Los pagos como problema de optimización en varias etapas

La optimización de los pagos suele tratarse como un problema relacionado con la tasa de autorización: envía un mensaje bien formulado al emisor y maximiza las posibilidades de que vuelva a aprobarse. En la práctica, la superficie de optimización es mucho más amplia. Un pago pasa por varias etapas: el proceso de compra, la evaluación fraude, la autenticación, la autorización, la compensación y las disputas, y cada una presenta oportunidades para aumentar la conversión, reducir los costes y prevenir el fraude.

Stripe aplica optimizaciones en cada etapa, desde la personalización del formulario del proceso de compra hasta la decisión de solicitar un desafío o exención 3DS, pasando por el formato de los campos de un mensaje de autorización. La intervención adecuada en una etapa suele depender de lo que haya pasado 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 las fricciones sin tener en cuenta el apetito por el riesgo generará más rechazos y disputas más adelante. Los mejores resultados se obtienen al tener en cuenta estas interacciones y sistemas de construcción en cada etapa, siendo conscientes del impacto que tienen las unas sobre las otras.

Esta guía describe cómo optimiza Stripe los pagos en todas estas etapas, consiguiendo hasta 27.000 millones de dólares al año en ingresos adicionales, ayudando a reducir el fraude en un 38 % de media y reduciendo los costes de procesamiento en hasta un 2,8 % para las empresas de Stripe.

1. Proceso de compra

La mayoría de los ingresos que las empresas pierden, no son por rechazos del emisor. Más bien, se pierden en el proceso de compra.

Un cliente de los Países Bajos que no vea la opción para pagar iDEAL podría abandonar su carrito. Un cliente de Brasil que vea precios en USD podría no completar una compra porque no está seguro de si las comisiones por cambio de divisas podrían aparecer en su extracto bancario o qué va a suceder. Un cliente que quiera realizar una compra grande pero se le ofrezca una opción para dividir los pagos del tipo «Compra ahora, paga después» podría decidir que no le merece la pena hacer esa compra. Estos no son casos fuera de lo común; hasta el hecho de mostrar un método de pago que no sea relevante para un cliente podría reducir la conversión en hasta un 15 %.

Personalización del formulario del proceso de compra

El proceso de compra óptimo es diferente para cada transacción. La combinación adecuada de métodos para pagar y el pedido, las divisas, los campos del formulario que se deben mostrar y si se debe iniciar una intervención de prevención del fraude dependen de quién es el cliente, dónde se encuentra, qué está comprando y qué dispositivo está utilizando. Una configuración estática no puede mantenerse al día.

Stripe trata esto como una serie de decisiones en tiempo real. Considera la selección de métodos para pagar. El enfoque clásico es elegir una configuración y seguir con ella, pero el conjunto óptimo de métodos para pagar 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 multiarmados, que lleva el nombre de un jugador que se enfrenta a una fila de máquinas tragaperras con unas tasas de transferencia desconocidas. Debes seguir probando nuevas opciones para saber cuál funciona mejor, sin dejar de ganar dinero con lo que ya funciona. Los modelos de IA de Stripe, entrenados en miles de millones de transacciones, se enfrentan a esta situación continuamente, incorporando señales durante la sesión como el tipo de dispositivo, la configuración regional del navegador y la disponibilidad de métodos para pagar, junto con señales a nivel de red como los métodos para pagar preferidos utilizados por empresas similares.

Las divisas también pueden jugar un papel relevante en gran medida. La mayoría de los clientes prefieren pagar en sus divisas locales, y Adaptive Pricing de Stripe utiliza un modelo de IA que predice la preferencia real del cliente en cuanto a las divisas, lo que ayuda a impulsar un aumento del 17,8 % en ingresos transfronterizos.

En conjunto, estas optimizaciones (ordenación dinámica de los métodos para pagar, Adaptive Pricing y credenciales guardadas) generan un aumento medio de los ingresos del 11,9 % para las empresas que utilizan el paquete de optimización del checkout.

