Crédit :Mary Ann Liebert, Inc., éditeurs
FraudBuster est une nouvelle approche basée sur les données conçue pour aider les assureurs sur les marchés à taux de fraude élevé, comme le marché de l'assurance automobile, identifier de manière proactive les risques et réduire la fraude. La conception et le déploiement uniques de FraudBuster sont décrits dans un article de Big Data .
Le numéro spécial sur l'analyse axée sur le profit a été dirigé par les rédacteurs invités Bart Baesens (KU Leuven, La Belgique), Wouter Verbeke (Vrije Universiteit Brussel, La Belgique), et Cristián Bravo (Université de Southampton, ROYAUME-UNI.).
Dans l'article intitulé « FraudBuster :Réduire la fraude dans un marché de l'assurance automobile, " Saurabh Nagrecha, Reid Johnson et Nitesh Chawla, Université de Notre-Dame, DANS, décrit comment leur nouvelle approche s'est concentrée sur la prévision proactive des mauvais risques au stade de la souscription, plutôt que d'attendre qu'une réclamation soit déposée pour identifier une fraude. Les auteurs ont montré que si FraudBuster ne peut pas prédire quels conducteurs sont susceptibles d'avoir un accident et de commettre une fraude, cela peut aider à identifier les conducteurs qui ne sont pas rentables et sont susceptibles de constituer des risques frauduleux.
Le numéro spécial présente également l'article « A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling ; A Stepping Stone Toward the Development of Prescriptive Analytics, " par Floris Devriendt et Wouter Verbeke, Vrije Universiteit Brussel et Darie Moldovan, Université Babe?-Bolyai, Cluj-Napoca, Roumanie. Dans cet article, les chercheurs fournissent un aperçu comparatif détaillé des différentes approches de la modélisation du soulèvement. Ils effectuent une évaluation expérimentale de quatre ensembles de données du monde réel pour démontrer les avantages et les limites de différents modèles de soulèvement, qui permettent d'estimer l'effet d'une stratégie, comme une campagne de marketing direct, sur le résultat en fonction des variables de contrôle identifiées.
