With the current fast transformation from physical cash to digitized banking systems, there are more and more people that are at risk of overspending without realizing it. There are methods and researches done that are targeted at incorporating machine learning in identifying fraudulent transactions and credit scores but currently there is no research done in categorizing people’s behaviour based on transaction records using machine learning techniques. The purpose of this project is to create such classification method based on income and spending. We propose a classification model based on k-means clustering and neural network techniques that categorizes people’s spendings behaviour based on monthly transaction records. The goal of this work is to contribute to one’s understanding of personal spending behaviour. The research question posed to achieve this is: can a classification method created using bank transaction and machine learning help individuals to understand their spending behaviour? This work is intended to be a basis for future research in studies in spending behaviour classification. The result shows the final method consists of a pipeline of simplifying bank transaction dataset, k-means, data augmentation and artificial neural network. It is capable of classifying spending behaviours based on characteristics such as ”low income and high spending” or ”high income and low spending”. The general approach for research method of this thesis is qualitative and inductive / Med samtida förändringar från fysiska pengar till digitala banksystem så riskerar människor att spendera för mycket utan deras vetskap. Det finns metoder och forskning som inriktar sig mot att inkorporera maskininlärning bland identifieringen av bedrägliga transaktioner och kreditpoäng, men för närvarande finns det ingen forskning inom kategoriseringen av människors beteende, baserat på transaktionsuppgifter som använder sig av tekniker inom maskininlärning. Syftet med denna avhandling är att skapa ett sådant klassifikationssystem baserat på inkomst och utgifter. Vi föreslår en klassifikationsmodell som baseras på ‘K-means’ gruppering och artificiella neuronnät-tekniker som kategoriserar människors spenderande genom att undersöka uppgifter om personliga utgifter. Målet med arbetet är att bidra till förståelsen av konsumtionsbeteende. Därför är avhandlingens frågeställning: kan en klassifikationsmetod som använder sig av banktransaktioner och maskininlärning hjälpa människor att förstå sitt beteende kring spenderande? Detta arbete är menat att vara till grund för framtida forskning inom konsumtionsbeteende. Resultaten visar på att den slutgiltiga metoden består av ett flöde för att förenkla dataset om banktransaktioner, “K-means”, datasökning, och artificiella neuronnät. Metoden är kapabel av att klassificera beteenden baserat på karaktärsdrag såsom ”låg inkomst, hög nivå av spenderande” eller ”hög inkomst, låg nivå av spenderande”. Avhandlingens ståndpunkt är kvalitativ och induktiv