El efecto de red de las credenciales guardadas

Hasta el mejor proceso de compra personalizado sigue necesitando que el cliente introduzca el número de tarjeta. Para los clientes que repiten su visita, esto es una fricción innecesaria. Link, un monedero digital creado 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 haya visitado. Se trata de un efecto de red en el sentido literal. Cada empresa nueva que comienza a utilizar Link mejora la experiencia de los clientes de cualquier otra empresa, y viceversa. Link ya tiene más de 200 millones de métodos para pagar guardados, y las empresas con una gran base de clientes que repiten su visita han visto que la conversión de usuarios ha aumentado en un 14 %.

2. Evaluación del fraude

Una vez que se intenta un pago, el problema cambia. La pregunta ya no es si el cliente comprará, sino si la transacción es legítima. Hay más de un 92 % de probabilidades de que Stripe haya visto la tarjeta antes. Pero la red Stripe va mucho más allá de las tarjetas. En millones de empresas, nuestra red observa correlaciones entre métodos para pagar, dispositivos y patrones de transacción que ayudan a distinguir la actividad legítima del fraude. Los modelos de prevención del fraude de Stripe utilizan estas señales añadidas para evaluar el riesgo de cada transacción.

Evaluación del riesgo

La prueba de tarjetas hace necesarios modelos y señales diferentes a los del fraude con tarjeta robada, donde un ser humano real está intentando realizar una compra con el método para pagar de otra persona. Solo para el fraude con tarjeta robada, Stripe mantiene varias hipótesis distintas: ¿es probable que esta tarjeta sea robada? ¿Esta transacción dará lugar a una disputa por fraude? ¿Activará una alerta de fraude preventiva de la red de tarjetas? E incluso si es poco probable que el banco la dispute, ¿cree Stripe que la transacción es fraudulenta? Cada hipótesis tiene diferentes implicaciones en lo que debería de 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 de volumen de pagos anuales, que abarcan millones de empresas. La segunda son datos externos, como las credenciales de tarjetas comprometidas que se obtienen de Internet. La tercera es específica de cada empresa: a través de integraciones de empresas aprendidas, Stripe Radar captura lo que parece normal para una empresa determinada mientras se beneficia de la amplitud del modelo global.

La forma de estas hipótesis también se está expandiendo. Históricamente, fraude significaba tarjetas robadas y pruebas de tarjetas. Pero es probable que un cliente que se registra de manera abusiva en miles de pruebas gratuitas o con descuento nunca se convierta, y la prueba en sí misma conlleva unos costes directos para la empresa. Hoy en día, un cliente con un plan de facturación basado en el consumo podría acumular cargos que no tiene intención de pagar. Esta no es una forma tradicional de fraude en los pagos, pero requiere la misma disciplina: hipótesis distintas, entrenadas en las señales correctas, utilizadas para impulsar la respuesta correcta.

Estas hipótesis pueden usarse de manera diferente dependiendo del apetito de riesgo de una empresa. Una empresa profundamente reacia al riesgo puede bloquear todo fraude pronosticado, independientemente de si el emisor lo disputaría. Una empresa centrada en maximizar la conversión puede optar por bloquear solo las transacciones que puedan dar lugar a disputas fraudulentas. Una empresa que se acerca al umbral de supervisión fijado por la marca de tarjetas puede bloquear tanto las disputas fraudulentas como las transacciones que puedan activar alertas de fraude preventivas.

Cómo elegir la intervención adecuada

Una evaluación de riesgos es una hipótesis de lo peligrosa que es una transacción, pero no te dice qué hacer al respecto. La respuesta más simple es bloquear la transacción, pero un falso positivo supone una pérdida de ingresos. La pregunta es si hay una manera menos costosa de mitigar el riesgo.

