Kan FraudBuster hjælpe forsikringsselskaber med at bruge big data til at bekæmpe svindel?

FraudBuster er en ny datadrevet tilgang designet til at hjælpe forsikringsselskaber på markeder med høj svindelrate, såsom bilforsikringsmarkedet, proaktivt identificere risiko og reducere svindel. Det unikke design og implementering af FraudBuster er beskrevet i en artikel i Big Data .

Specialudgaven om profitdrevet analyse blev ledet af gæsteredaktøren Bart Baesens (KU Leuven, Belgien), Wouter Verbeke (Vrije Universiteit Brussel, Belgien), og Cristián Bravo (University of Southampton, Storbritannien).

I artiklen med titlen "FraudBuster:Reducing Fraud in a Auto Insurance Market, "Saurabh Nagrecha, Reid Johnson og Nitesh Chawla, Universitetet i Notre Dame, I, beskrev, hvordan deres nye tilgang fokuserede på proaktivt at forudsige dårlige risici på tegningsstadiet, i stedet for at vente, indtil der er indgivet et krav, for at identificere svindel. Forfatterne viste, at selvom FraudBuster ikke kan forudsige, hvilke chauffører der sandsynligvis vil komme ud i en ulykke og begå svindel, det kan hjælpe med at identificere chauffører, der er urentable og sandsynligvis vil udgøre svigagtige risici.

Specialnummeret indeholder også artiklen "A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling; A Stepping Stone Toward the Development of Prescriptive Analytics, " af Floris Devriendt og Wouter Verbeke, Vrije Universiteit Brussel og Darie Moldovan, Babe?-Bolyai University, Cluj-Napoca, Rumænien. I denne artikel giver forskerne et omfattende komparativt overblik over de forskellige tilgange til opløftningsmodellering. De udfører en eksperimentel evaluering af fire datasæt fra den virkelige verden for at demonstrere fordelene og begrænsningerne ved forskellige opløftningsmodeller, som bruges til at estimere effekten af ​​en strategi, såsom en direkte markedsføringskampagne, på resultatet baseret på identificerede kontrolvariable.