Les paiements comme problème d’optimisation à plusieurs étapes

L’optimisation des paiements est souvent considérée comme un problème de taux d’autorisation : envoyer un message bien formulé à l’émetteur maximise les chances qu’il soit approuvé. En pratique, la surface d’optimisation est beaucoup plus large. Un paiement traverse plusieurs étapes : paiement, évaluation de la fraude, authentification, autorisation, compensation et litiges, chacune offrant des opportunités d’augmenter la conversion, de réduire les coûts et de prévenir la fraude.

Stripe applique des optimisations à chaque étape, de la personnalisation du formulaire paiement, à la décision de demander une authentification 3DS ou une exemption, en passant par la mise en forme des champs d’un message d’autorisation. La bonne intervention à chaque étape dépend souvent de ce qui s’est passé lors d’une autre : un modèle de fraude qui bloque trop agressivement améliorera les taux de litiges, mais nuira à la conversion, et une stratégie d’authentification qui minimise les frictions sans tenir compte de l’appétence au risque produira davantage de refus de paiement et de litiges en aval. Les meilleurs résultats proviennent de la prise en compte de ces interactions et de la construction de systèmes à chaque étape qui sont conscients de leur impact les uns sur les autres.

Ce guide décrit comment Stripe optimise les paiements à travers ces étapes, générant jusqu’à 27 milliards de dollars par an de revenus supplémentaires, aidant à réduire la fraude de 38 % en moyenne, et à diminuer les coûts de traitement jusqu’à 2,8 % pour les entreprises Stripe.

1. Paiement

La majorité des revenus que les entreprises perdent n’est jamais refusée par un émetteur, mais elle est due à des abandons de paiement.

Un client aux Pays-Bas qui ne voit pas iDEAL pourrait abandonner son panier. Un client au Brésil qui voit des prix en USD pourrait ne pas finaliser un achat, car il n’est pas sûr des frais de change qui pourraient apparaître sur son relevé. Un client envisageant un achat important sans possibilité de partager les paiements avec un fournisseur de paiement différé pourrait simplement décider que la transaction n’en vaut pas la peine. Ce ne sont pas des cas particuliers. Montrer ne serait-ce qu’un moyen de paiement non pertinent pour un client peut réduire la conversion jusqu’à 15 %.

Personnalisation du formulaire de paiement

Le paiement optimal est différent pour chaque transaction. Le bon ensemble de moyens de paiement et leur classement, la devise, les champs de formulaires à afficher, et la nécessité d’initier une intervention contre la fraude dépendent tous de qui est le client, où il se trouve, ce qu’il achète et de l’appareil utilisé. Une configuration statique ne peut pas suffire.

Stripe considère cela comme une série de décisions en temps réel. Prenons le moyen de paiement choisi. L’approche classique consiste à choisir une configuration et à s’y tenir, mais l’ensemble optimal de moyens de paiement évolue à mesure que le comportement du client, les préférences régionales et la disponibilité des méthodes évoluent. C’est ce qu’on appelle un problème du bandit manchot, nommé d’après un joueur confronté à une rangée de machines à sous dont les taux de récompense sont inconnus. Vous devez continuer à essayer de nouvelles options pour apprendre lesquelles fonctionnent le mieux, tout en continuant à gagner de l’argent avec ce qui fonctionne déjà. Les modèles d’IA de Stripe, entraînés sur des milliards de transactions, naviguent continuellement dans ce compromis, intégrant des signaux pendant une session tels que le type d’appareil, le lieu du navigateur et la disponibilité du moyen de paiement, ainsi que des signaux au niveau du réseau tels que les moyens de paiement privilégiés par des entreprises similaires.

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

Pris ensemble, ces optimisations, classement dynamique des moyens de paiement, Adaptive Pricing et enregistrements d’identifiants, entraînent une augmentation moyenne des revenus de 11,9 % pour les entreprises utilisant la solution d’optimisation de l’expérience de paiement.

L’effet de réseau des identifiants sauvegardés

Même le meilleur paiement personnalisé nécessite toujours que le client saisisse un numéro de carte bancaire. Pour les clients fidèles, c’est une friction inutile.Link, un wallet construit par Stripe, l’élimine. Si un client a un moyen de paiement enregistré auprès de Link, le système le reconnaît, via des cookies, des informations du compte ou d’autres méthodes d’authentification. Le client peut alors payer plus rapidement sur n’importe quelle entreprise avec Link activé sur le réseau Stripe, même une qu’il n’a jamais visitée auparavant. C’est un effet de réseau au sens littéral. Chaque nouvelle entreprise qui adopte Link améliore l’expérience pour les clients de toutes les autres entreprises, et inversement. Link compte désormais plus de 200 millions de moyens de paiement sauvegardés, et les entreprises disposant d’une large base de clients fidèles ont vu la conversion des utilisateurs réguliers augmenter en moyenne de 14 %.