Stripe trata la selección de intervenciones como un problema contextual de bandidos, eligiendo entre un conjunto de acciones y modelando el resultado esperado de cada una. Algunas intervenciones son familiares, como presentar un desafío CAPTCHA para filtrar bots o solicitar 3DS. Estos son algunos ejemplos de un conjunto más amplio de intervenciones, cada una de las cuales afecta a la conversión, fraude y coste de manera diferente, y el impacto varía según el contexto. Muchos emisores de EE. UU., por ejemplo, tienen tasas bajas de finalización de 3DS: añadir un desafío 3DS a esos emisores podría no reducir el fraude, pero definitivamente perjudicaría a la conversión.

Stripe da forma a esto. Seleccionamos entre estas intervenciones estimando el beneficio esperado. Para cada intervención candidata, Stripe estima cómo cambian la probabilidad de conversión, la probabilidad de fraude y el coste dependiendo de cuál se seleccione. Una transacción enrutada a través de un desafío 3DS a menudo tiene una probabilidad cercana a cero de que se produzca una disputa por fraude pero una probabilidad de conversión cuantificablemente menor. El modelo selecciona la intervención que maximiza el beneficio esperado dado el perfil de riesgo de la transacción, las preferencias de riesgo de la empresa y el emisor y el método para pagar específicos involucrados.

En todas estas hipótesis e intervenciones, Radar reduce el fraude en un 38 % de media para las empresas que usan Stripe y bloquea menos del 0,05 % de las transacciones legítimas.

3. Autenticación

En la sección anterior se describía cómo selecciona Stripe las intervenciones, incluida la activación de la autenticación mediante 3DS. En esta sección se profundiza en lo que sucede cuando 3DS es la ruta elegida, porque esta no es la única decisión a tomar. 3DS es una familia de opciones con implicaciones muy diferentes en la conversión, coste y cumplimiento de la normativa, y la elección correcta depende del riesgo de la transacción, del contexto regulatorio y del emisor específico involucrado.

Optimizamos simultáneamente tres objetivos que compiten entre sí: cumplimiento de la normativa, prevención de fraude y conversión. Lo adecuado es tomar una decisión diferente para cada transacción, utilizando todo lo que sabes sobre su riesgo, el dispositivo del cliente y el comportamiento del emisor para elegir entre un desafío completo, una exención sin fricciones, un cambio 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 dirigir las transacciones que cumplen los requisitos para ello a través de la ruta de menor fricción disponible. Las transacciones de bajo riesgo, situadas por debajo del umbral normativo, obtienen una exención de valor bajo, por lo que se omite por completo la autenticación. Por encima del umbral, el motor solicita una exención TRA, cuando corresponda. Cuando el riesgo es moderado, utiliza la autenticación de Solo datos, compartiendo huellas digitales del dispositivo y contexto de transacción con el emisor en segundo plano, para que el cliente nunca vea que puede haber una objeción. Se reserva un desafío 3DS completo para los casos en los que el riesgo lo justifique o no haya 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 de Solo datos de forma fiable, mientras que otros no, y Stripe enruta en consecuencia. Solo en Europa, la autenticación de Solo datos produce 147 millones de dólares en volumen de pagos autorizados graduales y más de 2,5 millones de dólares en ahorros para las empresas cada mes.

Optimización del tiempo de espera de las huellas digitales

El árbol de decisiones se determina qué ruta de autenticación elige una transacción, pero incluso dentro de una ruta determinada, hay otras optimizaciones a tener en cuenta. Plantéate la opción de la huella digital, el primer paso opcional de cualquier flujo de 3DS. La huella digital 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, la duración del proceso varía según el dispositivo y la latencia añadida puede hacer que la autenticación falle por completo.

