Pagos como problema de optimización en varias etapas
La optimización de los pagos suele abordarse como un problema de tasa de autorización: enviar un mensaje correctamente estructurado al emisor y maximizar las posibilidades de que se apruebe. En la práctica, el ámbito de optimización es mucho más amplio. Un pago pasa por varias etapas: proceso de compra, evaluación de fraudes, autenticación, autorización, compensación y disputas, y cada una de ellas ofrece oportunidades para aumentar la conversión, reducir los costos y prevenir el fraude.
Stripe aplica optimizaciones en cada etapa, desde la personalización del formulario de confirmación de compra hasta la decisión de solicitar un desafío 3DS o una exención, pasando por el formato de los campos de un mensaje de autorización. La intervención adecuada en una etapa suele depender de lo que haya ocurrido en otra: un modelo de fraude que bloquee de forma demasiado agresiva mejorará las tasas de disputas, pero perjudicará la conversión, y una estrategia de autenticación que minimice la fricción sin tener en cuenta la tolerancia al riesgo generará más pagos rechazados y disputas más adelante. Los mejores resultados se obtienen si se tienen en cuenta estas interacciones y se crean sistemas en cada etapa que sean conscientes de su impacto en las demás.
Esta guía describe cómo Stripe optimiza los pagos en todas estas etapas, lo que genera hasta $27,000 millones al año en ingresos adicionales, contribuye a reducir el fraude en un 38 % en promedio y disminuye los costos de procesamiento hasta en un 2.8 % para las empresas que utilizan Stripe.
1. Confirmación de compra
La mayoría de los ingresos que las empresas pierden nunca son rechazados por un emisor. En cambio, se deben a que los clientes abandonan el proceso de compra.
Un cliente de los Países Bajos que no vea la opción iDEAL podría abandonar su carrito. Un cliente de Brasil que vea los precios en dólares estadounidenses podría no completar la compra porque no está seguro de si habrá comisiones por cambio de divisas en su extracto, ni de cuánto podrían ascender. Un cliente que esté considerando una compra importante y no tenga la opción de dividir los pagos con un proveedor de compra ahora, paga después podría simplemente decidir que la transacción no vale la pena. Estos no son casos extremos; mostrar incluso un método de pago que no sea relevante para un cliente puede reducir la conversión hasta en un 15 %.
Personalización del formulario del proceso de compra
El proceso de compra óptimo es diferente para cada transacción. El conjunto adecuado de métodos de pago y su ordenación, las monedas, los campos del formulario que se deben mostrar y si se debe activar una intervención contra el fraude dependen de quién sea el cliente, dónde se encuentre, qué esté comprando y qué dispositivo esté utilizando. Una configuración estática no puede adaptarse a estos cambios.
Stripe trata esto como una serie de decisiones en tiempo real. Considera la selección de métodos de pago. El enfoque clásico es elegir una configuración y mantenerla, pero el conjunto óptimo de métodos de pago cambia a medida que cambia el comportamiento del cliente, las preferencias regionales y la disponibilidad de métodos. Esto es lo que se conoce como un problema de bandidos multibrazo, que lleva el nombre de un jugador que se enfrenta a una fila de máquinas tragamonedas con tasas de transferencia desconocidas. Debes seguir probando nuevas opciones para aprender cuál funciona mejor, sin dejar de ganar dinero con lo que ya funciona. Los modelos de IA de Stripe, entrenados con miles de millones de transacciones, gestionan este equilibrio de forma continua, e incorporan señales propias durante la sesión, como el tipo de dispositivo, la configuración regional del navegador y la disponibilidad de los métodos de pago, junto con señales a nivel de red, como los métodos de pago preferidos que utilizan empresas similares.
La moneda es también un factor con un gran impacto. La mayoría de los clientes prefiere pagar en su moneda local, y la función Adaptive Pricing de Stripe utiliza un modelo de IA que predice la verdadera preferencia de moneda del cliente, lo que ha contribuido a un aumento del 17.8 % en los ingresos transfronterizos.
En conjunto, estas optimizaciones (ordenación dinámica de los métodos de pago, Adaptive Pricing y credenciales guardadas) generan un aumento promedio de los ingresos del 11.9 % para las empresas que utilizan el paquete de optimización de compra.
