Paiements comme problème d’optimisation en plusieurs étapes

L’optimisation des paiements est souvent considérée comme un simple problème de taux d’autorisation : envoyer un message correctement structuré à l’émetteur et maximiser les chances qu’il revienne approuvé. En pratique, le champ d’optimisation est beaucoup plus vaste. Un paiement passe par plusieurs étapes : le passage à la caisse, l’évaluation du risque de fraude, l’authentification, l’autorisation, la compensation et les contestations. Chacune de ces étapes offre des occasions d’augmenter le taux de conversion, de réduire les coûts et de prévenir la fraude.

Stripe applique des optimisations à chaque étape, de la personnalisation du formulaire de paiement à la décision de demander un défi 3DS ou une exemption, en passant par le formatage des champs d’un message d’autorisation. La bonne intervention à un stade donné dépend souvent de ce qui s’est passé à un autre stade : un modèle de fraude qui bloque de manière trop agressive améliorera les taux de contestation, mais nuira à la conversion, et une stratégie d’authentification qui minimalise les frictions sans tenir compte de l’appétit pour le risque produira plus de refus et de contestations en aval. Les meilleurs résultats proviennent de la prise en compte de ces interactions et de la création de systèmes à chaque étape qui sont conscients de leur impact sur toutes les autres.

Ce guide décrit comment Stripe optimise les paiements à toutes ces étapes, en générant pas moins de 27 milliards de dollars de revenus supplémentaires par an, en contribuant à réduire la fraude de 38 % en moyenne et en réduisant les coûts de traitement jusqu’à 2,8 % pour les entreprises qui utilisent Stripe.

1. Paiement

L’essentiel des pertes de revenus des entreprises n’est jamais dû à un refus de l’émetteur, mais à l’abandon au moment du paiement.

Un client aux Pays-Bas qui ne voit pas iDEAL peut abandonner son panier. Un client au Brésil qui voit des prix en USD peut ne pas finaliser un achat parce qu’il ne sait pas si et quels frais de change pourraient s’afficher sur son relevé. Un client qui envisage un achat important sans avoir la possibilité de fractionner le paiement avec un fournisseur proposant l’option « achetez maintenant, payez plus tard » pourrait simplement décider que la transaction n’en vaut pas la peine. Ce ne sont pas des cas marginaux : afficher ne serait-ce qu’un seul mode de paiement qui n’est pas pertinent pour un client peut réduire le taux de conversion jusqu’à 15 %.

Personnalisation du formulaire de paiement

Le processus de paiement optimal n’est pas le même pour chaque transaction. Le bon ensemble de modes de paiement et leur ordre d’affichage, la devise, les champs de formulaire à afficher et même la décision de déclencher ou non une intervention liée à la fraude dépendent tous de l’identité du client, de l’endroit où il se trouve, de ce qu’il achète et de l’appareil qu’il utilise. Une configuration statique ne peut pas être aussi efficace.

Stripe considère cela comme une série de décisions en temps réel. Prenons le cas du choix d’un mode de paiement. L’approche classique consiste à choisir une configuration et à s’y tenir, mais l’ensemble optimal des modes de paiement change en fonction du comportement client, des préférences régionales et du changement de disponibilité des moyens de paiement. C’est ce que l’on appelle un problème de bandit multibras, du nom d’un joueur confronté à une rangée de machines à sous avec des taux de virement inconnus. Vous devez continuer à essayer de nouvelles options pour savoir laquelle est la plus performante, tout en continuant à gagner de l’argent grâce à ce qui fonctionne déjà. Les modèles d’IA de Stripe, entraînés sur des milliards de transactions, font en permanence cet arbitrage, en intégrant des signaux pendant une session tels que le type d’appareil, la localisation du navigateur et la disponibilité des modes de paiement, ainsi que des signaux au niveau du réseau tels que les modes de paiement préférés utilisés par des entreprises similaires.

