FraudBuster es un nuevo enfoque basado en datos diseñado para ayudar a las aseguradoras en mercados de alta tasa de fraude, como el mercado de seguros de automóviles, Identifique de forma proactiva el riesgo y reduzca el fraude. El diseño y la implementación únicos de FraudBuster se describen en un artículo en Big Data .

El número especial sobre análisis impulsado por las ganancias fue dirigido por los editores invitados Bart Baesens (KU Leuven, Bélgica), Wouter Verbeke (Vrije Universiteit Brussel, Bélgica), y Cristián Bravo (Universidad de Southampton, REINO UNIDO.).

En el artículo titulado "FraudBuster:Reducir el fraude en un mercado de seguros de automóviles, "Saurabh Nagrecha, Reid Johnson y Nitesh Chawla, Universidad de Notre Dame, EN, describió cómo su enfoque novedoso se centró en predecir proactivamente los malos riesgos en la etapa de suscripción, en lugar de esperar hasta que se presente un reclamo para identificar el fraude. Los autores demostraron que, si bien FraudBuster no puede predecir qué conductores tienen probabilidades de sufrir un accidente y cometer fraude, puede ayudar a identificar los conductores que no son rentables y que probablemente sean riesgos fraudulentos.

El número especial también incluye el artículo "Una encuesta de literatura y una evaluación experimental del estado del arte en el modelado de elevación; un paso hacia el desarrollo de análisis prescriptivo, "por Floris Devriendt y Wouter Verbeke, Vrije Universiteit Brussel y Darie Moldovan, Babe? -Bolyai University, Cluj-Napoca, Rumania. En este artículo, los investigadores proporcionan una amplia descripción comparativa de los diferentes enfoques para el modelado de elevación. Realizan una evaluación experimental de cuatro conjuntos de datos del mundo real para demostrar las ventajas y limitaciones de diferentes modelos de elevación, que se utilizan para estimar el efecto de una estrategia, como una campaña de marketing directo, en el resultado basado en las variables de control identificadas.