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 achètera, mais de savoir si la transaction est légitime. Il y a plus de 92 % de chances que Stripe ait déjà vu la carte bancaire. Mais le réseau de Stripe va bien au-delà des cartes. À travers des millions d’entreprises, notre réseau observe les corrélations entre les moyens de paiement, les dispositifs et les schémas de transaction qui aident à distinguer une activité légitime de la fraude. Les modèles de fraude de Stripe utilisent ces signaux agrégés pour évaluer le risque de chaque transaction.

Évaluation du risque

Le test de cartes nécessite des modèles et des signaux différents de ceux des fraudes par carte bancaire volée, où un vrai humain tente un achat avec le moyen de paiement de quelqu’un d’autre. Seulement pour les fraudes par carte bancaire volée, Stripe maintient plusieurs prédictions distinctes : cette carte bancaire est-elle probablement volée ? Cette transaction va-t-elle entraîner un litige pour fraude ? Cela déclenchera-t-il une alerte de suspicion de fraude précoce de la part du réseau de carte bancaire ? Et même si la banque est peu susceptible de la contester, Stripe pense-t-elle que la transaction est frauduleuse ? Chaque prédiction a des implications différentes sur la suite des événements.

Les modèles s’appuient sur trois couches de signal. La première est le réseau Stripe lui-même : des tendances agrégées observées sur plus d’un trillion de dollars de volume de paiements annuels, couvrant des millions d’entreprises. La seconde concerne les données externes, telles que les identifiants de carte bancaire compromis et récupérés sur Internet. La troisième est spécifique à l’entreprise : grâce à des intégrations commerciales apprises, Stripe Radar comprend ce à quoi ressemble la norme pour une entreprise donnée tout en bénéficiant de l’étendue globale du modèle.

La forme de ces prédictions s’élargit également. Historiquement, la fraude prenait la forme de cartes volées et du test de cartes bancaires. Mais un client qui s’inscrit abusivement à des milliers d’essais gratuits ou à prix réduit ne finira probablement jamais en conversion, et les essais en eux-mêmes entraînent des coûts directs pour l’entreprise. Aujourd’hui, un client avec un forfait de facturation à l’usage peut accumuler des frais qu’il n’a pas l’intention de payer. Ce n’est pas une forme traditionnelle de fraude de paiement, mais cela nécessite la même discipline : des prédictions distinctes, dirigées sur les bons signaux, utilisées pour générer la bonne réponse.

Ces prédictions peuvent être utilisées différemment selon l’appétence au le risque de l’entreprise. Une entreprise profondément averse au risque peut bloquer toute prédiction de fraude, que l’émetteur la conteste ou non. Une entreprise axée sur la maximisation des conversions peut choisir de ne bloquer que les transactions susceptibles de provoquer des litiges frauduleux. Une entreprise qui s’approche d’un seuil de surveillance de la marque de carte bancaire peut bloquer à la fois les litiges frauduleux et les transactions susceptibles de déclencher des alertes de fraude précoces.

Choisir la bonne intervention

Une évaluation des risques est une prédiction du danger d’une transaction, mais elle ne vous dit pas quoi faire. La réponse la plus simple est de bloquer la transaction, mais un faux positif signifie une perte de revenus. La question est de savoir s’il existe une solution moins coûteuse pour atténuer ce risque.

Stripe considère la sélection d’intervention comme un problème contextuel, choisissant parmi un ensemble d’actions et modélisant le résultat attendu de chacune. Certaines interventions sont familières, comme présenter un défi CAPTCHA pour filtrer les bots, ou demander une authentification 3DS. Voici quelques exemples issus d’un ensemble plus large d’interventions, chacune affectant la conversion, la fraude et le coût différemment, et l’impact varie selon le contexte. De nombreux émetteurs aux États-Unis, par exemple, ont de faibles taux de complétion de 3DS : ajouter une authentification 3DS à ces émetteurs ne réduit peut-être pas la fraude, mais cela nuit certainement à la conversion.