El efecto de red de las credenciales guardadas
Incluso el mejor proceso de compra personalizado sigue requiriendo que el cliente escriba un número de tarjeta. Para los clientes recurrentes, esto es una fricción innecesaria. Link, una cartera digital creada por Stripe, lo elimina. Si un cliente tiene un método de pago guardado con Link, el sistema lo reconoce, ya sea a través de cookies, datos de la cuenta u otros métodos de autenticación. El cliente puede pagar más rápido en cualquier empresa con Link habilitado en la red de Stripe, incluso en una que nunca había visitado antes. Se trata de un efecto de red en el sentido literal. Cada nueva empresa que adopta Link mejora la experiencia para los clientes de todas las demás empresas, y viceversa. Link ahora tiene más de 200 millones métodos de pago guardados, y las empresas con una gran base de clientes recurrentes han visto aumentar la conversión en un 14 % en promedio.
2. Evaluación de fraude
En cuanto se intenta realizar un pago, el problema cambia. La cuestión ya no es si el cliente va a comprar, sino si la transacción es legítima. Hay más de un 92 % de probabilidades de que Stripe haya visto esa tarjeta anteriormente. Pero la red de Stripe va mucho más allá de las tarjetas. A través de millones de empresas, nuestra red observa correlaciones entre métodos de pago, dispositivos y patrones de transacción que ayudan a distinguir la actividad legítima del fraude. Los modelos de fraude de Stripe utilizan estas señales agregadas para evaluar el riesgo de cada transacción.
Evaluación de riesgos
La prueba de tarjetas requiere modelos y señales diferentes a los del fraude con tarjetas robadas, en el que una persona real intenta realizar una compra con el método de pago de otra persona. Solo para el fraude con tarjetas robadas, Stripe mantiene varias predicciones distintas: ¿es probable que esta tarjeta haya sido robada? ¿Esta transacción dará lugar a una disputa por fraude? ¿Desencadenará una alerta preventiva de fraude por parte de la red de la tarjeta? E incluso si es poco probable que el banco inicie una disputa, ¿considera Stripe que la transacción es fraudulenta? Cada predicción tiene implicaciones diferentes sobre lo que debería suceder a continuación.
Los modelos se basan en tres capas de señales: la primera es la propia red Stripe: patrones agregados observados en más de un billón de dólares en volumen de pagos anuales, que abarcan millones de empresas; la segunda son datos externos, como credenciales de tarjetas comprometidas ingeridas de toda la Internet; y la tercera es específica de la empresa: a través de integraciones de empresas aprendidas, Stripe Radar captura lo que parece normal para una empresa determinada sin dejar de beneficiarse de la amplitud del modelo global.
El alcance de estas predicciones también se está ampliando. Históricamente, el fraude se asociaba con tarjetas robadas y pruebas de tarjetas. Sin embargo, un cliente que se inscribe de forma abusiva en miles de pruebas gratuitas o con descuento probablemente nunca se convertirá en cliente, y la prueba en sí misma supone un costo directo para la empresa. Hoy en día, un cliente con un plan de modelo de cobro por consumo podría acumular cargos que no tiene intención de pagar. Esta no es una forma tradicional de fraude de pago, pero requiere la misma disciplina: predicciones claras, entrenadas en las señales correctas, utilizadas para generar la respuesta adecuada.
Estas predicciones pueden utilizarse de diferentes maneras según la propensión al riesgo de cada empresa. Una empresa muy reacia al riesgo puede bloquear todos los fraudes previstos, independientemente de si el emisor los impugnaría o no. Una empresa centrada en maximizar la conversión puede optar por bloquear únicamente las transacciones que probablemente den lugar a disputas por fraude. Una empresa que se acerque al umbral de monitoreo de una marca de tarjetas puede bloquear tanto las disputas por fraude como las transacciones que probablemente activen alertas preventivas de fraude.
Cómo elegir la intervención adecuada
Una evaluación de riesgos es una predicción del grado de peligrosidad de una transacción, pero no indica qué medidas tomar al respecto. La respuesta más sencilla es bloquear la transacción, pero un falso positivo supone una pérdida de ingresos. La pregunta es si existe una forma menos costosa de mitigar el riesgo.