La devise est également une dimension particulièrement à fort effet de levier. La plupart des clients préfèrent payer dans leur devise locale, et Adaptive Pricing de Stripe utilise un modèle d’IA qui prédit la préférence réelle en devises d’un client, contribuant ainsi à une augmentation de 17,8 % des revenus internationaux.

Ensemble, ces optimisations (commande dynamique des modes de paiement, Adaptive Pricing et identifiants enregistrés) entraînent une augmentation moyenne des revenus de 11,9 % pour les entreprises qui utilisent la Suite d’optimisation des paiements.

Effet réseau des identifiants enregistrés

Même le meilleur processus de paiement personnalisé exige encore que le client saisisse un numéro de carte. Pour les clients récurrents, cela représente une friction inutile. Link, un portefeuille numérique développé par Stripe, élimine cette contrainte. Si un client a un mode de paiement enregistré dans Link, le système le reconnaît, que ce soit grâce à des témoins, aux informations du compte ou à d’autres méthodes d’authentification. Le client peut alors payer plus rapidement chez toute entreprise qui a Link activé sur le réseau de Stripe, même si c’est un site qu’il visite pour la première fois. Il s’agit d’un effet de réseau au sens propre : chaque nouvelle entreprise qui adopte Link améliore l’expérience des clients sur toutes les autres entreprises, et inversement. Link compte maintenant plus de 200 millions de modes de paiement enregistrés, et les entreprises ayant une forte proportion de clients récurrents ont observé une augmentation moyenne de 14 % du taux de conversion des utilisateurs qui reviennent.

2. Évaluation de la fraude

Une fois qu’un paiement est tenté, le problème change. La question n’est plus de savoir si le client va acheter, mais si la transaction est légitime. Il y a plus de 92 % de chances que Stripe ait déjà vu la carte. Mais, le réseau de Stripe s’étend bien au-delà des cartes. Sur des millions d’entreprises, notre réseau observe des corrélations entre modes de paiement, appareils et habitudes de transaction qui permettent de distinguer une activité légitime d’une fraude. Les modèles de fraude de Stripe utilisent ces signaux agrégés pour évaluer le risque de chaque transaction.

Évaluation des risques

Les tests (frauduleux) de cartes nécessitent des modèles et des signaux différents de ceux utilisés pour la fraude par carte volée, où un vrai utilisateur tente d’effectuer un achat avec le mode de paiement de quelqu’un d’autre. Pour la fraude par carte volée, Stripe maintient plusieurs prédictions distinctes : cette carte est-elle probablement volée? Cette transaction entraînera-t-elle un litige pour fraude? Déclenchera-t-elle une alerte de soupçon de fraude de la part du réseau de cartes? Et même si la banque est peu susceptible de contester la transaction, Stripe estime-t-elle que la transaction est frauduleuse? Chaque prédiction a des implications différentes pour la suite des actions à entreprendre.

Les modèles reposent sur trois niveaux de signal. Le premier est le réseau Stripe lui-même : des modèles agrégés observés sur plus de mille milliards de dollars de volume de paiement annuel, couvrant des millions d’entreprises. Le deuxième concerne les données externes, comme les informations de carte compromises recueillies sur Internet. Le troisième est précis à l’entreprise : grâce à des représentations apprises propres à chaque entreprise, Stripe Radar capture ce qui est normal pour une entreprise donnée tout en profitant de la portée globale du modèle.

La portée de ces prédictions s’élargit également. Historiquement, la fraude se résumait aux cartes volées et aux tests (frauduleux) de cartes. Mais, un client qui s’inscrit de manière abusive à des milliers d’essais gratuits ou à prix réduit ne convertira probablement jamais, et l’essai lui-même engendre des coûts directs pour l’entreprise. Aujourd’hui, un client sur un plan de facturation à l’utilisation pourrait accumuler des frais qu’il n’a aucune intention de payer. Il ne s’agit pas d’une forme traditionnelle de fraude au paiement, mais cela nécessite la même rigueur : des prédictions distinctes, entraînées sur les bons signaux, et utilisées pour décider de la réponse appropriée.