Stripe modélise ces informations. Nous choisissons entre ces interventions en estimant le profit attendu. Pour chaque intervention possible, Stripe estime comment la probabilité de conversion, la probabilité de fraude et le coût varient selon celle qui est sélectionnée. Une transaction acheminée via une authentification 3DS a souvent une probabilité proche de zéro de litige pour fraude, mais une probabilité de conversion bien plus faible. Le modèle sélectionne l’intervention qui maximise le profit attendu en fonction du profil de risque de la transaction, des préférences de risque de l’entreprise, ainsi que de l’émetteur et du moyen de paiement concernés.

À travers ces prédictions et interventions, Radar réduit la fraude de 38 % en moyenne pour les entreprises sur Stripe tout en bloquant moins de 0,05 % des transactions légitimes.

3. Authentification

La section précédente expliquait comment Stripe sélectionne les interventions, y compris s’il faut déclencher l’authentification 3DS ou non. Cette section approfondit ce qui se passe lorsque 3DS est déclenchée, car les options ne s’arrêtent pas là. 3DS est une famille d’options aux implications très différentes pour la conversion, le coût et la conformité, et le bon choix dépend du risque de la transaction, du contexte réglementaire et de l’émetteur spécifique impliqué.

Nos optimisations dépendent de trois objectifs concurrents en simultané : la conformité réglementaire, la prévention de la fraude et la conversion. La bonne manière de faire est de prendre une décision différente à chaque transaction, en utilisant tout ce que vous savez sur son risque, l’appareil du client et le comportement de l’émetteur pour sélectionner une vérification complète, une exemption sans friction, un échange de données en coulisses, ou aucune authentification.

Exemptions et authentifications

Le moteur d’authentification de Stripe utilise les scores de fraude de Radar pour acheminer les transactions éligibles via le chemin dont la friction est la plus faible possible. Les transactions à faible risque en dessous du seuil réglementaire bénéficient d’une exemption de faible valeur, passant complètement l’authentification. Au-delà du seuil, le moteur demande une exemption TRA, le cas échéant. Lorsque le risque est modéré, il utilise une authentification uniquement via des données, partageant les empreintes d’identification de l’appareil et le contexte de la transaction avec l’émetteur en coulisses, afin que le client ne voie aucune authentification. Une vérification 3DS complète est réservée aux cas où le risque le justifie ou lorsqu’aucune exemption n’est disponible.

Le score de fraude est la variable de ramification à chaque nœud, et le moteur s’adapte au comportement de l’émetteur : certains émetteurs approuvent de manière fiable le flux de données uniques, d’autres non, et Stripe achemine l’authentification en conséquence. À l’échelle européenne, l’authentification uniquement par données génère à elle seule 147 millions de dollars de paiements autorisés supplémentaires et plus de 2,5 millions de dollars d’économies pour les entreprises chaque mois.

Optimisation du délai d’attente des empreintes d’identification

L’arbre de décision détermine le chemin d’authentification qu’une transaction emprunte. Mais même au sein d’un parcours donné, il y a d’autres optimisations. Considérez l’empreinte, la première étape optionnelle de tout flux 3DS. L’empreinte d’identification 3DS collecte les informations de l’appareil et du navigateur via un iframe pour aider la banque émettrice à évaluer le risque de transaction. C’est une étape optionnelle du protocole, supportée par environ 68 % des transactions sur Stripe, et elle peut améliorer la conversion en cas de succès. Mais le processus a une durée variable selon les appareils, et la latence supplémentaire peut entraîner l’échec total de l’authentification.

C’est ce genre de problème qui récompense une mesure précise. Stripe a effectué un test A/B multivariant pour déterminer le temps idéal d’attente avant de continuer sans l’empreinte. C’est un équilibre délicat : attendre trop longtemps fait perdre des clients à cause de la latence, mais passer trop vite cette vérification risque de vous faire perdre des informations qui auraient amélioré la décision de l’émetteur. Le délai d’attente optimal varie selon l’appareil et l’émetteur, et le trouver a permis de récupérer plus de 39 millions de dollars de paiements depuis mars 2025.

3DS comme stratégie de nouvelle tentative

La plupart des prestataires considèrent un refus de paiement lié au risque comme définitif. L’une des optimisations les plus contre-intuitives que nous avons explorées est que, pour ces refus de paiement, ajouter une authentification après coup peut permettre de récupérer ce paiement.

