Zahlungen als mehrstufiges Optimierungsproblem
Die Optimierung von Zahlungsvorgängen wird oft als ein Problem der Autorisierungsquote betrachtet: Man sendet eine korrekt formatierte Nachricht an den Kartenaussteller und versucht, die Wahrscheinlichkeit einer positiven Rückmeldung zu maximieren. In der Praxis ist das Optimierungspotenzial jedoch weitaus größer. Ein Zahlungsvorgang durchläuft mehrere Phasen: Bezahlvorgang, Betrugsprüfung, Authentifizierung, Autorisierung, Abrechnung und Anfechtung – und jede dieser Phasen bietet Möglichkeiten, die Konversionsrate zu steigern, Kosten zu senken und Betrug zu verhindern.
Stripe wendet in jeder Phase Optimierungen an, von der Personalisierung des Bestellformulars über die Entscheidung, ob eine 3DS-Prüfung oder eine Ausnahmegenehmigung angefordert werden soll, bis hin zur Formatierung der Felder einer Autorisierungsmeldung. Die richtige Maßnahme in einer Phase hängt oft davon ab, was in einer anderen Phase geschehen ist: Ein Modell für Betrugsprävention, das zu aggressiv blockiert, verbessert zwar die Anfechtungsquote, beeinträchtigt jedoch die Konversionsrate und eine Authentifizierungsstrategie, die Reibungsverluste minimiert, ohne die Risikobereitschaft zu berücksichtigen, führt im weiteren Verlauf zu mehr Ablehnungen und Zahlungsanfechtungen. Die besten Ergebnisse lassen sich erzielen, wenn diese Wechselwirkungen berücksichtigt werden und in jeder Phase Systeme aufgebaut werden, die sich ihrer gegenseitigen Auswirkungen bewusst sind.
Dieser Leitfaden beschreibt, wie Stripe Zahlungen in diesen Phasen optimiert und seinen Kundinnen und Kunden dadurch bis zu 27 Milliarden USD an zusätzlichem Jahresumsatz ermöglicht, Betrug im Durchschnitt um 38 % reduziert und die Verarbeitungskosten für Stripe-Unternehmen um bis zu 2,8 % senkt.
1. Bezahlvorgang
Der Großteil der Umsätze, die Unternehmen verlieren, wird nie von einem Aussteller abgelehnt. Stattdessen gehen sie bereits beim Bezahlvorgang verloren.
Eine Kundin oder ein Kunde in den Niederlanden, dem iDEAL nicht angezeigt wird, könnte den Kaufvorgang abbrechen. Eine Kundin oder ein Kunde in Brasilien, der bzw. dem die Preise in US-Dollar angezeigt werden, schließt den Kauf möglicherweise nicht ab, da sie/er unsicher ist, ob und in welcher Höhe Währungsumrechnungsgebühren anfallen. Eine Kundin oder ein Kunde, die/der einen größeren Kauf in Erwägung zieht, ohne die Möglichkeit zu haben, die Zahlungen über einen „Jetzt kaufen, später bezahlen“-Anbieter aufzuteilen, entscheidet sich möglicherweise einfach dagegen. Dies sind keine Ausnahmefälle: bereits die Anzeige einer einzigen Zahlungsmethode, die für eine Kundin oder einen Kunden nicht relevant ist, kann die Konversionsrate um bis zu 15 % senken.
Personalisierung des Formulars für die Kaufabwicklung
Der optimale Bezahlvorgang ist für jede Transaktion unterschiedlich. Die richtige Auswahl an Zahlungsmethoden und deren Reihenfolge, die Währung, die anzuzeigenden Formularfelder sowie die Frage, ob eine Betrugsüberprüfung eingeleitet werden soll – all dies hängt davon ab, wer die Kundinnen und Kunden sind, wo sie sich befinden, was sie kaufen und welches Gerät sie nutzen. Eine statische Konfiguration kann da nicht mithalten.
Stripe betrachtet dies als eine Abfolge von Entscheidungen in Echtzeit. Nehmen wir die Auswahl der Zahlungsmethoden als Beispiel. Der klassische Ansatz besteht darin, eine Konfiguration auszuwählen und dabei zu bleiben, doch die optimale Kombination von Zahlungsmethoden ändert sich, wenn sich das Verhalten der Kundinnen und Kunden, regionale Präferenzen und die Verfügbarkeit der Methoden verschieben. Dies wird als „Multi-Armed-Bandit“-Problem bezeichnet, benannt nach einem Spieler, der vor einer Reihe von Spielautomaten mit unbekannten Auszahlungsquoten steht. Sie müssen ständig neue Optionen ausprobieren, um herauszufinden, welche am besten funktioniert, und gleichzeitig weiterhin mit dem Geld verdienen, was bereits funktioniert. Die KI-Modelle von Stripe, die auf Milliarden von Transaktionen trainiert wurden, navigieren kontinuierlich durch diesen Zielkonflikt und berücksichtigen dabei sowohl Signale aus der aktuellen Sitzung wie Gerätetyp, Browser-Lokalisierung und Verfügbarkeit von Zahlungsmethoden als auch Signale auf Netzwerkebene wie die bevorzugten Zahlungsmethoden ähnlicher Unternehmen.