Ces prédictions peuvent être utilisées différemment en fonction de l’appétit pour le risque d’une entreprise. Une entreprise profondément réticente au risque peut bloquer toutes les fraudes prévues, que l’émetteur les conteste ou non. Une entreprise qui donne la priorité à la maximisation de la conversion peut choisir de bloquer uniquement les transactions susceptibles d’entraîner des litiges pour fraude. Une entreprise qui approche d’un seuil de surveillance de la marque de carte peut bloquer à la fois les litiges pour fraude et les transactions susceptibles de déclencher des alertes de soupçon de fraude.

Choisir la bonne intervention

Une évaluation des risques est une prédiction de la dangerosité d’une transaction, mais elle ne vous dit pas quoi faire pour y remédier. La réponse la plus simple est de bloquer la transaction, mais un faux positif signifie perte de revenus. La question est de savoir s’il existe un moyen moins coûteux d’atténuer le risque.

Stripe traite la sélection des interventions comme un problème contextuel de banditisme, en choisissant parmi un ensemble d’actions et en modélisant le résultat attendu de chacune. Certaines interventions sont familières, comme le lancement d’un défi CAPTCHA pour filtrer les robots ou la demande d’authentification 3DS. Il ne s’agit là que de quelques exemples parmi un éventail plus large d’interventions, chacune affectant différemment la conversion, la fraude et les coûts, et l’impact varie selon le contexte. De nombreux émetteurs aux États-Unis, par exemple, ont de faibles taux d’achèvement de l’authentification 3DS. L’ajout d’un défi 3DS à ces émetteurs ne réduit peut-être pas la fraude, mais nuit clairement à la conversion.

Stripe fait de la modélisation. Nous sélectionnons entre ces interventions en estimant le profit attendu. Pour chaque intervention candidate, Stripe estime comment la probabilité de conversion, la probabilité de fraude et le coût évoluent en fonction de celle qui est sélectionnée. Une transaction acheminée par un défi 3DS a souvent une probabilité quasi nulle de litige pour fraude, mais une probabilité de conversion nettement plus faible. Le modèle sélectionne l’intervention qui maximise le profit attendu compte tenu du profil de risque de la transaction, des préférences de risque de l’entreprise et de l’émetteur et du mode de paiement précis impliqués.

Grâce à ces prévisions et interventions, Radar réduit la fraude de 38 % en moyenne pour les entreprises utilisant Stripe, tout en bloquant moins de 0,05 % des transactions légitimes.

3. Authentification

Dans la section précédente, nous avons vu comment Stripe sélectionne les interventions, notamment s’il faut déclencher ou non l’authentification 3DS. La présente section précise ce qui se passe lorsque 3DS est la voie choisie, car la décision ne s’arrête pas là. 3DS est une famille d’options ayant des implications très différentes en matière de conversion, de coût et de conformité. Le bon choix dépend donc du risque de la transaction, du contexte réglementaire et de l’émetteur précis impliqué.

Nous optimisons simultanément trois objectifs concurrents : la conformité réglementaire, la prévention de la fraude et la conversion. La bonne approche consiste à prendre une décision différente pour chaque transaction, en utilisant toutes les informations disponibles, y compris le niveau de risque, l’appareil du client et le comportement de l’émetteur, pour choisir entre une authentification complète, une exemption sans friction, un échange de données en arrière-plan ou l’absence totale d’authentification.

Exemptions et défis

Le moteur d’authentification de Stripe utilise les scores de fraude de Radar pour acheminer les transactions admissibles vers le parcours offrant le moins de friction possible. Les transactions à faible risque sous le seuil réglementaire bénéficient d’une exemption pour faible montant, ce qui permet d’ignorer complètement l’authentification. Au-delà de ce seuil, le moteur demande une exemption TRA lorsque possible. Lorsque le risque est modéré, il utilise l’authentification Data Only, en transmettant en arrière-plan des empreintes de l’appareil et le contexte de la transaction à l’émetteur, de sorte que le client ne voit jamais de vérification. Un défi 3DS complet est réservé aux cas où le niveau de risque le justifie ou lorsqu’aucune exemption n’est possible.