Este es el tipo de problema que recompensa la medición precisa. Stripe realizó una prueba A/B multivariante para determinar el tiempo de espera ideal para la huella digital antes de continuar sin ella. Este es un tema delicado: esperas demasiado y pierdes clientes por la latencia; omites esta opción demasiado rápido y pierdes la información que habría mejorado la decisión del emisor. El tiempo de espera óptimo varía según el dispositivo y el emisor, y al alcanzarlo, se recuperaron más de 39 millones de dólares en pagos desde marzo de 2025.

3DS como estrategia de reintento

La mayoría de los procesadores consideran que un pago rechazado relacionado con el riesgo es algo definitivo. Una de las optimizaciones más contraintuitivas que exploramos es que para estos pagos rechazados, al añadir la autenticación después del hecho se puede recuperar el pago.

La autenticación mediante 3DS añade latencia, introduce fricciones y tiene sus propios costes de procesamiento. Por lo tanto, la pregunta no es simplemente «¿ayudaría 3DS?», sino «¿el valor esperado de reintentarlo con 3DS supera el coste de intentarlo en sí mismo?». Stripe da forma a esto basándose directamente en el motivo del rechazo del pago específico, el emisor, el tipo de tarjeta y el perfil de la transacción. Algunos códigos de pago rechazado son casi deterministas (la tarjeta no es realmente válida y ningún tipo de autenticación va a cambia esto). Otros indican que el emisor quiere más seguridad de que el titular de la 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 coste. Esta optimización ha aumentado el volumen de pagos autorizados mundiales en más de 1.000 millones de dólares anuales.

4. Autorización

Una vez que una transacción ha sido evaluada por fraude y, en su caso, autenticada, se envía al banco emisor para su autorización. Esta es otra oportunidad más de influir en las tasas de autorización, fraude y costes de procesamiento (para las empresas IC+). Stripe lo hace en tres categorías amplias: elegir cómo dirigir el pago, hacer que el mensaje de autorización sea lo más eficaz posible y recuperar los pagos que fallan en el primer intento.

Ruta bancaria

Stripe puede dirigir los 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 reducen los costes estas rutas sin sacrificar la aceptación de pagos. En el reintento, el cálculo cambia: si se rechaza una transacción de débito de firma, la ruta del reintento a través de canales de débito puede recuperarla.

Mensajes de autorización

El contenido del mensaje ISO 8583 que recibe el emisor, y el contexto que lo rodea, afecta significativamente a 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, probando cambios en emisores, tipos de tarjetas y localizaciones geográficas. El volumen de la red Stripe significa que hasta los experimentos para los que se espera un pequeño efecto son significativos estadísticamente en cuestión de horas, y Stripe ejecuta decenas cada semana. Los experimentos exitosos suelen ser sorprendentemente pequeños: por ejemplo, un cambio menor al que se envían transacciones para su autorización. Es difícil distinguir entre el efecto y el ruido para cualquier empresa, pero a escala de Stripe, se puede medir con mucha confianza y supone decenas de millones de dólares anuales en total. Estas mejoras se van sumando unas a otras.

La segunda es compartir señales de riesgo de fraude con los emisores. Los emisores tienen su propia visión del riesgo, a menudo basada en el historial de gastos, la situación de la cuenta y el comportamiento de un titular de la tarjeta en toda su cartera. Pero no ven lo que Stripe ve: el comportamiento del cliente con otros métodos para pagar o los patrones de fraude asociados con una dirección de correo electrónico o dirección de envío determinada. Stripe creó la red de emisores mejorada (integraciones directas de intercambio de datos Radar con emisores, como Capital One, Discover y American Express) para cerrar esta brecha. Cuando Stripe cree que una transacción es de bajo riesgo, compartir esa señal ayuda al emisor a evitar falsos rechazos que de otro modo podrían producirse.