Stripe aborda la selección de intervenciones como un problema de bandido contextual y elige entre un conjunto de acciones, al tiempo que modela el resultado esperado de cada una. Algunas intervenciones son conocidas, como presentar un CAPTCHA para filtrar bots o solicitar 3DS. Estos son solo algunos ejemplos de un conjunto más amplio de intervenciones, cada una de las cuales afecta de manera diferente a la conversión, el fraude y el costo, y cuyo impacto varía según el contexto. Muchos emisores de EE. UU., por ejemplo, tienen bajas tasas de finalización de 3DS: añadir un desafío 3DS a esos emisores podría no reducir el fraude, pero sin duda perjudica la conversión.
Stripe aplica este modelo. Elegimos entre estas intervenciones mediante la estimación del beneficio esperado. Para cada intervención posible, Stripe calcula cómo varían la probabilidad de conversión, la probabilidad de fraude y el costo en función de la opción seleccionada. Una transacción que enrutada por un desafío 3DS suele tener una probabilidad casi nula de disputa por fraude, pero una probabilidad de conversión notablemente menor. El modelo selecciona la intervención que maximiza el beneficio esperado en función del perfil de riesgo de la transacción, las preferencias de riesgo de la empresa y el emisor y el método de pago específicos involucrados.
A través de estas predicciones e intervenciones, Radar reduce el fraude en un 38 % en promedio para las empresas en Stripe mientras bloquea menos del 0.05 % de las transacciones legítimas.
3. Autenticación
En la sección anterior se describía cómo Stripe selecciona las intervenciones, incluso si activa la autenticación con 3DS. En esta sección se profundiza en lo que sucede cuando 3DS es la ruta elegida, porque la decisión no termina ahí. 3DS es una familia de opciones con implicaciones muy diferentes para la conversión, el costo y el cumplimiento de la normativa, y la elección correcta depende del riesgo de la transacción, el contexto normativo y el emisor específico involucrado.
Optimizaremos simultáneamente tres objetivos contrapuestos: el cumplimiento de la normativa, la prevención de fraude y la conversión. La respuesta correcta consiste en tomar una decisión diferente para cada transacción, a partir de todo lo que se sabe sobre su riesgo, el dispositivo del cliente y el comportamiento del emisor, para elegir entre un desafío completo, una exención sin fricciones, un intercambio de datos en segundo plano o ninguna autenticación.
Exenciones y desafíos
El motor de autenticación de Stripe utiliza las puntuaciones de fraude de Radar para enrutar transacciones elegibles a través de la ruta de menor fricción disponible. Las transacciones de bajo riesgo por debajo del umbral normativo obtienen una exención de bajo valor y se omite la autenticación por completo. Por encima del umbral, el motor solicita una exención por TRA, cuando corresponda. Cuando el riesgo es moderado, se utiliza la autenticación Data Only, que comparte las huellas digitales del dispositivo y el contexto de la transacción con el emisor en segundo plano, de modo que el cliente nunca ve un desafío. Se reserva un desafío 3DS para los casos en los que el riesgo lo justifica o no hay ninguna exención disponible.
La puntuación de fraude es la variable de ramificación en cada nodo, y el motor se adapta al comportamiento del emisor: algunos emisores aprueban los flujos Data Only de manera confiable, mientras que otros no, y Stripe los enruta en consecuencia. En el conjunto de Europa, solo la autenticación Data Only genera $147 millones en volumen incremental de pagos autorizados y más de $2.5 millones en ahorros para las empresas cada mes.
Optimización del tiempo de espera de la huella
El árbol de decisiones determina qué ruta de autenticación toma una transacción, pero incluso dentro de una ruta determinada, hay otras optimizaciones. Considera la huella, el primer paso opcional de cualquier flujo de 3DS. La huella de 3DS recopila información del dispositivo y del navegador a través de un iframe para ayudar al banco emisor a evaluar el riesgo de la transacción. Es un paso opcional en el protocolo, admitido por aproximadamente el 68 % de las transacciones en Stripe, y puede mejorar la conversión cuando se realiza correctamente. Sin embargo, el proceso puede tardar más o menos tiempo según el dispositivo, y la latencia adicional puede provocar que la autenticación falle por completo.