Auch die Währung ist ein besonders wirkungsvoller Faktor. Die meisten Kundinnen und Kunden bevorzugen es, in ihrer Landeswährung zu bezahlen und Adaptive Pricing von Stripe nutzt ein KI-Modell, das die tatsächliche Währungspräferenz einer Kundin oder eines Kunden vorhersagt – was zu einem Anstieg der grenzüberschreitenden Umsätze um 17,8 % beigetragen hat.
Insgesamt sorgen diese Optimierungen – dynamische Anordnung der Zahlungsmethoden, Adaptive Pricing und gespeicherte Anmeldedaten – bei Unternehmen, die die Suite zur Optimierung des Bezahlvorgangs nutzen, für einen durchschnittlichen Umsatzanstieg von 11,9 %.
Der Netzwerkeffekt gespeicherter Zugangsdaten
Selbst beim besten personalisierten Bezahlvorgang muss die Kundin oder der Kunde weiterhin ihre bzw. seine Kartennummer eingeben.Für wiederkehrende Kundinnen und Kunden ist dies unnötiger Aufwand. Link, eine von Stripe entwickelte Digital Wallet, beseitigt diesen. Wenn eine Kundin oder ein Kunde eine Zahlungsmethode bei Link gespeichert hat, erkennt das System sie – entweder über Cookies, Kontodaten oder andere Authentifizierungsmethoden. Die Kundin bzw. der Kunde kann dann bei jedem Unternehmen, das Link im Stripe-Netzwerk nutzt, schneller bezahlen – selbst bei solchen, mit denen sie/er noch nie zuvor interagiert hat. Dies ist ein Netzwerkeffekt im wahrsten Sinne des Wortes. Jedes neue Unternehmen das Link einführt, verbessert das Erlebnis für Kundinnen und Kunden bei allen anderen Unternehmen und umgekehrt. Link verfügt mittlerweile über mehr als 200 Millionen gespeicherte Zahlungsmethoden und Unternehmen mit einem großen Anteil wiederkehrender Kundinnen und Kunden verzeichnen einen Anstieg der Konversionsrate bei bei wiederkehrenden Nutzerinnen und Nutzern um durchschnittlich 14 %.
2. Betrugsbewertung
Sobald ein Zahlungsversuch unternommen wird, stellt sich eine andere Frage. Es geht nicht mehr darum, ob die Kundinnen und Kunden kaufen werden, sondern ob die Transaktion legitim ist. Die Wahrscheinlichkeit, dass Stripe die Karte bereits kennt, liegt bei über 92 %. Doch das Netzwerk von Stripe reicht weit über Kreditkarten hinaus. In Millionen von Unternehmen erfasst unser Netzwerk Zusammenhänge zwischen Zahlungsmethoden, Geräten und Transaktionsmustern, die dabei helfen, legitime Aktivitäten von Betrugsfällen zu unterscheiden. Die Modelle zur Betrugsprävention von Stripe nutzen diese aggregierten Signale, um das Risiko jeder einzelnen Transaktion zu bewerten.
Risikobewertung
Bei der Kartentests sind andere Modelle und Signale erforderlich als beim Betrug mit gestohlenen Karten, bei dem eine reale Person versucht, einen Kauf mit dem Zahlungsmittel einer anderen Person zu tätigen. Allein für den Betrug mit gestohlenen Karten unterhält Stripe mehrere unterschiedliche Prognosen: Ist diese Karte wahrscheinlich gestohlen? Wird diese Transaktion zu einer Anfechtung aufgrund von Betrug führen? Wird sie eine frühzeitige Betrugswarnung des Kartennetzwerks auslösen? Und selbst wenn es unwahrscheinlich ist, dass die Bank die Transaktion anficht – geht Stripe dennoch davon aus, dass es sich um Betrug handelt? Jede dieser Prognosen hat unterschiedliche Auswirkungen darauf, wie es weitergehen sollte.
Die Modelle stützen sich auf drei Signalebenen. Die erste ist das Stripe-Netzwerk selbst: aggregierte Muster, die bei einem jährlichen Zahlungsvolumen von mehr als einer Billion US-Dollar und über Millionen von Unternehmen hinweg beobachtet wurden. Die zweite Ebene besteht aus externen Daten, wie beispielsweise aus dem Internet gesammelten Daten zu kompromittierten Kartendaten. Die dritte Ebene ist unternehmensspezifisch: Mithilfe von erlernten Geschäfts-Embeddings erfasst Stripe Radar, was für ein bestimmtes Unternehmen als normal gilt und profitiert dabei weiterhin von der Breite des globalen Modells.
Auch der Umfang dieser Prognosen nimmt zu. In der Vergangenheit bedeutete Betrug gestohlene Karten und Kartentests. Eine Kundin oder ein Kunde, der sich jedoch missbräuchlich für Tausende von kostenlosen oder vergünstigten Testzeiträumen anmeldet, wird wahrscheinlich niemals zu einer zahlenden Kundin bzw. einem zahlenden Kunden werden und der Testzeitraum selbst verursacht dem Unternehmen direkte Kosten. Heutzutage kann eine Kundin bzw. ein Kunde mit einem nutzungsabhängigen Abrechnungsmodell Gebühren verursachen, die sie/er nicht zu bezahlen beabsichtigt. Dies ist keine traditionelle Form des Zahlungsbetrugs, erfordert jedoch dieselbe Disziplin: eindeutige Vorhersagen, die auf den richtigen Signalen basieren und dazu dienen, die richtige Reaktion auszulösen.
