Kan FraudBuster hjelpe forsikringsselskaper bruke store data for å bekjempe svindel?

Anonim

FraudBuster er en ny data-drevet tilnærming designet for å hjelpe forsikringsselskapene i høy svindelmarkeder, for eksempel bilforsikringsmarkedet, proaktivt identifisere risiko og redusere svindel. Den unike utformingen og distribusjonen av FraudBuster er beskrevet i en artikkel i Big Data .

Det spesielle spørsmålet om profittdrevet Analytics ble ledet av gjestedatørene Bart Baesens (KU Leuven, Belgia), Wouter Verbeke (Vrije Universiteit Brussel, Belgia) og Cristián Bravo (University of Southampton, Storbritannia).

I artikkelen "FraudBuster: Redusering av svindel på et forsikringsmarked", sa Saurabh Nagrecha, Reid Johnson og Nitesh Chawla, University of Notre Dame, IN, hvordan deres nye tilnærming fokuserte på proaktivt å forutsi dårlige risikoer på tegningsstadiet, i stedet for venter til et krav er arkivert for å identifisere svindel. Forfatterne viste at mens FraudBuster ikke kan forutse hvilke sjåfører som sannsynligvis kommer inn i en ulykke og begår svindel, kan det hjelpe til med å identifisere drivere som er urentable og sannsynligvis vil være falske risikoer.

Det spesielle spørsmålet inneholder også artikkelen "En litteraturundersøkelse og eksperimentell evaluering av state-of-the-art i oppgraderingsmodellering, en stepping stone mot utviklingen av prescriptive Analytics" av Floris Devriendt og Wouter Verbeke, Vrije Universiteit Brussel og Darie Moldovas, Babe? -Bolyai University, Cluj-Napoca, Romania. I denne artikkelen gir forskerne en omfattende, komparativ oversikt over de ulike tilnærmingene til oppløftsmodellering. De utfører en eksperimentell evaluering av fire virkelige datasett for å demonstrere fordelene og begrensningene til forskjellige oppløftningsmodeller, som brukes til å estimere effekten av en strategi, for eksempel en direkte markedsføringskampanje, om resultatet basert på identifiserte kontrollvariabler.

menu
menu