L’authentification 3DS ajoute de la latence, introduit des frictions et comporte ses propres coûts de traitement. La question n’est donc pas simplement « 3DS est-elle utile ? », mais plutôt « la valeur espérée d’une nouvelle tentative avec 3DS dépasse-t-elle le coût de la tentative ? » Stripe modélise cela directement en se basant sur une raison de refus de paiement spécifique, un émetteur, un type de carte bancaire et un profil de transaction. Certains codes de refus de paiement sont presque déterministes (la carte bancaire est réellement invalide, et aucune authentification ne changera cela). D’autres indiquent que l’émetteur souhaite plus d’assurance que le titulaire de la carte est présent, et une authentification 3DS offre exactement cela. Le modèle apprend quels codes répondent à l’authentification sur quels émetteurs, et ne retente que lorsque la récupération espérée en justifie le coût. Cette optimisation a augmenté le volume de paiements autorisés mondiaux de plus d’un milliard de dollars par an.

4. Autorisation

Une fois qu’une transaction a été évaluée pour fraude et, le cas échéant, authentifiée, elle est soumise à la banque émettrice pour être autorisée. C’est une nouvelle occasion d’influencer les taux d’autorisation, les risques de fraude et les coûts de traitement (pour les entreprises IC+). Stripe fait cela dans trois grandes catégories : le choix du moyen d’acheminement du paiement, le fait de rendre le message d’autorisation aussi efficace que possible, et la récupération des paiements échoués du premier coup.

Routage

Stripe peut acheminer les paiements via plusieurs passerelles et routes, comme les réseaux de débit régionaux, et peut choisir le chemin le plus rentable dès la première tentative. Pour de nombreux paiements, les routes alternatives nuisent en fait à la conversion. Les modèles apprennent donc où ces itinéraires réduisent les coûts sans sacrifier le taux d’acceptation. Lors d’une nouvelle tentative, le calcul change : si une transaction de débit avec signature est refusée, l’acheminement de la réévaluation via les routes de débit peut la récupérer.

Messages d’autorisation

Le contenu du message ISO 8583 reçu par l’émetteur, ainsi que le contexte qui l’entoure, influencent significativement l’approbation d’un paiement. Stripe optimise cela sur plusieurs plans.

Le premier plan est le message lui-même. Stripe expérimente continuellement la mise en forme et le contenu des champs ISO, testant les changements selon les émetteurs, les types de cartes bancaires et les zones géographiques. Le volume du réseau Stripe fait que même les expériences avec de petites zones d’effet attendues atteignent une importance statistique en quelques heures, et Stripe en fait des dizaines chaque semaine. Les expériences réussies sont souvent étonnamment petites : par exemple, un léger changement sur le nombre de transactions soumises pour autorisation. L’effet est difficile à distinguer à l’échelle d’une entreprise individuelle, mais à l’échelle de Stripe, il est mesurable avec une grande confiance et vaut des dizaines de millions de dollars annuellement au total. Ces améliorations s’accumulent.

Le second plan est le partage des signaux de risque de fraude avec les émetteurs. Les émetteurs ont leur propre vision du risque, souvent établie sur l’historique de dépenses, la situation de compte et le comportement du titulaire de la carte dans leur portefeuille. Mais ils ne voient pas ce que Stripe voit : le comportement du client à travers d’autres moyens de paiement, ou les schémas de fraude associés à une adresse e-mail ou une adresse de livraison donnée. Stripe a construit le Enhanced Issuer Network, des intégrations de partage direct des données de Radar avec des émetteurs, notamment Capital One, Discover et American Express, pour combler cet écart de données. Lorsque Stripe estime qu’une transaction est à faible risque, partager ce signal aide l’émetteur à éviter les faux refus sur des transactions qu’il pourrait autrement accepter.

Le troisième plan est la carte bancaire. Les identifiants bancaires périmés sont une source importante de déclins inutiles. Stripe utilise des jetons réseau et un outil de mise à jour de carte pour maintenir les identifiants à jour, mais l’optimisation ne consiste pas simplement à accepter ces outils. Les jetons réseau améliorent généralement les taux d’autorisation et réduisent les coûts, mais il existe des cas de figure où ce n’est pas le cas : des émetteurs avec une mauvaise prise en charge des tokens où ils nuisent au taux d’autorisation, ou des schémas de transaction où ils augmentent la fraude. Stripe apprend où les jetons aident et où ils ne le font pas, en les appliquant de manière sélective pour en maximiser le bénéfice.