Este es el tipo de problema en el que vale la pena realizar mediciones precisas. Stripe llevó a cabo una prueba A/B multivariante para determinar el tiempo ideal de espera para la identificación de la huella antes de continuar sin ella. Se trata de un equilibrio delicado: si se espera demasiado, se pierden clientes debido a la latencia; si se omite demasiado rápido, se pierde la información que habría mejorado la decisión del emisor. El tiempo de espera óptimo varía según el dispositivo y el emisor, y su determinación ha permitido recuperar más de $39 millones en pagos desde marzo de 2025.
3DS como estrategia de reintento
La mayoría de los encargados de tratamiento tratan un pago rechazado relacionado con el riesgo como definitivo. Una de las optimizaciones menos intuitivas que exploramos es que, en estos casos de pago rechazado, la adición de la autenticación a posteriori puede recuperar el pago.
La autenticación con 3DS agrega latencia, introduce fricción y conlleva su propio costo de procesamiento. Por lo tanto, la pregunta no es simplemente «¿serviría de algo el 3DS?», sino «¿el valor esperado de volver a intentarlo con 3DS supera el costo de hacerlo?». Stripe calcula esto directamente en función de un motivo específico de rechazo, el emisor, el tipo de tarjeta y el perfil de la transacción. Algunos códigos de pago rechazado son casi deterministas (la tarjeta es realmente inválida y ninguna cantidad de autenticación cambiará eso). Otros indican que el emisor quiere más garantías de que el titular de tarjeta está presente, y un desafío 3DS proporciona exactamente eso. El modelo aprende qué códigos, en qué emisores, responden a la autenticación y enruta los reintentos solo cuando la recuperación esperada justifica el costo. Esta optimización ha aumentado el volumen de pagos autorizados globales en más de $1000 millones anuales.
4. Autorización
Una vez que se haya evaluado una transacción para detectar posibles fraudes y, según corresponda, se haya autenticado, se envía al banco emisor para su autorización. Esta es otra oportunidad más para influir en las tasas de autorización, el fraude y los costos de procesamiento (para las empresas de IC+). Stripe lo hace a través de tres categorías generales: elegir cómo enrutar el pago, hacer que el mensaje de autorización sea lo más eficaz posible y recuperar los pagos que fallan en el primer intento.
Enrutamiento
Stripe puede enrutar pagos a través de varias pasarelas y canales, como las redes de débito regionales, y puede seleccionar la ruta más rentable en el primer intento. Para muchos pagos, los canales alternativos realmente perjudican la conversión, por lo que los modelos aprenden dónde estas rutas reducen el costo sin sacrificar la aceptación. En el reintento, el cálculo cambia: si se rechaza una transacción de débito de firma, el enrutamiento del reintento a través de canales de débito puede recuperarlo.
Mensajes de autorización
El contenido del mensaje ISO 8583 que recibe el emisor, y el contexto que lo rodea, afecta significativamente si se aprueba un pago. Stripe optimiza esto en varios frentes.
El primero es el mensaje en sí. Stripe experimenta continuamente con el formato y contenido de los campos ISO, prueba cambios en emisores, tipos de tarjetas y zonas geográficas. El volumen de la red de Stripe hace que incluso los experimentos con efectos esperados de poca magnitud alcancen la significación estadística en cuestión de horas, y Stripe lleva a cabo docenas de ellos cada semana. Los experimentos exitosos suelen ser sorprendentemente modestos: por ejemplo, un pequeño cambio en las transacciones que se envían para su autorización. Para una sola empresa, resulta difícil distinguir este efecto del ruido, pero a la escala de Stripe, es medible con un alto grado de confianza y tiene un valor agregado de decenas de millones de dólares al año. Estas mejoras se acumulan.
El segundo es compartir señales de riesgo de fraude con los emisores. Los emisores tienen su propia visión del riesgo, que a menudo se basa en el historial de gastos del titular de tarjeta, el estado de la cuenta y el comportamiento en toda su cartera. Pero no ven lo que ve Stripe: el comportamiento del cliente en otros métodos de pago, o los patrones de fraude asociados a una dirección de correo electrónico o de envío concretas. Stripe creó la Red de Emisores Mejorada, integraciones directas de intercambio de datos de Radar con emisores, entre los que se incluyen Capital One, Discover y American Express, para cerrar esta brecha. Cuando Stripe considera que una transacción es de bajo riesgo, compartir esa señal ayuda al emisor a evitar pagos rechazados erróneos que, de otro modo, podría provocar por su cuenta.