En tercer lugar, las credenciales de la tarjeta. Las credenciales obsoletas son un motivo importante que ocasiona rechazos innecesarios. Stripe utiliza tokens de red y actualizadores de tarjetas para mantener las credenciales actualizadas, pero la optimización no se limita a simplemente habilitar estas herramientas. Por lo general, los tokens de red mejoran las tasas de autorización y reducen los costes, pero hay bolsas de tráfico en las que no lo hacen, es decir, emisores con un mal soporte de token donde perjudican las tasas de autorización o patrones de transacción donde aumentan el fraude. Stripe aprende dónde ayudan los tokens y dónde no, aplicándolos selectivamente para maximizar su beneficio.

Reintentos

Algunos pagos rechazados son recuperables. Un pago rechazado temporal debido a fondos insuficientes o a la falta de disponibilidad temporal del emisor puede tener éxito en un segundo intento con un plazo o ruta diferente. Stripe reintenta de forma síncrona el cobro, seleccionando una pasarela alternativa o ajustando el mensaje en función del motivo del pago rechazado. Para los pagos fuera de la sesión, como las suscripciones, Stripe reintenta los pagos de forma asíncrona mediante reclamaciones inteligentes, utilizando modelos que predicen cuándo es más probable que haya fondos disponibles en lugar de reintentarlo siguiendo un calendario fijo.

En conjunto, Authorization Boost de Stripe, que abarca rutas, optimizaciones de mensajes y emisores y gestión de credenciales, aumenta las tasas de aceptación en un 2,2 % de media y reduce los costes de procesamiento hasta un 2,8 % para las empresas IC+.

5. Compensación

Una autorización exitosa no es el final de la superficie de optimización. Entre la autorización y la recepción de los fondos por parte de la empresa, Stripe optimiza para conseguir dos cosas: reducir el coste de liquidación de la transacción y detectar fraudes que solo se hacen visibles tras la autorización.

Reducción de costes

Reembolsar una transacción liquidada es caro. En el adeudo en EE. UU., no hay devoluciones de tasas de intercambio, lo que hace que un reembolso posterior al cobro sea hasta 24 veces más costoso que anular la autorización antes de la compensación. Stripe predice qué transacciones es probable que se reembolsen poco después de la captura y retrasa su compensación durante un corto período de tiempo en consecuencia, convirtiendo los reembolsos en anulaciones. Casi el 25 % de los reembolsos se producen en las primeras 48 horas, por lo que hasta un retraso breve y específico para reembolsos de alta probabilidad puede reducir significativamente los costes.

Cuando se esperan cambios menores en el valor de una transacción, como una propina que se añade al cobro inicial, Stripe mantiene abierta la autorización y captura el importe total una vez en lugar de incurrir en un segundo conjunto de comisiones. Y para las empresas que procesan transacciones comerciales con tarjeta, enviar datos detallados de productos e impuestos en el momento de la liquidación puede calificar las transacciones para tasas de intercambio más bajas a través de programas como el Programa de Datos Comerciales Mejorados.

Cómo reducir el fraude

En las horas posteriores a la finalización de una transacción, Stripe continúa observando señales de otras transacciones en toda la red, como una tarjeta utilizada en un fraude confirmado en otro lugar o una huella digital del dispositivo recién vinculada a un patrón de disputas. Estas señales pueden cambiar materialmente el panorama de riesgo de un pago ya autorizado.

Esto crea una asimetría que funciona contra los estafadores: cada intento posterior de una tarjeta robada pone en riesgo sus transacciones exitosas anteriores. Un mal actor que realiza una compra exitosa y luego trata de extraer más valor le da a Stripe una señal adicional para atraparlos y anular el cargo anterior antes de que se produzca un contracargo. Cuando las señales de riesgo aumentan, Stripe puede reembolsar o anular proactivamente el cargo antes de que se traduzca en una disputa.

6. Disputas

A pesar de todo lo anterior, algunas transacciones se disputarán. La empresa paga una comisión por disputa, absorbe el coste operativo de responder y, si se pierde la disputa, la empresa pierde el importe de la transacción. Si la tasa de disputas de una empresa supera los umbrales fijados por las redes de tarjetas, la empresa puede pasar a un programa de supervisión con sanciones que van en aumento. Las disputas son caras de forma aislada, pero mucho más en conjunto.

