FraudBuster è un nuovo approccio basato sui dati progettato per aiutare gli assicuratori nei mercati ad alto tasso di frode, come il mercato delle assicurazioni automobilistiche, identificare in modo proattivo i rischi e ridurre le frodi. Il design e l'implementazione unici di FraudBuster sono descritti in un articolo in Grandi dati .

Il numero speciale sull'analisi orientata al profitto è stato condotto dai redattori ospiti Bart Baesens (KU Leuven, Belgio), Wouter Verbeke (Vrije Universiteit Brussel, Belgio), e Cristián Bravo (Università di Southampton, UK.).

Nell'articolo intitolato "FraudBuster:ridurre le frodi in un mercato assicurativo auto, "Sarabh Nagrecha, Reid Johnson e Nitesh Chawla, Università di Notre Dame, IN, descritto come il loro nuovo approccio si è concentrato sulla previsione proattiva dei rischi negativi nella fase di sottoscrizione, piuttosto che aspettare che venga presentata una richiesta per identificare la frode. Gli autori hanno dimostrato che mentre FraudBuster non è in grado di prevedere quali conducenti potrebbero subire un incidente e commettere una frode, può aiutare a identificare i conducenti che non sono redditizi e che potrebbero rappresentare un rischio fraudolento.

Il numero speciale contiene anche l'articolo "A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling; A Stepping Stone Toward the Development of Prescriptive Analytics, " di Floris Devriendt e Wouter Verbeke, Vrije Universiteit Brussel e Darie Moldovan, Piccola?-Bolyai University, Cluj-Napoca, Romania. In questo articolo i ricercatori forniscono un'ampia panoramica comparativa dei diversi approcci alla modellazione dell'elevazione. Eseguono una valutazione sperimentale di quattro set di dati del mondo reale per dimostrare i vantaggi e i limiti dei diversi modelli di sollevamento, che vengono utilizzati per stimare l'effetto di una strategia, come una campagna di marketing diretto, sull'esito in base alle variabili di controllo identificate.