Nouvelles tentatives

Certains refus sont réparables. Un refus de paiement dû à un fonds insuffisant ou une indisponibilité temporaire de l’émetteur peut réussir lors d’une seconde tentative avec un timing ou un acheminement différent. Stripe réessaie de manière synchrone au moment du débit, sélectionnant une passerelle alternative ou ajustant le message en fonction de la raison du refus de paiement. Pour les paiements hors session, comme les abonnements, Stripe réessaie de manière asynchrone via une relance intelligente, utilisant des modèles prédisant quand les fonds seront les plus susceptibles d’être disponibles, plutôt que de réessayer selon un calendrier fixe.

Au total, Authorization Boost de Stripe couvre les optimisations d’acheminement, de messages et d’émetteur, ainsi que la gestion des identifiants, et augmente en moyenne les taux d’acceptation de 2,2 % et réduit les coûts de traitement jusqu’à 2,8 % pour les entreprises IC+.

5. Compensation

Une autorisation réussie ne représente pas la fin de la surface d’optimisation. Entre l’autorisation et la réception des fonds par l’entreprise, Stripe optimise pour deux objectifs : réduire le coût de règlement de la transaction et détecter la fraude qui ne devient visible qu’après l’autorisation.

Réduction des coûts :

Rembourser une transaction réglée coûte cher. Sur les débits aux États-Unis, il n’y a aucun remboursement des frais d’interchange, ce qui rend un remboursement post-règlement jusqu’à 24 fois plus coûteux que d’annuler l’autorisation avant la compensation. Stripe prédit quelles transactions seront probablement remboursées peu après la capture et retarde leur compensation pendant une courte période, transformant ainsi les remboursements en annulations. Près de 25 % des remboursements ont lieu dans les 48 premières heures, c’est pourquoi même un court délai ciblé pour des remboursements à haute probabilité peut réduire significativement les coûts.

Lorsque des modifications mineures de la valeur d’une transaction sont attendues, comme un pourboire ajouté à un paiement de base, Stripe garde l’autorisation ouverte et enregistre le montant total une fois plutôt que de créer un second ensemble de frais. Pour les entreprises traitant des transactions commerciales par carte bancaire, soumettre des produits détaillés et des données fiscales au moment de la compensation peut permettre aux transactions de bénéficier de taux d’interchange plus bas via des programmes tels que le Commercial Enhanced Data Program de Visa.

Réduction de la fraude

Dans les heures qui suivent l’achèvement d’une transaction, Stripe continue d’observer des signaux provenant d’autres transactions sur le réseau, comme une carte bancaire utilisée dans une attaque de fraude confirmée ailleurs ou une empreinte d’identification d’appareil récemment liée à un schéma de litiges. Ces signaux peuvent modifier de manière significative le risque d’un paiement déjà autorisé.

Cela crée une asymétrie qui joue contre les acteurs frauduleux : chaque tentative ultérieure d’une carte bancaire volée met en péril leurs transactions réussies précédentes. Un mauvais acteur qui réussit un achat puis tente d’en extraire de la valeur donne à Stripe un signal supplémentaire pour l’attraper, et annuler le paiement antérieur avant que cela ne se traduise par une rétrofacturation. Lorsque les signaux de risque s’intensifient, Stripe peut proactivement faire un remboursement ou annuler le débit avant qu’il ne devienne un litige.

6. Litiges

Malgré tout ce qui s’est passé en amont, certaines transactions seront contestées. L’entreprise verse des frais de litige, absorbe les coûts opérationnels de la réponse, et si le litige est perdu, l’entreprise perd le montant de la transaction. Si le taux de litiges d’une entreprise dépasse les seuils des réseaux de cartes, l’entreprise peut être placée dans un programme de surveillance avec des pénalités croissantes. Les litiges sont coûteux isolément et encore plus coûteux lorsqu’ils s’accumulent.

Comme à chaque étape de ce guide, les litiges posent un problème d’optimisation. Mais la structure est différente. En amont, l’objectif est de maximiser le profit attendu sur chaque transaction en temps réel. Ici, l’objectif est de minimiser le coût total des litiges sur trois réponses possibles : éviter le litige dès le premier échange, le résoudre avant qu’il ne soit envoyé, ou le contester après coup. Chaque réponse a un coût différent, un taux de réussite différent et un effet différent sur la position de l’entreprise auprès des réseaux de cartes. La bonne stratégie dépend du montant du litige, du code de motif, de la proximité de l’entreprise avec les seuils de surveillance, et de la solidité des preuves disponibles.