Diese Prognosen können je nach Risikobereitschaft eines Unternehmens unterschiedlich genutzt werden. Ein sehr risikoscheues Unternehmen kann alle prognostizierten Betrugsfälle blockieren, unabhängig davon, ob die Karteninhaberin bzw. der Karteninhaber diese anfechten würde. Ein Unternehmen, dessen Schwerpunkt auf der Maximierung der Konversionsrate liegt, kann sich dafür entscheiden, nur Transaktionen zu blockieren, die wahrscheinlich zu Anfechtungen aufgrund von Betrug führen. Ein Unternehmen, das sich der Überwachungsschwelle einer Kreditkartenmarke nähert, kann sowohl betrugsbedingte Anfechtungen als auch Transaktionen blockieren, die wahrscheinlich frühzeitige Betrugswarnungen auslösen.
Wahl der richtigen Intervention
Eine Risikobewertung ist eine Einschätzung dessen, wie gefährlich eine Transaktion ist, sagt Ihnen jedoch nicht, wie Sie darauf reagieren sollen. Die einfachste Reaktion ist, die Transaktion zu blockieren, doch ein Fehlalarm bedeutet entgangene Umsätze. Die Frage ist, ob es einen kostengünstigeren Weg gibt, das Risiko zu mindern.
Stripe behandelt die Auswahl von Interventionsmaßnahmen als kontextabhängiges Bandit-Problem, bei dem aus einer Reihe von Maßnahmen ausgewählt und das erwartete Ergebnis jeder einzelnen modelliert wird. Einige Maßnahmen sind bekannt, wie beispielsweise die Einblendung eines CAPTCHA zur Filterung von Bots oder die Anforderung von 3DS. Dies sind nur einige Beispiele aus einer breiteren Palette von Maßnahmen, die sich jeweils unterschiedlich auf Konversionsrate, Betrugsfälle und Kosten auswirken, wobei die Auswirkungen je nach Kontext variieren. Viele US-Kartenaussteller weisen beispielsweise niedrige 3DS-Abschlussraten auf: Das Hinzufügen einer 3DS-Abfrage bei diesen Ausstellern würde den Betrug möglicherweise nicht reduzieren, aber definitiv die Konversionsrate beeinträchtigen.
Stripe modelliert dies. Wir wählen zwischen diesen Maßnahmen aus, indem wir den erwarteten Gewinn schätzen. Für jede in Frage kommende Maßnahme schätzt Stripe, wie sich die Konversionswahrscheinlichkeit, die Betrugswahrscheinlichkeit und die Kosten je nach Auswahl verändern. Eine Transaktion, die über eine 3DS-Abfrage geleitet wird, weist oft eine nahezu nullprozentige Wahrscheinlichkeit für eine Anfechtung aufgrund von Betrug auf, jedoch eine messbar geringere Konversionswahrscheinlichkeit. Das Modell wählt die Maßnahme aus, die den erwarteten Gewinn unter Berücksichtigung des Risikoprofils der Transaktion, der Risikopräferenzen des Unternehmens sowie des jeweiligen Aussteller und der verwendeten Zahlungsmethode maximiert.
Durch diese Prognosen und Maßnahmen senkt Radar den Betrugsanteil bei Unternehmen, die Stripe nutzen, um durchschnittlich 38 %, während weniger als 0,05 % der legitimen Transaktionen blockiert werden.
3. Authentifizierung
Im vorigen Abschnitt wurde beschrieben, wie Stripe Maßnahmen auswählt, einschließlich der Entscheidung, ob eine 3DS-Authentifizierung überhaupt ausgelöst werden soll. In diesem Abschnitt wird näher darauf eingegangen, was geschieht, wenn 3DS als Verfahren gewählt wird, denn damit ist die Entscheidung noch nicht abgeschlossen. 3DS umfasst eine Reihe von Optionen mit sehr unterschiedlichen Auswirkungen auf Konversionsrate, Kosten und Compliance, und die richtige Wahl hängt vom Transaktionsrisiko, dem regulatorischen Umfeld und dem jeweiligen Aussteller ab.
Wir optimieren gleichzeitig drei miteinander konkurrierende Ziele: Compliance, Betrugsprävention und Konversion. Die richtige Lösung besteht darin, bei jeder Transaktion eine andere Entscheidung zu treffen und dabei alle verfügbaren Informationen über das Risiko, das Gerät der Kundinnen und Kunden und das Verhalten des Kartenausstellers zu nutzen, um zwischen einer vollständigen Überprüfung, einer reibungslosen Ausnahmeregelung, einem Datenaustausch im Hintergrund oder gar keiner Authentifizierung zu wählen.
