Business-Oriented Data Analytics: Advances in Profit-Driven Model Building and Fraud Detection

In de afgelopen jaren heeft de steeds groter wordende lawine van gegevens een nieuwe reeks uitdagingen voor bedrijven met zich meegebracht. Maar waar risico's bestaan, liggen ook kansen!  Bedrijven vertrouwen dan ook meer dan ooit op "slimme" algoritmes om de concurrentie voor te blijven.

Wat bijvoorbeeld de volwassen markt van een mobiele telefoondienstverlener betreft, is het voor de zaakvoering van de dienstverlener van vitaal belang om te voorkomen dat klanten het bedrijf verlaten, vooral omdat uit onderzoek is gebleken dat het verwerven van een nieuwe klant veel duurder is dan het behouden van een bestaande klant.  Door gebruik te maken van de informatie die is opgeslagen in haar enorme databanken, wil de telefoonmaatschappij (telco) vooraf de klanten identificeren die op het punt staan te vertrekken (ook wel “churners” genoemd) om ze door middel van een passende actie trachten te behouden. De telco is echter niet geïnteresseerd in het benaderen van iedere klant die op het punt staat te vertrekken, maar heeft als primaire focus, omwille van beperkte middelen, om eerst die klanten te behouden die het meest waardevol zijn voor het bedrijf.

Daarom presenteert dit proefschrift een set van winstgedreven classificeerders die rekening houden met de voordelen en kosten van een zakelijke actie en optimaliseren voor maximale winst bij het leren uit gegevens. Op deze manier laten we zien dat de winstgedreven algoritmes eerst de churners identificeren die een hogere waarde hebben voor het bedrijf.

Net als telco's hebben ook verzekeringsmaatschappijen behoefte aan "slimme" algoritmes om hun gegevens te gebruiken voor bijvoorbeeld het opsporen van fraude. Vandaar dat dit proefschrift ook een anomaliedetectie-algoritme presenteert om verzekeringsmaatschappijen te ondersteunen bij het dichten van hun waardelekken als gevolg van fraude. Meer specifiek, in samenwerking met een grote Europese verzekeraar, presenteren we een real-world gevalsstudie over schadevergoedingsfraude bij werknemers, waarin de toepassing van het nieuwe anomalie-detectiealgoritme wordt getoond. We beschrijven de constructie van een zinvolle anomaliescore die het mogelijk maakt om voorwaardelijke anomalieën op te sporen.

Samenvattend biedt dit proefschrift een reeks nieuwe algoritmes voor machinaal leren, ontwikkeld in de context van belangrijke bedrijfsapplicaties die een reële implicatie hebben. De kern van hun ontwikkeling was de sterke focus op het creëren van waarde voor bedrijven.