Como en cualquier otra etapa de esta guía, las disputas suponen un problema de optimización, pero la estructura es diferente. En fases previas, el objetivo es maximizar el beneficio esperado en cada transacción en tiempo real. Aquí, el objetivo es minimizar el coste total de las disputas con tres posibles respuestas: desviar la disputa en el punto de solicitud de información, resolverla antes de que se presente o combatirla después de los hechos. Cada respuesta tiene un coste diferente, una tasa de éxito diferente y un efecto diferente en la situación de la empresa de cara a las redes de tarjetas. La estrategia adecuada depende del importe de la disputa, el código de motivo, la proximidad de la empresa a los umbrales de supervisión y la solidez de las pruebas disponibles.

Desviación

Stripe se integra con Verifi de Visa y Ethoca de Mastercard para ofrecer transacciones mejoradas a los emisores (descripciones de las compras, información de la empresa y metadatos de las transacciones) que ayudan al titular de la tarjeta a reconocer un cargo antes de que se presente una disputa. En los casos en los que Stripe puede establecer pruebas de una relación anterior entre el titular de la tarjeta y la empresa (identificadores de cliente, dirección IP o dirección de envío coincidentes de transacciones anteriores realizadas correctamente), los datos cumplen los requisitos de lo que Visa denomina pruebas convincentes 3.0. (CE 3.0) Cuando se cumplen los criterios CE3.0, el emisor debe bloquear la disputa. La tasa de desviación depende de la disponibilidad de datos, pero para las empresas con clientes recurrentes, puede ayudar a evitar que las disputas fraudulentas entren en el sistema.

Resolución

Nuestras integraciones de Verifi y Ethoca también permiten a las empresas resolver disputas antes de que entren formalmente en el proceso del contracargo. Cuando un titular de la tarjeta inicia una disputa, estas redes envían una alerta a Stripe antes de que se presente el contracargo. Las empresas pueden configurar reglas para el reembolso automático de disputas que cumplan los requisitos (por ejemplo, todas las disputas de «producto no recibido» de menos de 10 $). El reembolso resuelve la disputa instantáneamente, la empresa evita la comisión por contracargo y, lo que es más importante, las redes de tarjetas no lo cuentan a efectos de la tasa de disputas de la empresa, lo que ayuda a que la empresa se mantenga fuera de los programas de supervisión.

Estas herramientas de desviación y resolución han reducido las tasas de disputas en un 51 % de media entre códigos de motivo de fraude y no fraude.

Reproducción

Para las disputas que sí se convierten en un contracargo, el problema de optimización pasa de la prevención a la reunión de pruebas. ¿Qué pruebas, en qué formato, maximizan la probabilidad de ganar una disputa determinada? La respuesta varía según el código de motivo, emisor y tipo de transacción, y es probable que cualquier empresa particular vea muy pocas disputas para aprender estos patrones.

El sistema Smart Disputes de Stripe está capacitado para disputar millones de transacciones, lo que le da la información suficiente para identificar lo que funciona. El sistema aprende qué combinaciones son más efectivas en cada contexto. Reúne y envía automáticamente un paquete de pruebas personalizado, y las empresas pueden complementarlo con sus propias pruebas antes de enviarlo. Los primeros en utilizar este sistema han visto un 13 % más de contracargos resueltos a su favor de media.

El futuro de la optimización de pagos

Las optimizaciones de esta guía abarcan todo el ciclo de vida del pago y se agravan. Una mejor puntuación de fraude puede hacer que se produzcan menos transacciones fraudulentas. Una autenticación más sólida supone que más transacciones conllevan transferencia de responsabilidad. Además, las intervenciones posteriores a la autorización anulan cargos de alto riesgo antes de que se puedan disputar. Cuando una transacción llega a la etapa de disputa, ya ha pasado por varias capas de optimización.