Ausnahmen und Anfechtungen
Die Authentifizierungs-Engine von Stripe nutzt die Betrugsbewertungen von Radar, um berechtigte Transaktionen über den reibungslosesten verfügbaren Weg weiterzuleiten. Transaktionen mit geringem Risiko, die unterhalb der regulatorischen Schwelle liegen, erhalten eine Ausnahmegenehmigung für Transaktionen mit geringem Wert, wodurch die Authentifizierung vollständig übersprungen wird. Oberhalb des Schwellenwerts fordert die Engine gegebenenfalls eine TRA-Ausnahme an. Bei mäßigem Risiko wird die „Data Only“-Authentifizierung verwendet, bei der Gerätefingerabdrücke und Transaktionskontext im Hintergrund an den Aussteller übermittelt werden, sodass die Kundinnen und Kunden niemals eine Sicherheitsabfrage sehen. Eine vollständige 3DS-Sicherheitsabfrage ist für Fälle reserviert, in denen das Risiko dies rechtfertigt oder keine Ausnahme verfügbar ist.
Die Betrugsbewertung dient an jedem Knotenpunkt als Entscheidungsvariable und die Engine passt sich dem Verhalten der Kartenaussteller an: Während einige Aussteller „Data Only“-Transaktionen zuverlässig genehmigen, tun andere dies nicht und Stripe leitet die Transaktionen entsprechend weiter. Im gesamten europäischen Geschäftsvolumen führt die „Data Only“-Authentifizierung allein jeden Monat zu einem zusätzlichen autorisierten Zahlungsvolumen von 147 Millionen USD und zu Einsparungen von mehr als 2,5 Millionen USD für Unternehmen.
Optimierung der Fingerabdruck-Timeouts
Der Entscheidungsbaum bestimmt, welchen Authentifizierungspfad eine Transaktion nimmt. Aber selbst innerhalb eines bestimmten Pfads gibt es weitere Optimierungen. Betrachten Sie Fingerabdruck, den optionalen ersten Schritt eines jeden 3DS-Ablaufs. 3DS-Fingerabdruck erfasst Geräte- und Browserinformationen über einen iFrame, um der ausstellenden Bank bei der Bewertung des Transaktionsrisikos zu helfen. Dies ist ein optionaler Schritt im Protokoll, der von etwa 68 % der Transaktionen auf Stripe unterstützt wird und die Konversion bei Erfolg verbessern kann. Der Prozess nimmt jedoch auf verschiedenen Geräten unterschiedlich viel Zeit in Anspruch und die zusätzliche Verzögerung kann dazu führen, dass die Authentifizierung vollständig fehlschlägt.
Dies ist genau die Art von Problem, bei der sich eine präzise Messung auszahlt. Stripe führte einen multivariaten A/B-Test durch, um die ideale Wartezeit für das Fingerprinting zu ermitteln, bevor ohne dieses fortgefahren wird. Dies ist ein schwieriger Balanceakt: Wartet man zu lange, verliert man Kundinnen und Kunden aufgrund von Verzögerungen; überspringt man diesen Schritt zu schnell, entgehen einem Informationen, die die Entscheidung des Ausstellers verbessert hätten. Die optimale Wartezeit variiert je nach Gerät und Aussteller und durch ihre Ermittlung konnten seit März 2025 Zahlungen in Höhe von mehr als 39 Millionen USD wieder eingezogen werden.
3DS als Strategie für Wiederholungsversuche
Die meisten Zahlungsabwickler betrachten eine risikobedingte Ablehnung als endgültig. Eine der eher kontraintuitiven Optimierungsmöglichkeiten, die wir untersucht haben, besteht darin, dass bei solchen Ablehnungen die Zahlung durch eine nachträgliche Authentifizierung wiederhergestellt werden kann.
Die 3DS-Authentifizierung verursacht Verzögerungen, führt zu Reibungsverlusten und ist mit eigenen Verarbeitungskosten verbunden. Die Frage lautet also nicht einfach „Würde 3DS helfen?“, sondern „Übersteigt der erwartete Nutzen eines erneuten Versuchs mit 3DS die Kosten für diesen Versuch?“ Stripe modelliert dies direkt auf der Grundlage eines bestimmten Ablehnungsgrundes, des Ausstellers, des Kartentyps und des Transaktionsprofils. Einige Ablehnungscodes sind nahezu deterministisch (die Karte ist tatsächlich ungültig und keine noch so umfangreiche Authentifizierung wird daran etwas ändern). Andere signalisieren, dass der Aussteller mehr Sicherheit darüber wünscht, dass der Karteninhaber bzw. die Karteninhaberin anwesend ist und eine 3DS-Abfrage bietet genau das. Das Modell lernt, welche Codes bei welchen Ausstellern auf eine Authentifizierung reagieren und leitet Wiederholungsversuche nur dort weiter, wo die erwartete Wiederherstellung die Kosten rechtfertigt. Diese Optimierung hat das weltweit autorisierte Zahlungsvolumen um über 1 Milliarde USD jährlich gesteigert.