Le score de fraude est la variable de bifurcation à chaque nœud, et le moteur s’adapte au comportement des émetteurs : certains approuvent de façon fiable les flux Data Only, d’autres non, et Stripe ajuste l’acheminement en conséquence. Sur l’ensemble du volume européen, l’authentification Data Only à elle seule génère 147 millions de dollars en volume de paiements autorisés supplémentaires et plus de 2,5 millions de dollars d’économies pour les entreprises chaque mois.

Optimisation de l’expiration des empreintes

L’arbre de décision détermine le chemin d’authentification qu’emprunte une transaction. Mais, d’autres optimisations existent même à l’intérieur d’un chemin donné. Pensez à la prise d’empreinte qui est la première étape facultative de tout flux 3DS. La prise d’empreinte 3DS consiste à collecter les informations de l’appareil et du navigateur au moyen d’une image intra pour aider l’institution financière émettrice à évaluer le risque transaction. Il s’agit d’une étape facultative du protocole qui est prise en charge par environ 68 % des transactions sur Stripe et qui peut améliorer la conversion en cas de succès. Cependant, comme le processus prend plus ou moins de temps sur différents appareils, la latence supplémentaire peut entraîner l’échec total de l’authentification.

Ce type de problème récompense une mesure précise. Stripe a mené un test A/B multivarié pour déterminer le temps idéal d’attente pour la prise de l’empreinte avant de poursuivre sans celle-ci. Il s’agit d’un équilibre délicat : attendre trop longtemps fait perdre des clients à cause de la latence, tandis que passer trop rapidement prive l’émetteur d’informations qui auraient amélioré sa décision. Le délai optimal varie selon l’appareil et l’émetteur, et son ajustement a permis de récupérer plus de 39 millions de dollars en paiements depuis mars 2025.

3DS comme stratégie de relance

La plupart des prestataires traitent un refus de paiement lié à un risque comme définitif. L’une des optimisations les plus contre-intuitives que nous avons explorées est que pour ces refus, l’ajout d’une authentification après coup peut permettre de récupérer le paiement.

L’authentification 3DS ajoute de la latence, crée de la friction et génère ses propres coûts de traitement. La question n’est donc pas simplement si la 3DS était utile, mais si la valeur attendue d’une nouvelle tentative avec 3DS dépasse le coût de sa mise en œuvre. Stripe modélise cela directement en fonction d’un motif de refus de paiement précis, de l’émetteur, du type de carte et du profil de la transaction. Certains codes de refus de paiement sont quasi déterministes (la carte est réellement invalide et aucune authentification n’y changera rien). D’autres indiquent que l’émetteur souhaite davantage de garanties, comme la présence du titulaire de la carte, et un défi 3DS apporte exactement cette assurance. Le modèle apprend quels codes et pour quels émetteurs répondent à l’authentification, et n’achemine de nouvelles tentatives que lorsque la valeur attendue justifie le coût. Cette optimisation a permis d’augmenter le volume mondial de paiements autorisés de plus d’un milliard de dollars par année.

4. Autorisation

Une fois qu’une transaction a passé le test d’évaluation de la fraude, et le cas échéant, a été authentifiée, elle est soumise à l’institution financière émettrice pour autorisation. Il s’agit d’une nouvelle occasion d’influencer les taux d’autorisation, la fraude et les coûts de traitement (pour les entreprises IC+). Stripe le fait de trois grandes façons : en choisissant la manière d’acheminer le paiement, en rendant le message d’autorisation le plus efficace possible, et en récupérant les paiements ayant échoué lors de la première tentative.

