FraudBuster is een nieuwe datagestuurde benadering die is ontworpen om verzekeraars in markten met een hoog fraudepercentage te helpen, zoals de autoverzekeringsmarkt, risico's proactief identificeren en fraude verminderen. Het unieke ontwerp en de inzet van FraudBuster wordt beschreven in een artikel in Grote gegevens .

De Special Issue over Profit-Driven Analytics werd geleid door gastredacteuren Bart Baesens (KU Leuven, België), Wouter Verbeke (Vrije Universiteit Brussel, België), en Cristián Bravo (Universiteit van Southampton, VK).

In het artikel getiteld "FraudBuster:fraude in een autoverzekeringsmarkt verminderen", "Saurabh Nagrecha, Reid Johnson en Nitesh Chawla, Universiteit van Notre-Dame, IN, beschreven hoe hun nieuwe aanpak gericht was op het proactief voorspellen van slechte risico's in de acceptatiefase, in plaats van te wachten tot er een claim is ingediend om fraude te identificeren. De auteurs toonden aan dat hoewel FraudBuster niet kan voorspellen welke chauffeurs waarschijnlijk een ongeluk zullen krijgen en fraude zullen plegen, het kan helpen bij het identificeren van bestuurders die niet winstgevend zijn en waarschijnlijk frauduleuze risico's vormen.

Het speciale nummer bevat ook het artikel "A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling; A Stepping Stone Toward the Development of Prescriptive Analytics, " door Floris Devriendt en Wouter Verbeke, Vrije Universiteit Brussel en Darie Moldavië, Babe?-Bolyai Universiteit, Cluj-Napoca, Roemenië. In dit artikel geven de onderzoekers een uitgebreid vergelijkend overzicht van de verschillende benaderingen van uplift-modellering. Ze voeren een experimentele evaluatie uit van vier real-world datasets om de voordelen en beperkingen van verschillende opwaartse modellen aan te tonen, die worden gebruikt om het effect van een strategie te schatten, zoals een direct marketing campagne, op de uitkomst op basis van geïdentificeerde controlevariabelen.