4. Autorisierung
Sobald eine Transaktion auf Betrug geprüft und gegebenenfalls authentifiziert wurde, wird sie der ausstellenden Bank zur Autorisierung übermittelt. Dies bietet eine weitere Möglichkeit, die Autorisierungsraten, das Betrugsrisiko und die Verarbeitungskosten (für IC+-Unternehmen) zu beeinflussen. Stripe tut dies in drei großen Bereichen: bei der Wahl des Zahlungsweges, durch die Optimierung der Autorisierungsmeldung sowie durch Wiedereinzug von Zahlungen, die beim ersten Versuch fehlgeschlagen sind.
Routing
Stripe kann Payments über mehrere Gateways und Kanäle weiterleiten, wie beispielsweise regionale Debitkartennetzwerke und bereits beim ersten Versuch den kostengünstigsten Weg auswählen. Bei vielen Zahlungen beeinträchtigen alternative Kanäle die Konversionsrate sogar; daher lernen die Modelle, wo diese Routen die Kosten senken, ohne die Akzeptanz zu beeinträchtigen. Bei einem erneuten Versuch ändert sich die Kalkulation: Wenn eine Debitkartentransaktion mit Unterschrift abgelehnt wird, kann die Weiterleitung des erneuten Versuchs über Debitkanäle die Transaktion wiederherstellen.
Autorisierungsmeldungen
Der Inhalt der ISO 8583-Nachricht, die die Absenderin bzw. der Absender erhält, sowie der damit verbundene Kontext haben erheblichen Einfluss darauf, ob eine Zahlung genehmigt wird. Stripe optimiert diesen Prozess in mehrfacher Hinsicht.
Der erste Faktor ist die Nachricht selbst. Stripe experimentiert kontinuierlich mit der Formatierung und dem Inhalt von ISO-Feldern und testet Änderungen über verschiedene Aussteller, Kartentypen und Regionen hinweg. Aufgrund des Volumens des Stripe-Netzwerks erreichen selbst Experimente mit geringem erwarteten Effekt innerhalb weniger Stunden statistische Signifikanz und Stripe führt jede Woche Dutzende davon durch. Erfolgreiche Experimente sind oft überraschend klein: zum Beispiel eine geringfügige Änderung, welche Transaktionen zur Autorisierung eingereicht werden. Für ein einzelnes Unternehmen ist der Effekt nur schwer von Rauschen zu unterscheiden, doch bei der Größenordnung von Stripe ist er mit hoher Sicherheit messbar und hat insgesamt einen Wert von mehreren zehn Millionen US-Dollar pro Jahr. Diese Verbesserungen summieren sich.
Der zweite Faktor ist der Austausch von Betrugsrisikosignalen mit den Kartenausstellern. Kartenaussteller haben ihre eigene Risikoeinschätzung, die häufig auf der Ausgabengeschichte, dem Kontostatus und dem Verhalten der Kundinnen und Kunden innerhalb ihres Portfolios basiert. Sie sehen jedoch nicht, was Stripe sieht: das Kundenverhalten bei anderen Zahlungsmethoden oder die Betrugsmuster, die mit einer bestimmten E-Mail-Adresse oder Versandadresse verbunden sind. Um diese Lücke zu schließen, hat Stripe das Enhanced Issuer Network aufgebaut – direkte Radar-Integrationen zum Datenaustausch mit Ausstellern wie Capital One, Discover und American Express. Wenn Stripe eine Transaktion als risikoarm einstuft, hilft die Weitergabe dieses Signals dem Aussteller, fälschliche Ablehnungen zu vermeiden, die er andernfalls möglicherweise selbst auslösen würde.
Der dritte Faktor betrifft die Kartenanmeldedaten. Veraltete Anmeldedaten sind eine wesentliche Ursache für unnötige Ablehnungen. Stripe nutzt Netzwerk-Token und den Kartenaktualisierer, um die Anmeldedaten auf dem neuesten Stand zu halten, doch die Optimierung besteht nicht lediglich darin, diese Tools zu aktivieren. Netzwerk-Token verbessern im Allgemeinen die Autorisierungsraten und senken die Kosten, doch es gibt Bereiche, in denen dies nicht der Fall ist – beispielsweise bei Ausstellern mit unzureichender Token-Unterstützung, wo sie die Autorisierungsraten beeinträchtigen oder bei Transaktionsmustern, bei denen sie Betrugsfälle begünstigen. Stripe erkennt, wo Token hilfreich sind und wo nicht, und wendet sie gezielt an, um ihren Nutzen zu maximieren.
Wiederholungsversuche
Manche Ablehnungen lassen sich beheben. Eine sanfte Ablehnung aufgrund unzureichender Deckung oder vorübergehender Nichtverfügbarkeit des Zahlungsanbieters kann bei einem zweiten Versuch mit einem anderen Zeitpunkt oder einer anderen Routenführung erfolgreich sein. Stripe unternimmt zum Zeitpunkt der Abbuchung einen synchronen Wiederholungsversuch, wobei je nach Ablehnungsgrund ein alternatives Zahlungsgateway ausgewählt oder die Meldung angepasst wird. Bei Zahlungen außerhalb der Sitzung, wie beispielsweise bei Abonnements, führt Stripe asynchrone Wiederholungsversuche mittels intelligenter Mahnverfahren durch, wobei Modelle zum Einsatz kommen, die vorhersagen, wann die Deckung am ehesten verfügbar ist, anstatt Wiederholungsversuche nach einem festen Zeitplan durchzuführen.
