El desafío

Ben & Frank es la marca de lentes de venta directa al consumidor más popular de América Latina. Con su anterior proveedor de pagos, Ben & Frank tenía un control del fraude e informes de pagos limitados, lo que le impedía optimizar de manera continua el rendimiento de las autorizaciones. La razón radica en los desafíos que presenta el mercado en México:
- América Latina es conocida por ser un ecosistema de pagos altamente personalizado y localizado, lo que hace difícil alcanzar el éxito cuando no se cuenta con sistemas de pagos personalizados para el usuario o relaciones estrechas con los principales emisores.
- Los índices de fraude de los compradores son elevados en comparación con los estándares mundiales, lo que dificulta la definición de un enfoque eficaz para los cargos sospechosos y la gestión de disputas.
- El apoyo a las funciones del comercio electrónico en México es limitado. Por ejemplo, es difícil para las empresas demostrar a los emisores que los clientes recurrentes presentan menos riesgo que los de primera vez.

Como resultado, Ben & Frank tenía bajas tasas de conversión, lo que creaba una mala experiencia para los clientes que recibían un rechazo equivocado.

La solución

Ben & Frank comparó Stripe con su procesador de pagos existente midiendo las tasas de autorización en las redes de tarjetas. John Campbell, director de operaciones de Ben & Frank, declaró: "Al evaluar un nuevo procesador de pagos, buscábamos tres objetivos medibles: la tasa de aceptación, la tasa de fraude y el NPS de la experiencia de los usuarios con nuestro servicio de atención al cliente".

Ben & Frank pudo integrar y poner en marcha Stripe en tan solo dos semanas y comenzar sus pruebas. Leonardo Alonso, ingeniero de software de Ben & Frank, afirmó: "Stripe tiene un equipo increíble que está listo para atender nuestras necesidades. Tiene uno de los mejores flujos de trabajo de desarrollo y la documentación es muy fácil de usar; cuentan con extensas librerías de clientes y ejemplos de referencia".

Después de los tres meses de prueba, Ben & Frank determinó que Stripe era la mejor solución de pagos para mejorar su conversión y potenciar su continuo crecimiento, gracias a su soporte efectivo y a su moderno conjunto de soluciones que incluyen optimización de pagos y detección de fraude.

Los resultados

En solo tres meses de usar Stripe México, Ben & Frank experimentó un aumento del 10% en la conversión en comparación con su procesador anterior. Este aumento que experimentó Ben & Frank fue posible gracias a lo siguiente:

La estrecha relación de Stripe con los procesadores y emisores regionales
Stripe contrata a docenas de expertos en pagos locales y desarrolladores para crear alianzas sólidas en todo el ecosistema de pagos de México, entre ellos, intermediarios locales como Prosa y eGlobal, Banco de México y CNBV, y grandes emisores como BBVA y Santander. Para generar confianza con los emisores locales, Stripe se reúne frecuentemente con ellos para realizar cambios iterativos en la lógica de autorización y fraude, lo que ayuda a las empresas a captar ingresos que, de otro modo, se perderían.

Reducción de la actividad fraudulenta y del tiempo de resolución
Dado que Radar se basa en Stripe Payments, Ben & Frank ya no tiene que etiquetar de manera manual las transacciones que resultan fraudulentas. En su lugar, la empresa confía en el machine learning de Stripe para evaluar el nivel de riesgo de cada pago en tiempo real. El modelo de machine learning de Stripe aprende de forma continua de los nuevos patrones de compra de los clientes, mientras que el equipo antifraude de Ben & Frank puede utilizar anulaciones de reglas manuales y reglas antifraude personalizadas que permiten una estrategia localizada para gestionar de manera proactiva las tasas de fraude y contracargos en México.

Dado que en América Latina las tasas de fraude son 5 veces superiores a las de Estados Unidos y la región de Europa, Medio Oriente y África, Radar ayuda a Ben & Frank a distinguir a los defraudadores de los clientes, reduciendo el fraude a un ritmo mayor. Lourdes García, responsable de producto en Ben & Frank, afirmó: "Al aprovechar el machine learning de Stripe y las reglas antifraude personalizadas, observamos un descenso en nuestras tasas de fraude y contracargos. Incluso comprobamos un aumento en la satisfacción de nuestros clientes, gracias a que nuestro equipo resuelve las disputas con mayor rapidez ahora que pasa menos tiempo gestionando un proceso manual".

Tasas de autorización optimizadas por el machine learning
Los bancos tienen reglas de decisión incoherentes sobre las transacciones que aceptan, la única manera de mejorar esta aceptación es a través de la ingeniería inversa de las reglas en toda la red de Stripe utilizando el machine learning. Para ello, Stripe creó Adaptive Acceptance, una tecnología de machine learning que optimiza los mensajes de autorización en nombre de sus clientes. De esta forma, los científicos e ingenieros de datos de Stripe mejoran continuamente estos modelos de machine learning para ayudar a las empresas a aceptar el mayor número posible de transacciones e ingresos legítimos.