Acheminement

Stripe peut acheminer les paiements à travers plusieurs passerelles et réseaux, comme les réseaux de débit régionaux, et choisir le chemin le plus rentable dès la première tentative. Pour de nombreux paiements, les chemins alternatifs nuisent en réalité à la conversion, et les modèles apprennent donc où ces itinéraires réduisent les coûts sans compromettre l’acceptation. Lors des nouvelles tentatives, la logique change : si une transaction par débit avec signature est refusée, l’acheminement de la tentative suivante par les réseaux de débit peut permettre de la récupérer.

Messages d’autorisation

Le contenu du message ISO 8583 que l’émetteur reçoit, ainsi que le contexte qui l’entoure, influent de manière significative sur l’approbation d’un paiement. Stripe optimise ces paramètres sur plusieurs fronts.

Le premier est le message lui-même. Stripe teste en permanence le format et le contenu des champs ISO, en testant les changements entre les émetteurs, les types de cartes et les zones géographiques. Le volume du réseau Stripe fait en sorte que même les tests avec de petites valeurs d’effet attendues atteignent une valeur statistiquement significative en quelques heures, et Stripe en exécute des dizaines chaque semaine. Les tests réussis sont souvent étonnamment petits, par exemple, un changement mineur auquel les transactions sont soumises pour autorisation. L’effet est difficile à distinguer du bruit pour une entreprise, mais à l’échelle de Stripe, il est mesurable avec une grande confiance et représente des dizaines de millions de dollars par an au total. Ces améliorations se cumulent.

Le deuxième est le partage des indicateurs de risque de fraude avec les émetteurs. Les émetteurs ont leur propre vision du risque, souvent établie sur l’historique des dépenses, la situation du compte et le comportement d’un titulaire de la carte dans l’ensemble de son portefeuille. Mais, ils ne voient pas ce que Stripe voit : le comportement du client entre les autres modes de paiement, ou les mécanismes de fraude associés à une adresse de courriel ou adresse de livraison donnée. Stripe a créé le réseau d’émetteurs amélioré (intégrations directes de partage de données Radar avec les émetteurs, y compris Capital One, Discover et American Express) pour combler ce fossé. Lorsque Stripe estime qu’une transaction est à faible risque, le partage de ce signal permet à l’émetteur d’éviter les refus injustifiés qu’il pourrait autrement déclencher de lui-même.

La troisième catégorie concerne les informations de carte. Les informations expirées sont une source importante de refus inutiles. Stripe utilise les jetons réseau et l’outil de mise à jour de carte pour maintenir les informations à jour, mais l’optimisation ne se résume pas à activer ces outils. Les jetons réseau améliorent généralement les taux d’autorisation et réduisent les coûts, mais certaines situations font exception : pour certains émetteurs avec une capacité de prise en charge de jetons limitée, les taux d’autorisation peuvent diminuer et pour certains types de transactions, le risque de fraude peut augmenter. Stripe identifie où les jetons sont efficaces et où ils ne le sont pas, et les applique de manière sélective pour maximiser leur bénéfice.

Relances

Certains refus peuvent être récupérés. Un refus temporaire dû à une insuffisance des fonds ou à une indisponibilité passagère de l’émetteur peut réussir lors d’une deuxième tentative avec un meilleur moment d’exécution ou un acheminement différent. Stripe effectue les nouvelles tentatives de façon synchrone au moment du paiement, en choisissant une passerelle alternative ou en ajustant le message selon le motif du refus. Pour les paiements hors session, comme les abonnements, Stripe effectue les nouvelles tentatives de façon asynchrone par la relance intelligente, en utilisant des modèles qui prédisent quand les fonds seront les plus susceptibles d’être disponibles, plutôt que de réessayer selon un calendrier fixe.

Au total, Authorization Boost de Stripe qui regroupe les optimisations de l’acheminement, du message et de l’émetteur, ainsi que la gestion des informations de carte, augmente les taux d’acceptation de 2,2 % en moyenne et réduit les coûts de traitement jusqu’à 2,8 % pour les entreprises IC+.

