Los pagos como problema de optimización en varias etapas
La optimización de los pagos suele enmarcarse dentro del problema de la tasa de autorización, pero la autorización es solo un componente de un sistema más grande. Cada transacción pasa por el proceso de compra, la evaluación de fraude, la autenticación, la autorización, la compensación y las disputas, con puntos de decisión distintos en cada etapa. Estas decisiones son interdependientes: un modelo de fraude que bloquee de forma demasiado agresiva podría reducir las tasas de disputas pero también la conversión, mientras que una estrategia de autenticación que minimice las fricciones sin tener en cuenta el riesgo aumentará los rechazos y las disputas.
Stripe aplica optimizaciones en cada etapa, desde la personalización del formulario del proceso de compra hasta la decisión de si solicitar o no la autenticación 3DS, pasando por el formato de los campos para el mensaje de autorización. A lo largo del ciclo de vida del pago, estas optimizaciones aportan hasta 27.000 millones de dólares al año en ingresos adicionales, reducen el fraude en un 38 % de media y reducen los costes de procesamiento hasta en un 2,8 % para las empresas de Stripe.
1. Proceso de compra
La mayoría de las transacciones fallidas nunca llegan a ser autorizadas; se pierden en el proceso de compra. Un cliente en los Países Bajos que no ve la opción iDEAL puede decidir abandonar su carrito. Un cliente en Brasil que ve precios en USD puede dudar porque el coste final con las comisiones del tipo de cambio es incierto. Un cliente que se plantea realizar una compra grande pero no se le ofrece la posibilidad de dividir los pagos en cuotas con una opción tipo «Compra ahora, paga después» puede decidir no adquirir nada.
Personalización del formulario del proceso de compra
El proceso de compra óptimo es diferente para cada transacción. La combinación adecuada de métodos para pagar, el pedido, las divisas que se muestran, los campos necesarios 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.
Stripe las trata como una serie de decisiones en tiempo real. La selección de los métodos para pagar es un ejemplo: los modelos de IA de Stripe, entrenados con miles de millones de transacciones, seleccionan qué métodos mostrar por sesión de proceso de compra según las señales recibidas durante dicha 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 qué métodos funcionan mejor para empresas y clientes similares. Y debido a que el conjunto óptimo de métodos para pagar cambia a medida que cambian el comportamiento del cliente, las preferencias regionales y la disponibilidad de los mismos, el sistema también explora continuamente el rendimiento de nuevas configuraciones.
Las divisas son otra variante muy relevante. 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 del cliente en cuanto a las divisas, lo que ayuda a impulsar un aumento del 17,8 % en ingresos transfronterizos.
El efecto de red de las credenciales guardadas
Hasta un proceso de compra optimizado sigue provocando fricciones si el cliente tiene que introducir un número de tarjeta. Para los clientes que repiten la visita, esas fricciones son innecesarias. Link, un monedero digital creado por Stripe, elimina este problema. Si un cliente tiene un método para pagar guardado con Link, Stripe puede reconocerlo mediante el uso de cookies, datos de la cuenta u otras señales de autenticación. A continuación, el cliente puede efectuar su compra más rápido en cualquier empresa que tenga Link habilitado, incluso si nunca las había visitado con anterioridad.
Cada empresa nueva que adopta Link mejora la experiencia para los clientes de toda la red, y cada credencial adicional mejora el valor de Link para las empresas. Link ya tiene más de 200 millones métodos para pagar guardados, y las empresas con una gran base de clientes recurrentes han visto aumentar la conversión de usuarios recurrentes en una media del 14 %.
En conjunto, los métodos para pagar dinámicos, Adaptive Pricing y las credenciales guardadas generan un aumento medio de los ingresos del 11,9 % para las empresas que utilizan el paquete de optimización del proceso de compra.
2. Evaluación del fraude
Después de intentar un pago, el objetivo cambia, pasa de la conversión a evaluar si la transacción es legítima utilizando la IA entrenada con datos de millones de empresas y más de un billón de dólares en volumen de pagos anuales. Para los pagos con tarjeta, hay más de un 92 % de probabilidades de que Stripe haya visto la tarjeta antes. Y la red de Stripe va mucho más allá de las tarjetas: observamos correlaciones entre métodos de pago, dispositivos y patrones de transacción que ayudan a distinguir la actividad legítima del fraude. Los modelos de detección del fraude de Stripe utilizan estas señales añadidas para evaluar el riesgo de cada transacción.
