FraudBuster é uma nova abordagem baseada em dados projetada para ajudar as seguradoras em mercados de alta taxa de fraude, como o mercado de seguros de automóveis, identifique o risco de forma proativa e reduza a fraude. O design exclusivo e a implantação do FraudBuster são descritos em um artigo em Big Data .

A edição especial sobre análise orientada a lucros foi liderada pelos editores convidados Bart Baesens (KU Leuven, Bélgica), Wouter Verbeke (Vrije Universiteit Brussel, Bélgica), e Cristián Bravo (Universidade de Southampton, REINO UNIDO.).

No artigo intitulado "FraudBuster:Reduzindo a Fraude em um Mercado de Seguros de Automóveis, "Saurabh Nagrecha, Reid Johnson e Nitesh Chawla, Universidade de Notre Dame, NO, descreveu como sua nova abordagem se concentrava em prever proativamente os riscos ruins na fase de subscrição, em vez de esperar até que uma reclamação seja registrada para identificar a fraude. Os autores mostraram que, embora o FraudBuster não possa prever quais motoristas têm maior probabilidade de sofrer um acidente e cometer fraude, ele pode ajudar a identificar motoristas que não são lucrativos e são susceptíveis de serem riscos fraudulentos.

A edição especial também apresenta o artigo "Uma Pesquisa de Literatura e Avaliação Experimental do Estado da Arte em Modelagem Uplift; Um Passo para o Desenvolvimento de Analítica Prescritiva, "por Floris Devriendt e Wouter Verbeke, Vrije Universiteit Brussel e Darie Moldovan, Babe? -Bolyai University, Cluj-Napoca, Romênia. Neste artigo, os pesquisadores fornecem uma ampla visão geral comparativa das diferentes abordagens para a modelagem uplift. Eles realizam uma avaliação experimental de quatro conjuntos de dados do mundo real para demonstrar as vantagens e limitações de diferentes modelos de uplift, que são usados ​​para estimar o efeito de uma estratégia, como uma campanha de marketing direto, no resultado com base nas variáveis ​​de controle identificadas.