5. Compensation

Une autorisation réussie ne constitue pas la fin de la surface d’optimisation. Entre l’autorisation et le moment où l’entreprise reçoit les fonds, Stripe cherche à optimiser deux aspects : réduire le coût de règlement de la transaction et détecter la fraude qui ne devient visible qu’après l’autorisation.

Réduction des coûts

Le remboursement d’une transaction réglée coûte cher. Sur les prélèvements aux États-Unis, il n’y a aucun retour de frais d’interchange, ce qui rend un remboursement après règlement jusqu’à 24 fois plus coûteux que l’annulation de l’autorisation avant compensation. Stripe prédit quelles transactions sont susceptibles d’être remboursées peu de temps après la capture et retarde leur compensation pendant une courte période de temps en conséquence, convertissant les remboursements en annulations. Près de 25 % des remboursements ont lieu dans les 48 premières heures. C’est pourquoi même un délai bref et ciblé pour les remboursements à forte probabilité peut réduire considérablement les coûts.

Lorsque de légères modifications au montant d’une transaction sont prévues, comme un pourboire ajouté à un montant de base, Stripe maintient l’autorisation ouverte et capture le montant total en une seule fois, plutôt que de supporter une deuxième série de frais. Pour les entreprises qui traitent des transactions avec des cartes commerciales, la soumission de données détaillées sur les produits et les taxes au moment de la compensation peut permettre aux transactions d’être admissibles à des taux d’interchange plus bas, grâce à des programmes comme le Programme commercial de données améliorées de Visa.

Réduction de la fraude

Dans les heures qui suivent la finalisation d’une transaction, Stripe continue d’observer des signaux provenant d’autres transactions à travers son réseau, comme une carte utilisée dans une fraude confirmée ailleurs ou une empreinte d’appareil nouvellement associée à un schéma de contestations. Ces signaux peuvent modifier de façon significative l’évaluation du risque d’un paiement déjà autorisé.

Cela crée une asymétrie défavorable aux fraudeurs : chaque tentative subséquente effectuée avec une carte volée met leurs transactions réussies précédentes à risque. Un fraudeur qui réussit un premier achat, puis tente d’en tirer davantage de valeur fournit à Stripe des signaux supplémentaires pour le repérer et annuler la transaction antérieure avant qu’elle n’entraîne une contestation de paiement. Lorsque les signaux de risque augmentent, Stripe peut rembourser ou annuler la transaction de façon proactive avant qu’elle ne donne lieu à une contestation de paiement.

6. Contestations

Malgré toutes les optimisations effectuées en amont, certaines transactions feront tout de même l’objet d’une contestation. L’entreprise doit alors payer des frais de contestation, absorber le coût opérationnel lié à la contestation et, si elle perd la contestation, renoncer au montant de la transaction. Si le taux de contestation d’une entreprise dépasse les seuils établis par les réseaux de cartes comme Visa et MasterCard, l’entreprise peut être placée dans un programme de surveillance comportant des pénalités progressives. Les contestations sont coûteuses lorsqu’elles sont considérées individuellement, et encore plus coûteuses lorsqu’elles s’accumulent.

Comme toutes les autres étapes présentées dans ce guide, les contestations constituent aussi un problème d’optimisation. Toutefois, leur structure est différente. En amont, l’objectif est de maximiser le profit attendu pour chaque transaction en temps réel. Ici, l’objectif est plutôt de réduire au maximum le coût total des contestations parmi trois réponses possibles : éviter la contestation au moment de la demande d’information, la traiter avant qu’elle ne soit officiellement déposée, ou la contester après coup. Chaque réponse comporte un coût différent, un taux de réussite différent et un impact différent sur la position de l’entreprise auprès des réseaux de cartes comme Visa et MasterCard. La stratégie optimale dépend du montant de la contestation, du code de motif, de la proximité de l’entreprise aux seuils de surveillance et de la solidité des preuves disponibles.