Evaluación del riesgo
Los diferentes modos fraude hacen necesarios diferentes modelos y señales. Las pruebas de tarjetas, por ejemplo, tienen unas características diferentes a las del fraude con tarjeta robada, en el que una persona real intenta comprar algo utilizando el método para pagar de otra persona. Incluso en los casos de fraude con tarjeta robada, Stripe considera varias posibilidades distintas: si es posible que la tarjeta sea robada, si es posible que la transacción dé lugar a una disputa por fraude, si es posible que active una alerta de fraude preventiva de la red de tarjetas y si es posible que Stripe evalúe la transacción como fraudulenta de forma independiente, aunque sea poco probable que el banco la dispute.
Los modelos de detección de fraude de Stripe Radar utilizan tres capas de señales. La primera es la propia red de Stripe: patrones añadidos a todas las empresas y transacciones en Stripe. La segunda son datos externos, incluidas las credenciales de tarjetas comprometidas que se obtienen desde Internet. En tercer lugar, se utilizan señales específicas de la empresa: Radar aprende patrones únicos para cada empresa y los utiliza para comparar la nueva actividad con el comportamiento habitual de esa empresa.
Los negocios pueden utilizar estas posibilidades de manera diferente dependiendo de la tolerancia al riesgo de una empresa. Una empresa muy reacia al riesgo puede elegir 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.
El alcance de estas posibilidades se está expandiendo. Históricamente, los modelos de fraude se centraban en tarjetas robadas y pruebas de tarjetas. Sin embargo, están surgiendo nuevos patrones de fraude, especialmente a medida que los malos actores se dirigen cada vez más a los servicios de IA con altos costes informáticos al abusar de pruebas gratuitas o acumular facturas sin pagar. No se trata de las formas tradicionales de fraude de los pagos, pero requieren la misma disciplina para abordarlas: posibilidades distintas, entrenadas en las señales correctas, utilizadas para impulsar la respuesta correcta.
Cómo elegir la intervención adecuada
La puntuación de riesgo no especifica una política de intervención. La respuesta más sencilla es bloquear una transacción arriesgada, pero un falso positivo supone la 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, como presentar un desafío CAPTCHA o solicitar 3DS, y modelando el resultado esperado de cada una. El impacto varía según el contexto: muchos emisores de EE. UU., por ejemplo, tienen tasas bajas de finalización de 3DS, y añadir un desafío 3DS a esos emisores podría no reducir el fraude, pero definitivamente perjudicará a la conversión.
Para cada intervención en potencia, Stripe estima el impacto en términos de tasas de conversión, costes y fraude. El modelo selecciona la intervención que maximiza el beneficio esperado dado el perfil de riesgo de la transacción, la tolerancia al 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 decide Stripe si debe solicitar algún tipo de autenticación. Esta sección se centra en lo que sucede cuando 3DS es la opción elegida. 3DS no es un flujo único. Es una familia de opciones con diferentes implicaciones para la conversión, coste y cumplimiento de la normativa, y la elección correcta depende del riesgo de la transacción, del contexto normativo y del emisor específico involucrado.
Optimizamos simultáneamente tres objetivos que compiten entre sí: cumplimiento de la normativa, prevención de fraude y conversión. Para ello, es necesario tomar decisiones específicas de cada transacción que tengan en cuenta las señales de riesgo, el contexto del dispositivo 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. Las transacciones de riesgo moderado utilizan 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
Elegir una ruta de autenticación es solo una parte del desafío. Los detalles de implementación dentro de una ruta determinada también son importantes. Ten en cuenta la huella digital, el primer paso opcional de cualquier flujo de 3DS. La huella digital 3DS recopila información del dispositivo y del navegador a través de un iframe para ayudar al banco emisor a evaluar el riesgo de las transacciones. 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. Pero también introduce latencia adicional, lo que puede hacer que la autenticación falle por completo.
Stripe realizó una prueba A/B multivariante para determinar el tiempo de espera óptimo antes de continuar sin la huella digital. Las ventajas y desventajas de esto van de la mano: espera demasiado y la conversión falla debido a la latencia; continúa demasiado rápido y el emisor pierde la información que podría haber mejorado la decisión del emisor. El tiempo de espera óptimo varía según el dispositivo y el emisor. Desde marzo de 2025, esta optimización ha recuperado más de 39 millones de dólares en pagos.
3DS como estrategia de reintento
La mayoría de los procesadores consideran que un pago rechazado relacionado con el riesgo es definitivo. Sorprendentemente, nuestras pruebas han mostrado que añadir autenticación después de los hechos puede recuperar el pago. Dicho esto, la autenticación mediante 3DS añade latencia, introduce fricciones y tiene su propio coste de procesamiento. Por lo tanto, la pregunta no es simplemente: «¿Ayudaría 3DS a recuperar este pago?», sino «¿El valor esperado de reintentarlo con 3DS supera el coste de intentarlo?».