El tercero son las credenciales de tarjeta. Las credenciales antiguas son una fuente significativa de pagos rechazados innecesarios. Stripe utiliza tokens de red y un actualizador de tarjetas para mantener las credenciales actualizadas, pero la optimización no es simplemente habilitar estas herramientas. Los tokens de red generalmente mejoran las tasas de autorización y reducen los costos, pero hay bolsas de tráfico donde no lo hacen: emisores con un soporte deficiente de los tokens, lo que afecta negativamente a las tasas de autorización, o patrones de transacción que favorecen el fraude. Stripe identifica en qué casos los tokens son útiles y en cuáles no, y los aplica de forma selectiva para maximizar sus beneficios.
Reintentos
Algunos pagos rechazados son recuperables. Un pago rechazado leve debido a fondos insuficientes o a la indisponibilidad temporal del emisor podría completarse con éxito en un segundo intento, si se cambia el plazo o el enrutamiento de la transacción. Stripe realiza nuevos intentos de forma sincrónica en el momento del cobro, selecciona una pasarela alternativa o ajusta el mensaje según el motivo del rechazo. En el caso de los pagos fuera de sesión, como las suscripciones, Stripe realiza nuevos intentos de forma asincrónica mediante un sistema inteligente de reclamación de pagos, que utiliza modelos que predicen cuándo es más probable que los fondos estén disponibles, en lugar de volver a intentarlo según un calendario fijo.
En conjunto, Authorization Boost de Stripe (que abarca enrutamiento, optimizaciones de mensajes y emisores y gestión de credenciales) aumenta las tasas de aceptación en un 2.2 % en promedio y reduce los costos de procesamiento hasta en un 2.8 % para las empresas IC+.
5. Compensación
Una autorización exitosa no supone el final del proceso de optimización. Entre la autorización y el momento en que la empresa recibe los fondos, Stripe se centra en dos aspectos: la reducción del costo de la liquidación de la transacción y la detección de los fraudes que solo se hacen evidentes tras la autorización.
Reducción de los costos
El reembolso de una transacción acreditada resulta costoso. En el caso de las tarjetas de débito de EE. UU., no se devuelven las tasas de intercambio, lo que hace que un reembolso posterior a la acreditación de fondos sea hasta 24 veces más costoso que anular la autorización antes de la liquidación. Stripe predice qué transacciones tienen probabilidades de reembolsarse poco después de su captura y, en consecuencia, retrasa su autorización durante un breve período, lo que convierte los reembolsos en revocaciones. Casi el 25 % de los reembolsos se producen en las primeras 48 horas, por lo que incluso un retraso breve y específico para los reembolsos de alta probabilidad puede reducir significativamente los costos.
Cuando se prevén cambios menores en el valor de una transacción, como una propina añadida a un cargo base, Stripe mantiene abierta la autorización y captura el importe total de una sola vez, en lugar de incurrir en una segunda ronda de comisiones. Además, para las empresas que procesan transacciones con tarjetas comerciales, el envío de datos detallados sobre productos e impuestos en el momento de la compensación puede hacer que las transacciones sean elegibles para tasas de intercambio más bajas a través de programas como el Programa de Datos Mejorados Comerciales de Visa.
Reducción del fraude
En las horas posteriores a la finalización de una transacción, Stripe sigue analizando las señales procedentes de otras transacciones en toda la red, como una tarjeta utilizada en un ataque fraudulento confirmado en otro lugar o una huella de un dispositivo recientemente vinculada a un patrón de disputas. Estas señales pueden alterar significativamente el perfil de riesgo de un pago ya autorizado.
Esto genera una asimetría que actúa en contra de los actores maliciosos: cada intento posterior con una tarjeta robada pone en riesgo las transacciones exitosas anteriores. Un actor malicioso que realiza una compra exitosa y luego intenta obtener más valor le da a Stripe una señal adicional para detectarlo y revertir el cargo anterior antes de que se convierta en una contracargo. Cuando las señales de riesgo se intensifican, Stripe puede reembolsar o revertir el cargo de manera proactiva antes de que se convierta en una disputa.