Évitement

Stripe s’intègre aux services Verifi de Visa et Ethoca de MasterCard pour transmettre aux émetteurs des renseignements de transaction enrichis (description de l’achat, informations sur l’entreprise et métadonnées de la transaction) qui aident le titulaire de la carte à reconnaître le débit avant qu’une contestation ne soit déposée. Dans les cas où Stripe peut établir la preuve d’une relation antérieure entre le titulaire de la carte et l’entreprise (par exemple, en faisant correspondre des identifiants clients, l’adresse IP ou l’adresse de livraison provenant de transactions réussies précédentes), ces données répondent aux exigences de ce que Visa appelle la preuve convaincante 3.0. Lorsque les critères de cette preuve convaincante sont remplis, l’émetteur est tenu d’empêcher qu’une contestation soit déposée. Le taux d’évitement dépend de la disponibilité des données, mais pour les entreprises qui comptent de nombreux clients récurrents, cette approche peut empêcher les litige pour fraude d’accéder au système.

Résolution

L’intégration avec Verifi et Ethoca permet également aux entreprises de résoudre des contestations avant qu’elles n’entrent officiellement dans le processus de contestation de paiement. Lorsqu’un titulaire de la carte lance une contestation, ces réseaux envoient une alerte à Stripe avant que la contestation de paiement ne soit déposée. Les entreprises peuvent configurer des règles pour rembourser automatiquement les contestations admissibles (par exemple, toutes les contestations pour produit non reçu d’un montant inférieur à 10 $). Le remboursement règle alors la contestation immédiatement, l’entreprise évite les frais de contestation de paiement, et surtout, les réseaux de cartes comme Visa et MasterCard ne l’incluent pas dans le taux de contestation de l’entreprise, ce qui aide celle-ci à éviter les programmes de surveillance.

Ces outils d’évitement et de résolution ont permis de réduire les taux de contestation de 51 % en moyenne sur les codes de motif fraude et non-fraude.

Représentation

Pour les litiges qui donnent lieu à une contestation de paiement, le problème d’optimisation passe de la prévention au rassemblement de preuves. Quels éléments de preuve, dans quel format, maximisent les chances de remporter une contestation de paiement donnée? La réponse varie selon le code de motif, l’émetteur et type de transaction, et toute entreprise particulière voit probablement trop peu de contestations pour apprendre ces tendances.

Le système Smart Disputes de Stripe est entraîné à partir des résultats de contestations observés sur des millions de transactions. Cela représente suffisamment de données pour déterminer ce qui fonctionne réellement. Le système apprend quelles combinaisons d’éléments sont les plus efficaces selon le contexte. Il constitue automatiquement un dossier de preuves adapté et le soumet, tandis que les entreprises peuvent y ajouter leurs propres éléments de preuve avant l’envoi. Les premiers utilisateurs ont réussi à gagner en moyenne 13 % de contestations de paiement supplémentaires.

L’avenir de l’optimisation des paiements

Les optimisations présentées dans ce guide couvrent l’ensemble du cycle de vie du paiement; elles se complètent. Un meilleur indice de fraude peut conduire à moins de transactions frauduleuses atteignant le stade d’autorisation. Une authentification plus forte signifie qu’un plus grand nombre de transactions entraînent un transfert de responsabilité. De plus, les interventions post autorisation annulent les paiements à haut risque avant qu’ils ne puissent être contestés. Lorsqu’une transaction atteint le stade de contestation de paiement, elle a déjà franchi plusieurs niveaux d’optimisation.

Prédictions complexes

Plus Stripe peut prédire avec précision les résultats, meilleures deviennent toutes les décisions prises en aval. Nous investissons dans la modélisation de la probabilité de remboursement au moment du débit pour optimiser le moment de la compensation. Nous développons aussi de meilleures prédictions des frais de réseau attendu, afin que les modèles d’acheminement puissent effectuer des compromis plus précis entre les coûts et la précision.