Insgesamt steigert der Authorization Boost von Stripe – der Optimierungen in den Bereichen Routing, Nachrichtenübermittlung, Kartenaussteller sowie die Verwaltung von Zugangsdaten umfasst – die Akzeptanzraten bei IC+-Unternehmen um durchschnittlich 2,2 % und senkt die Bearbeitungskosten um bis zu 2,8 %.
5. Clearing
Eine erfolgreiche Autorisierung ist noch nicht das Ende des Optimierungspotenzials. Zwischen der Autorisierung und dem Eingang der Gelder beim Unternehmen optimiert Stripe zwei Aspekte: die Senkung der Kosten für die Abwicklung der Transaktion und die Aufdeckung von Betrugsfällen, die erst nach der Autorisierung sichtbar werden.
Kostenreduzierung
Die Rückerstattung einer bereits abgewickelten Transaktion ist kostspielig. Bei US-Debitkarten gibt es überhaupt keine Rückerstattung von Abwicklungsgebühren, wodurch eine Rückerstattung nach der Abwicklung bis zu 24-mal teurer sein kann als die Stornierung der Autorisierung vor der Abrechnung. Stripe prognostiziert kurz nach der Erfassung, welche Transaktionen wahrscheinlich zurückerstattet werden und verzögert deren Abrechnung entsprechend für einen kurzen Zeitraum, wodurch Rückerstattungen in Stornierungen umgewandelt werden. Fast 25 % der Rückerstattungen erfolgen innerhalb der ersten 48 Stunden, weshalb bereits eine kurze, gezielte Verzögerung bei Transaktionen mit hoher Rückerstattungswahrscheinlichkeit die Kosten erheblich senken kann.
Wenn geringfügige Änderungen am Transaktionswert zu erwarten sind, wie beispielsweise ein Trinkgeld, das zum Grundpreis hinzukommt, hält Stripe die Autorisierung offen und zieht den Gesamtbetrag in einem einzigen Schritt ein, anstatt dass eine zweite Gebührenerhebung anfällt. Und für Unternehmen, die Transaktionen mit Firmenkreditkarten abwickeln, kann die Übermittlung detaillierter Produkt- und Steuerdaten zum Zeitpunkt der Abrechnung dazu führen, dass Transaktionen im Rahmen von Programmen wie dem „Commercial Enhanced Data Program“ von Visa für niedrigere Abwicklungsgebühren in Frage kommen.
Betrugsbekämpfung
In den Stunden nach Abschluss einer Transaktion beobachtet Stripe weiterhin Signale aus anderen Transaktionen im gesamten Netzwerk, beispielsweise eine Karte, die an anderer Stelle bei einem bestätigten Betrugsangriff verwendet wurde, oder einen Gerätefingerabdruck, der neu mit einem Muster von Zahlungsanfechtungen in Verbindung gebracht wurde. Diese Signale können das Risikoprofil einer bereits autorisierten Zahlung erheblich verändern.
Dadurch entsteht eine Asymmetrie, die Betrügerinnen und Betrügern entgegenwirkt: Jeder weitere Versuch mit einer gestohlenen Karte gefährdet ihre zuvor erfolgreichen Transaktionen. Ein/e Betrüger/in, die/der einen erfolgreichen Kauf tätigt und anschließend versucht, weiteren Wert zu erlangen, liefert Stripe zusätzliche Anhaltspunkte, um sie/ihn zu entlarven und die frühere Belastung rückgängig zu machen, bevor es zu einer Rückbuchung kommt. Wenn sich die Risikosignale verschärfen, kann Stripe die Belastung proaktiv als Rückerstattung leisten oder rückgängig machen, bevor es zu einer Zahlungsanfechtung kommt.
6. Zahlungsanfechtungen
Trotz aller vorgelagerten Maßnahmen werden einige Transaktionen angefochten. Das Unternehmen zahlt eine Anfechtungsgebühr, trägt die operativen Kosten für die Bearbeitung und verliert – wenn die Zahlungsanfechtung verloren geht – den Transaktionsbetrag. Wenn die Anfechtungsquote eines Unternehmens die Schwellenwerte der Kartennetzwerke überschreitet, kann das Unternehmen in ein Überwachungsprogramm mit steigenden Sanktionen aufgenommen werden. Zahlungsanfechtungen sind einzeln betrachtet kostspielig und in der Summe noch kostspieliger.
Wie jeder andere Schritt in diesem Leitfaden stellen auch Zahlungsanfechtungen ein Optimierungsproblem dar. Die Struktur unterscheidet sich jedoch. Im Vorfeld besteht das Ziel darin, den erwarteten Gewinn bei jeder Transaktion in Echtzeit zu maximieren. Hier besteht das Ziel darin, die Gesamtkosten von Zahlungsanfechtungen über drei mögliche Reaktionsmöglichkeiten hinweg zu minimieren: die Anfechtung bereits bei der Anfrage abzuwehren, sie zu klären, bevor sie eingereicht wird oder sie nachträglich abzuwehren. Jede Reaktion ist mit unterschiedlichen Kosten, einer unterschiedlichen Erfolgsquote und unterschiedlichen Auswirkungen auf das Ansehen des Unternehmens bei den Kartennetzwerken verbunden. Die richtige Strategie hängt von der Höhe des Streitwerts, dem Ursachencode, der Nähe des Unternehmens zu den Überwachungsschwellenwerten und der Stichhaltigkeit der verfügbaren Beweise ab.