6\ disputas
A pesar de todas las medidas preventivas, algunas transacciones serán objeto de disputas. La empresa paga una comisión por disputa, asume los costos operativos de la respuesta y, si pierde la disputa, pierde el importe de la transacción. Si la tasa de disputas de una empresa supera los umbrales establecidos por las redes de tarjetas, la empresa puede ser incluida en un programa de monitoreo con sanciones cada vez más severas. Las disputas son costosas por sí solas y aún más costosas en conjunto.
Al igual que en todas las demás etapas de esta guía, las disputas plantean un problema de optimización. Sin embargo, la estructura es diferente. En las etapas previas, el objetivo es maximizar el beneficio esperado de cada transacción en tiempo real. En este caso, el objetivo es minimizar el costo total de las disputas a través de tres posibles respuestas: desviar la disputa en el momento de la solicitud de información, resolverla antes de que se presente o impugnarla a posteriori. Cada respuesta tiene un costo diferente, una tasa de éxito diferente y un efecto diferente en la reputación de la empresa ante las redes de tarjetas. La estrategia correcta depende del monto de la disputa, el código de motivo, la proximidad de la empresa a los umbrales de monitoreo y la solidez de la evidencia disponible.
Desviación
Stripe se integra con Verifi de Visa y Ethoca de Mastercard para ofrecer detalles mejorados de las transacciones a los emisores (descripciones de las compras, información de la empresa y metadatos de las transacciones) que ayudan al titular de tarjeta a reconocer que acepta pagos antes de que se presente una disputa. En los casos en que Stripe puede establecer pruebas de una relación anterior entre el titular de tarjeta y la empresa (identificadores del cliente, dirección IP o dirección de envío coincidentes de transacciones exitosas anteriores), los datos cumplen con los requisitos de lo que Visa llama evidencia convincente (CE) 3.0. Cuando se cumplen los criterios de CE3.0, el emisor debe bloquear la disputa para que no se presente. La tasa de desviación depende de la disponibilidad de datos, pero para las empresas con clientes recurrentes, puede ayudar a evitar que las disputas por fraude ingresen en el sistema.
Resolución
Nuestras integraciones en Verifi y Ethoca también permiten a las empresas resolver las disputas antes de que entren formalmente en el proceso de contracargo. Cuando un titular de tarjeta inicia una disputa, estas redes envían una alerta a Stripe antes de que se presente el contracargo. Las empresas pueden configurar reglas para reembolsar automáticamente las disputas que cumplan los requisitos (por ejemplo, todas las disputas por «producto no recibido» de menos de $10). El reembolso resuelve la disputa al instante, la empresa evita la comisión por contracargo y, lo más importante, las redes de tarjetas no lo contabilizan en la tasa de disputas de la empresa, lo que ayuda a mantener a la empresa fuera de los programas de monitoreo.
Estas herramientas de desviación y resolución han reducido las tasas de disputas en un 51 % en promedio tanto en los códigos de motivo relacionados con el fraude como en los no relacionados con el fraude.
Representación
En el caso de las disputas en las que se procede con el contracargo, el problema de optimización pasa de la prevención a la recopilación de evidencia. ¿Qué evidencia, y en qué formato, maximiza la probabilidad de ganar una disputa en particular? La respuesta varía según el código de motivo, el emisor y el tipo de transacción, y es probable que cualquier empresa individual tenga muy pocas disputas como para identificar estos patrones.
El sistema Smart Disputes de Stripe está entrenado con los resultados de disputas de millones de transacciones, lo que le proporciona la información necesaria para identificar qué estrategias funcionan. El sistema aprende qué combinaciones son más efectivas en cada contexto. De forma automática, recopila y envía un paquete de evidencia personalizado, y las empresas pueden complementarlo con su propia evidencia antes de su presentación. Los primeros usuarios han ganado, en promedio, un 13 % más de contracargos.
El futuro de la optimización de pagos
Las optimizaciones que se describen en esta guía abarcan todo el ciclo de vida del pago y se complementan entre sí. Una mejor evaluación del riesgo de fraude puede reducir el número de transacciones fraudulentas que llegan a la fase de autorización. Una autenticación más sólida implica que más transacciones se benefician de la transferencia de responsabilidad. Y las intervenciones posteriores a la autorización revierten los cargos de alto riesgo antes de que puedan ser objeto de disputa. Para cuando una transacción llega a la etapa de disputa, ya ha pasado por múltiples niveles de optimización.