Predicciones compuestas

Cuantos más resultados pueda predecir Stripe con precisión, mejor será cada decisión que tome en las siguientes fases. Estamos invirtiendo en modelar la probabilidad de reembolsos en el momento de aceptar los pagos para optimizar el plazo de compensación. Estamos desarrollando mejores hipótesis sobre los costes de red esperados, para que los modelos de enrutamiento puedan valorar de forma más precisa el equilibrio entre coste y precisión.

Cada nueva hipótesis 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 ricas

La calidad de los modelos de optimización de Stripe se mide en la medida en que se entiende lo que realmente le importa a una empresa. Hoy en día, herramientas como las preferencias de riesgo de Radar permiten a las empresas indicar cuál es su tolerancia al fraude, pero este es tan solo un punto de partida. Una empresa que vende bienes digitales con márgenes del 60 % debe tolerar un nivel de riesgo de fraude muy diferente al de una empresa que vende bienes físicos con márgenes del 8 %, y algunas empresas venden productos dentro de ambas categorías. El modelo de prevención del fraude, el motor de autenticación y el optimizador de autorizaciones deben tenerlo en cuenta y ajustarse en consecuencia.

Algunas empresas se preocupan estrictamente por las disputas fraudulentas; otras quieren minimizar todo riesgo, incluido el fraude directo y el abuso de determinadas políticas. Algunas están dispuestas a aceptar una mayor tasa de fraude a cambio de maximizar la conversión durante un período promocional. Cuanto más precisión tenga Stripe a la hora de obtener información sobre la economía y prioridades reales de una empresa, mejor podrá optimizar cada modelo en el canal en nombre de la empresa.

Modelos más grandes

Los modelos de Stripe son cada vez más amplios y profundos. Recientemente, hemos ampliado el conjunto de datos de formación de nuestro modelo fraude de aproximadamente 800 millones a más de 11.000 millones de transacciones históricas, que abarcan una gama mucho más amplia de localizaciones 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 los estamos impulsando más allá. Estamos desarrollando modelos multitarea que predicen varios resultados simultáneamente, lo que permite que los modelos compartan reproducciones entre tareas, de modo que la señal de una hipótesis fortalezca a otra.

Agentes para problemas no estructurados

La mayoría de las optimizaciones de esta guía funcionan con datos estructurados, como importes de transacciones, códigos de pagos rechazados, huellas digitales de dispositivos y puntuaciones de fraude. Sin embargo, algunos de los problemas más importantes en los pagos involucran información no estructurada. Es una buena opción observar una reproducción de las disputas, para ello es necesario reunir un conjunto de pruebas de casos ganados, leer las reglas de la red (Visa y Mastercard publican cientos de páginas sobre las normativas de las disputas que están sujetas a cambios con regularidad), hacer coincidir cada tipo de prueba con su código del motivo y del emisor específico, y sintetizar los datos de las transacciones en una narrativa coherente. Estamos desarrollando agentes que pueden interpretar directamente las normativas de la red y combinar ese entendimiento con modelos de IA que predicen qué pruebas son más convincentes para una situación de disputa determinada, manejando así casos que los sistemas que se basan en reglas no pueden.

Experimentación

Más allá de cualquier iniciativa particular, Stripe realiza experimentos de forma continua durante todo el proceso de los pagos. Cada experimento del ciclo de vida de los pagos está instrumentado para medir el impacto en las tasas de autorización, fraude, costes 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 multiplicado por más de 4 en los últimos 2 años.

Y para las empresas que quieren ir más allá compartiendo datos de márgenes, ajustando las preferencias de riesgo, proporcionando información más completa sobre los productos y probando nuevas ideas, la superficie de optimización no hace más que ampliarse. Ponte en contacto con nosotros, nos encantaría colaborar.