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. Stripe mejora los resultados aquí mediante enrutamiento, optimización de mensajes de autorización y reintentos.
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. En muchos casos, 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.
En primer lugar, Stripe hace pruebas continuamente con el formato y contenido de los campos ISO en emisores, tipos de tarjetas y localizaciones geográficas. El volumen de la red de Stripe ayuda a que incluso los experimentos que se espera que tengan un pequeño efecto alcancen una significancia estadística en cuestión de horas. Muchos cambios de éxito son pequeños, pero a escala de red, incluso las mejoras de efecto bajo pueden crecer rápidamente y producir un impacto que se acumule alcanzando un valor de decenas de millones de dólares anuales. Stripe realiza decenas de estos experimentos cada semana, y las ganancias se suman con el tiempo.
En segundo lugar, Stripe comparte 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. Sin embargo, no detectan los mismos patrones de red entre negocios que Stripe, como los patrones de fraude asociados a una dirección de correo electrónico o una dirección de envío concretas. 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 puede evitar falsos rechazos.
En tercer lugar, Stripe optimiza las credenciales de 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 el problema de la optimización no se limita simplemente a si habilitar estas herramientas globalmente. 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 o patrones de transacción donde la tokenización daña a las tasas de aprobación o aumenta el fraude. Stripe aprende dónde ayudan los tokens y dónde no, aplicándolos selectivamente.
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 liquidación, 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
Las señales de fraude continúan desarrollándose después de que se autoriza un pago. En las horas posteriores a la finalización de una transacción, Stripe puede ver que se utiliza la misma tarjeta en un ataque de fraude confirmado en otro lugar de la red, o una huella digital del dispositivo recién vinculada a un patrón de disputas. Estas señales pueden cambiar materialmente la evaluación de riesgo de un pago ya autorizado.
Esto crea una asimetría que funciona contra los estafadores. Cada intento posterior de usar 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 posteriores a la autorización aumentan, Stripe puede reembolsar o anular proactivamente el cargo antes de que se traduzca en una disputa.
6. Disputas
Incluso después una optimización en las fases previas, algunas transacciones se disputarán. La empresa paga una comisión por disputa, absorbe el coste operativo de responder y, si se pierde la disputa, 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.
La gestión de las disputas supone otro problema de optimización. En fases previas, el objetivo es maximizar el beneficio esperado en cada transacción en tiempo real. Aquí, sin embargo, 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 esperado, una tasa de éxito diferente y un efecto 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 disponibilidad de pruebas y la proximidad de la empresa a los umbrales de supervisión.
Desviación
Stripe se integra con Verifi de Visa y Ethoca de Mastercard para ofrecer transacciones mejoradas a los emisores antes de que se inicie la disputa. Descripciones de las compras, información de la empresa y metadatos de las transacciones que aumentan la posibilidad de que el titular de la tarjeta reconozca un cargo y no considere que hay un problema. 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), las pruebas resultantes podrían cumplir los criterios de «Pruebas convincentes» (CE) 3.0 de Visa. En esos casos, el emisor está obligado a impedir que se presente la disputa. Para las empresas con clientes habituales, esto puede evitar que las disputas por fraude lleguen a la fase de contracargo.
Resolución
Verifi y Ethoca también permiten resolver disputas antes de que entren formalmente en el proceso de 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 $). Esto evita la comisión por contracargo y, lo que es más importante, evita que el evento cuente para la tasa de disputas de la empresa.
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. La mayoría de los negocios particulares no ven suficientes disputas como para aprender estos patrones.
El sistema Smart Disputes se entrena con los resultados de las disputas de millones de transacciones y aprende qué combinaciones son más eficaces en un contexto determinado. 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 que se describen aquí abarcan todo el ciclo de vida del pago y se van sumando unas a otras. 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 la optimización en varias etapas suma con más claridad.
Funciones objetivas más ricas
La calidad de la 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 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 los pagos 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. Stripe está 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
Detrás de todo esto se encuentra la experimentación continua. Stripe ejecuta experimentos en todo el ciclo de vida de los pagos y mide los efectos en las tasas de autorización, fraude, costes de procesamiento e intercambio. Las nuevas ideas se prueban continuamente, y las que tienen éxito se envían de forma automática a las empresas en Stripe. En los últimos dos años, el ritmo de experimentación se ha multiplicado por más de cuatro.
Las empresas que facilitan datos más completos, como datos sobre márgenes, preferencias de ajuste del riesgo y metadatos de productos, amplían aún más la superficie de optimización. Contáctanos; nos encantaría colaborar contigo.