Predicciones compuestas
Cuantos más resultados pueda predecir Stripe con precisión, mejores serán todas las decisiones posteriores. Estamos invirtiendo en la elaboración de modelos de probabilidad de reembolso en el momento del cargo para optimizar el momento de la liquidación. Estamos desarrollando mejores predicciones de los costos de la red previstos, de modo que los modelos de enrutamiento puedan establecer un equilibrio más preciso entre el costo y la precisión.
Cada nueva predicción mejora todo el ciclo de vida del pago. Aquí es donde se hace más visible el efecto compuesto de la optimización en varias etapas.
Funciones objetivas más complejas
La eficacia de los modelos de optimización de Stripe depende directamente de su comprensión de lo que realmente le importa a una empresa. Hoy en día, herramientas como las preferencias de riesgo de Radar permiten a las empresas expresar su tolerancia al fraude. Pero esto es solo un punto de partida. Una empresa que vende productos digitales con márgenes del 60 % debería tolerar un nivel de riesgo de fraude muy diferente al de una empresa que vende productos físicos con márgenes del 8 %, y hay empresas que venden ambos. El modelo de fraude, el motor de autenticación y el optimizador de autorización deberían tener esto en cuenta y ajustarse en consecuencia.
Algunas empresas se preocupan estrictamente por las disputas por fraude; otras quieren minimizar todo riesgo, incluido el fraude directo y el abuso de políticas. Algunas están dispuestas a aceptar un mayor fraude a cambio de maximizar la conversión durante un período promocional. Cuanto más precisamente Stripe pueda captura la economía y las prioridades reales de una empresa, mejor podrá optimizar cada modelo en tramitación en nombre de la empresa.
Modelos más grandes
Los modelos de Stripe son cada vez más amplios y profundos. Recientemente hemos hecho crecer el conjunto de datos de entrenamiento de nuestro modelo de detección de fraudes de unos 800 millones a más de 11,000 millones de transacciones históricas, lo que abarca una gama mucho más amplia de zonas geográficas, productos y patrones de fraude. Nuestras redes neuronales profundas pueden aprender de este volumen de datos de formas que los modelos tradicionales no pueden, y estamos llevando sus capacidades aún más lejos. Estamos creando modelos multitarea que predicen varios resultados al mismo tiempo, lo que permite que los modelos compartan representaciones entre tareas, de modo que la señal de una predicción refuerza a otra.
Agentes para problemas no estructurados
La mayoría de las optimizaciones de esta guía se aplican a datos estructurados, como los montos de las transacciones, los códigos de pago rechazado, las huellas y las puntuaciones de fraude. Sin embargo, algunos de los problemas más importantes en el ámbito de los pagos tienen que ver con información no estructurada. La representación en disputas es un caso ideal, ya que requiere armar un paquete de evidencia convincente, leer las reglas de la red (tanto Visa como Mastercard publican cientos de páginas de regulaciones sobre disputas que están sujetas a cambios regulares), emparejar el tipo de evidencia adecuado con el código de motivo específico y el emisor, y sintetizar los datos de la transacción en una narrativa coherente. Estamos creando agentes que pueden interpretar directamente las regulaciones de la red y combinar ese conocimiento con modelos de IA que predicen qué evidencia es más persuasiva para un escenario de disputa determinado, manejando casos que los sistemas basados en reglas no pueden.
Experimentación
Más allá de cualquier iniciativa particular, Stripe realiza experimentos continuamente durante todo el proceso de pago. Cada experimento del ciclo de vida del pago está instrumentado para medir el impacto en las tasas de autorización, fraude, costos de procesamiento e intercambio. Cada semana, se prueban nuevas ideas y las que tienen éxito se envían automáticamente a las empresas en Stripe. Cada optimización de esta guía se descubrió, probó e implementó durante este proceso, y el ritmo de experimentación se ha cuadruplicado en los últimos 2 años.
Y para las empresas que deseen ir más allá mediante el intercambio de datos sobre márgenes, el ajuste de las preferencias de riesgo, el suministro de información más detallada sobre los productos y la puesta a prueba de nuevas ideas, las posibilidades de optimización son cada vez mayores. Ponte en contacto con nosotros; nos encantaría colaborar contigo.