficient insurance pricing models. / Denna kandidatuppsats inom området matematisk statistik utfördes i samarbete med ett nyetablerat försäkringsföretag, Hedvig, och hade som syfte att undersöka den prediktiva förmågan hos olika typer av ersättningsanspråk. Detta gjordes genom regressionsanalys, och mer specifikt det område inom regressionanalys som kallas generaliserade linjära modeller. Logistisk regression användes som modelleringsteknik, och datapunkterna modellerades på olika sätt för att sedan skapa modeller, med syfte att fastställa den mest optimala modellen utifrån vissa förutbestämda statistiska utvärderingsmått. Den slutliga modellen hade en exakthet på över 96%, och resultaten visade att vissa typer av anspråk bidrog i större utsträckning till sannolikheten för att ett anspråk skulle inträffa under nästa period. Den här studien bidrar till förståelsen av den prediktiva förmågan hos data på ersättningsanspråk och ger insikter som kan bidra till utvecklingen av mer exakta och effektiva modeller för prissättning av försäkringar.