Umleitung
Stripe ist mit „Verifi“ von Visa und „Ethoca“ von Mastercard integriert, um den Kartenausstellern erweiterte Transaktionsdetails (Kaufbeschreibungen, Unternehmensinformationen und Transaktionsmetadaten) zur Verfügung zu stellen, die der Karteninhaberin bzw. dem Karteninhaber helfen, die Belastung zu erkennen, bevor eine Zahlungsanfechtung eingereicht wird. In Fällen, in denen Stripe einen Nachweis für eine frühere Beziehung zwischen der Karteninhaberin bzw. dem Karteninhaber und dem Unternehmen erbringen kann (übereinstimmende Kundenkennungen, IP-Adresse oder Lieferadresse aus früheren erfolgreichen Transaktionen), erfüllen die Daten die Anforderungen für das, was Visa als „Compelling Evidence“ (CE) 3.0 bezeichnet. Sind die CE3.0-Kriterien erfüllt, ist der Kartenaussteller verpflichtet, die Einreichung der Anfechtung gänzlich zu blockieren. Die Abwehrquote hängt von der Datenverfügbarkeit ab, doch für Unternehmen mit wiederkehrenden Kundinnen und Kunden kann dies dazu beitragen, zu verhindern, dass Anfechtungen aufgrund von Betrug überhaupt im System erfasst werden.
Beilegung
Dank unserer Verifi- und Ethoca-Integrationen können Unternehmen Zahlungsanfechtungen klären, bevor diese offiziell in den Rückbuchungsprozess eintreten. Wenn ein/e Karteninhaber/in eine Zahlungsanfechtung einleitet, senden diese Netzwerke eine Benachrichtigung an Stripe, noch bevor die Rückbuchung eingereicht wird. Unternehmen können Regeln konfigurieren, um berechtigte Zahlungsanfechtungen automatisch zu rückerstatten (beispielsweise alle Zahlungsanfechtungen wegen „nicht erhaltener Ware“ unter 10 USD). Durch die Rückerstattung wird die Zahlungsanfechtung sofort beigelegt, das Unternehmen vermeidet die Rückbuchungsgebühr und – was am wichtigsten ist – die Kartennetzwerke rechnen ihn nicht in die Anfechtungsquote des Unternehmens ein, was dazu beiträgt, dass das Unternehmen nicht in Überwachungsprogramme aufgenommen wird.
Diese Instrumente zur Konfliktvermeidung und -beilegung haben die Anfechtungsquote bei Betrugs- und Nicht-Betrugs-Ursachencodes um durchschnittlich 51 % gesenkt.
Representment
Bei angefochtenen Zahlungen, die zu einer Rückbuchung führen, verlagert sich das Optimierungsproblem von der Prävention zur Zusammenstellung von Beweisen. Welche Beweise und in welchem Format maximieren die Wahrscheinlichkeit, eine Anfechtung zu gewinnen? Die Antwort variiert je nach Ursachencode, Aussteller und Art der Transaktion und ein einzelnes Unternehmen hat in der Regel zu wenige Anfechtungen, um diese Muster selbst zu erkennen.
Das Smart Disputes-System von Stripe wurde anhand der Ergebnisse von Zahlungsanfechtungen aus Millionen von Transaktionen trainiert und verfügt somit über genügend Daten, um zu erkennen, welche Vorgehensweisen erfolgreich sind. Das System lernt, welche Kombinationen im jeweiligen Kontext am effektivsten sind. Es stellt automatisch ein maßgeschneidertes Beweismaterialpaket zusammen und reicht es ein; Unternehmen können dieses vor der Einreichung durch eigene Beweise ergänzen. Frühe Anwender haben im Durchschnitt 13 % mehr Rückbuchungen für sich entschieden.
Die Zukunft der Zahlungsoptimierung
Die in diesem Leitfaden beschriebenen Optimierungsmaßnahmen erstrecken sich über den gesamten Zahlungszyklus und verstärken sich gegenseitig. Eine verbesserte Betrugsbewertung kann dazu führen, dass weniger betrügerische Transaktionen die Autorisierungsphase erreichen. Eine strengere Authentifizierung bedeutet, dass bei mehr Transaktionen die Haftung auf die Händlerin bzw. den Händler übergeht. Und durch Maßnahmen nach der Autorisierung werden risikoreiche Belastungen rückgängig gemacht, bevor sie angefochten werden können. Bis eine Transaktion die Phase der Anfechtung erreicht, hat sie bereits mehrere Optimierungsstufen durchlaufen.