Chaque nouvelle prédiction améliore l’ensemble du cycle de vie du paiement. C’est là que l’effet cumulatif de l’optimisation en plusieurs étapes devient le plus visible.

Fonctions objectives plus riches

Les modèles d’optimisation de Stripe ne sont efficaces que dans la mesure où ils comprennent réellement ce qui compte pour une entreprise. Aujourd’hui, des outils comme les préférences de risque de Radar permettent aux entreprises d’exprimer leur tolérance à la fraude. Mais, ce n’est qu’un point de départ. Une entreprise qui vend des biens numériques avec des marges de 60 % devrait tolérer un niveau de risque de fraude très différent de celui d’une entreprise qui vend des biens physiques avec des marges de 8 %, et certaines entreprises vendent les deux. Le modèle de fraude, le moteur d’authentification et l’optimiseur d’autorisation devraient tous en tenir compte et s’ajuster en conséquence.

Certaines entreprises se soucient particulièrement des litiges pour fraude alors que d’autres veulent réduire au maximum tous les risques, y compris la fraude directe et les violations de politiques. Certaines sont prêtes à accepter un niveau de fraude plus élevé en échange de la maximisation de la conversion pendant une période de promotion. Plus Stripe peut capturer l’économie réelle et les priorités d’une entreprise avec précision, mieux chaque modèle dans le pipeline peut optimiser au nom de l’entreprise.

Modèles plus grands

Les modèles Stripe sont de plus en plus étendus et profonds. Nous avons récemment fait passer l’ensemble des données d’entraînement de notre modèle de fraude d’environ 800 millions à plus de 11 milliards de transactions historiques, couvrant un éventail beaucoup plus large de zones géographiques, de produits et de modèles de fraude. Nos réseaux neuronaux profonds peuvent apprendre de ce volume de données d’une manière que les modèles traditionnels ne peuvent pas, et nous les poussons plus loin. Nous créons des modèles multitâches qui prédisent plusieurs résultats simultanément, ce qui permet aux modèles de partager des représentations entre les tâches, afin que le signal d’une prédiction renforce une autre.

Agents pour les problèmes non structurés

La plupart des optimisations présentées dans ce guide reposent sur des données structurées, comme les montants des transactions, les codes de refus, les empreintes d’appareil et les scores de fraude. Toutefois, certains des problèmes les plus importants dans le domaine des paiements impliquent de l’information non structurée. La représentation d’une contestation en est un bon exemple. Elle consiste à constituer un dossier de preuve convaincant, à interpréter les règles des réseaux de cartes (comme celles publiées par Visa et MasterCard, qui publient chacune des centaines de pages de règlements sur les contestations et les mettent régulièrement à jour), à associer le bon type de preuve au code de motif et à l’émetteur concernés, puis à transformer les données de transaction en un récit cohérent. Nous développons des agents capables d’interpréter directement les règlements des réseaux et de combiner cette compréhension avec des modèles d’intelligence artificielle qui prédisent quels éléments de preuve sont les plus convaincants pour un scénario de contestation donné, pour traiter des cas que les systèmes fondés uniquement sur des règles ne peuvent pas gérer.

Expérimentation

Au-delà de toute initiative particulière, Stripe réalise des tests en continu tout au long du processus de paiement. Chaque test du cycle de vie des paiements est instrumenté pour mesurer l’impact sur les taux d’autorisation, la fraude, les coûts de traitement et l’interchange. Chaque semaine, de nouvelles idées sont testées, et celles qui réussissent sont envoyées automatiquement aux entreprises sur Stripe. Chaque optimisation de ce guide a été découverte, testée et déployée tout au long de ce processus, et le rythme des tests a été multiplié par plus de quatre au cours des deux dernières années.

Pour les entreprises qui souhaitent aller plus loin en partageant des données sur les marges, en adaptant leurs préférences en matière de risque, en fournissant des informations plus riches sur les produits et en testant de nouvelles idées, la surface d’optimisation ne fait que s’élargir. Contactez-nous. Nous serions ravis de collaborer.