Kombinierte Prognosen
Je mehr Ergebnisse Stripe präzise vorhersagen kann, desto besser werden alle nachfolgenden Entscheidungen. Wir investieren in die Modellierung der Wahrscheinlichkeit der Rückerstattung zum Zeitpunkt der Abbuchung, um den Zeitpunkt der Abrechnung zu optimieren. Wir entwickeln verbesserte Prognosen für die zu erwartenden Netzwerkkosten, damit Routing-Modelle präzisere Kompromisse zwischen Kosten und Genauigkeit finden können.
Jede neue Prognose verbessert den gesamten Zahlungszyklus. Hier zeigt sich der Sondereffekt der mehrstufigen Optimierung am deutlichsten.
Umfangreichere Zielfunktionen
Die Optimierungsmodelle von Stripe sind nur so gut wie ihr Verständnis dafür, was einem Unternehmen tatsächlich wichtig ist. Heute ermöglichen es Tools wie die Risikopräferenzen von Radar Unternehmen, ihre Betrugstoleranz anzugeben. Dies ist jedoch nur ein Ausgangspunkt. Ein Unternehmen, das digitale Güter mit einer Marge von 60 % verkauft, sollte ein ganz anderes Maß an Betrugsrisiko tolerieren als ein Unternehmen, das physische Güter mit einer Marge von 8 % verkauft – und manche Unternehmen verkaufen beides. Das Betrugsmodell, die Authentifizierungs-Engine und der Autorisierungsoptimierer sollten dies alle berücksichtigen und sich entsprechend anpassen.
Manche Unternehmen konzentrieren sich ausschließlich auf Anfechtungen aufgrund von Betrug; andere möchten alle Risiken minimieren, einschließlich Eigenbetrug und Missbrauch von Versicherungsbedingungen. Wieder andere sind bereit, ein höheres Betrugsrisiko in Kauf zu nehmen, um im Gegenzug die Konversionsrate während eines Aktionszeitraums zu maximieren. Je genauer Stripe die tatsächliche wirtschaftliche Situation und die Prioritäten eines Unternehmens erfassen kann, desto besser können alle Modelle in der Pipeline im Interesse des Unternehmens optimiert werden.
Größere Modelle
Die Modelle von Stripe werden sowohl umfangreicher als auch komplexer. Wir haben kürzlich den Trainingsdatensatz unseres Betrugsmodells von rund 800 Millionen auf über 11 Milliarden historische Transaktionen erweitert, wodurch ein wesentlich breiteres Spektrum an Regionen, Produkten und Betrugsmustern abgedeckt wird. Unsere tiefen neuronalen Netze können aus dieser Datenmenge auf eine Weise lernen, die traditionellen Modellen nicht möglich ist und wir treiben diese Entwicklung weiter voran. Wir entwickeln Multitask-Modelle, die mehrere Ergebnisse gleichzeitig vorhersagen. Dadurch können die Modelle Darstellungen zwischen den Aufgaben austauschen, sodass das Signal einer Prognose eine andere verstärkt.
Agenten für unstrukturierte Probleme
Die meisten Optimierungen in diesem Leitfaden beziehen sich auf strukturierte Daten wie Transaktionsbeträge, Ablehnungscodes, Gerätefingerabdrücke und Betrugsbewertungen. Einige der wichtigsten Probleme im Zahlungsverkehr betreffen jedoch unstrukturierte Informationen. Die Nachreichung von Beweismitteln bei Streitfällen ist ein naheliegendes Beispiel: Hierfür muss ein überzeugendes Beweismittelpaket zusammengestellt, müssen Netzwerkregeln gelesen werden (Visa und Mastercard veröffentlichen jeweils Hunderte von Seiten mit Anfechtungsbestimmungen, die regelmäßig geändert werden), muss die richtige Art von Beweismittel dem spezifischen Ursachencode und dem Aussteller zugeordnet werden und müssen Transaktionsdaten zu einer schlüssigen Darstellung zusammengefasst werden. Wir entwickeln Agenten, die Netzwerkvorschriften direkt interpretieren und dieses Verständnis mit KI-Modellen kombinieren können, welche vorhersagen, welche Beweise für ein bestimmtes Anfechtungsszenario am überzeugendsten sind und so Fälle bearbeiten, die regelbasierte Systeme nicht bewältigen können.
Experimentation
Über einzelne Initiativen hinaus führt Stripe kontinuierlich Experimente über den gesamten Zahlungsablauf hinweg durch. Jedes Experiment im Lifecycle einer Zahlung ist so ausgelegt, dass die Auswirkungen auf Autorisierungsraten, Betrugsfälle, Verarbeitungskosten und Abwicklungsgebühren gemessen werden können. Jede Woche werden neue Ideen getestet und diejenigen, die sich bewähren, werden automatisch an die Unternehmen auf Stripe weitergegeben. Jede Optimierung in diesem Leitfaden wurde durch diesen Prozess entdeckt, getestet und implementiert und das Tempo der Experimente hat sich in den letzten zwei Jahren mehr als vervierfacht.
Und für Unternehmen, die noch einen Schritt weiter gehen möchten, indem sie Margendaten austauschen, ihre Risikopräferenzen anpassen, umfassendere Produktinformationen bereitstellen und neue Ideen testen, werden die Optimierungsmöglichkeiten noch vielfältiger. Kontaktieren Sie uns; wir würden uns sehr über eine Zusammenarbeit freuen.