Évitement

Stripe s’intègre à Verifi de Visa et Ethoca de Mastercard pour fournir aux émetteurs des détails de transaction améliorés (descriptions d’achat, informations de l’entreprise et métadonnées de transaction) qui aident le titulaire de la carte à reconnaître le débit avant qu’un litige ne soit déposé. Dans les cas où Stripe peut prouver une relation antérieure entre le titulaire de la carte et l’entreprise (correspondant aux identifiants clients, à l’adresse IP ou à l’adresse de livraison avec des transactions précédentes réussies), les données remplissent les exigences de ce que Visa appelle Compelling Evidence (CE) 3.0. Lorsque les critères CE3.0 sont remplis, l’émetteur est tenu de ne déposer aucun litige. Le taux d’évitement dépend de la disponibilité des données, mais pour les entreprises ayant des clients fidèles, il peut aider à empêcher que des litiges frauduleux n’entrent dans le système.

Résolution

Nos intégrations Verifi et Ethoca permettent également aux entreprises de résoudre les différends avant d’entrer officiellement dans le processus de rétrofacturation. Lorsqu’un titulaire de la carte engage un litige, ces réseaux envoient une alerte à Stripe avant que la rétrofacturation ne soit déposée. Les entreprises peuvent configurer des règles pour rembourser automatiquement les litiges éligibles (par exemple, tous les litiges « produit non reçu » inférieurs à 10 $). Le remboursement résout instantanément le litige, l’entreprise évite les frais de rétrofacturation, et surtout, les réseaux de cartes ne comptent pas ce litige dans le taux de l’entreprise ce qui aide cette dernière à rester à l’écart des programmes de surveillance.

Ces outils d’évitement et de résolution ont réduit en moyenne les taux de litiges de 51 % sur les codes de motif pour la fraude et les non-fraudes.

Objection

Pour les litiges qui aboutissent à une rétrofacturation, le problème d’optimisation passe de la prévention à l’assemblage des preuves. Quelles preuves, sous quel format, maximisent la probabilité de gagner un litige donné ? La réponse varie selon le code de motif, l’émetteur et le type de transaction, et une entreprise seule connaît probablement trop peu de litiges pour apprendre ces schémas.

Le système Smart Disputes de Stripe est entraîné sur des résultats de litiges sur des millions de transactions, ce qui lui donne suffisamment de matière pour identifier ce qui fonctionne. Le système apprend quelles combinaisons sont les plus efficaces dans chaque contexte. Il constitue et soumet automatiquement un dossier de preuves adapté, et les entreprises peuvent le compléter avec leurs propres preuves avant la soumission. Les premiers adoptants ont remporté en moyenne 13 % de rétrofacturations en plus.

L’avenir de l’optimisation des paiements

Les optimisations de ce guide couvrent tout le cycle de vie du paiement, et elles s’accumulent. Un meilleur score de fraude peut entraîner moins de transactions frauduleuses obtenant l’autorisation. Une authentification plus forte signifie que plus de transactions comportent un transfert de responsabilité. Et les interventions post-autorisation annulent les débits à haut risque avant qu’ils ne puissent être contestés. Au moment où une transaction atteint le stade de litige, elle a déjà franchi plusieurs couches d’optimisation.

Prédictions composées

Plus Stripe peut faire de prédictions précises, meilleure sera chaque décision en aval. Nous investissons dans la modélisation de la probabilité de remboursement au moment du débit afin d’optimiser le moment de compensation. Nous construisons de meilleures prévisions des coûts de réseau attendus, afin que les modèles d’acheminement puissent faire des compromis coût-précision plus précis.

Chaque nouvelle prédiction améliore l’ensemble du cycle de vie du paiement. C’est là que l’effet de capitalisation de l’optimisation multiétapes devient le plus visible.

Fonctions objectives plus riches

La valeur des modèles d’optimisation de Stripe ne n’équivaut qu’à leur compréhension de ce qui importe réellement à 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 que le début. Une entreprise vendant des biens numériques avec une marge de 60 % devrait tolérer un niveau de risque de fraude très différent de celui d’une entreprise vendant des biens physiques à 8 % de marge, et certaines entreprises vendent les deux. Le modèle de fraude, le moteur d’authentification et l’optimiseur d’autorisation devraient tous en être informés, et ils devraient s’adapter en conséquence.

Certaines entreprises se préoccupent étroitement des litiges frauduleux, alors que d’autres veulent minimiser tous les risques, y compris la fraude directe et les abus relatifs aux conditions. Certains acceptent une fraude plus élevée en échange d’une maximisation de la conversion pendant une période promotionnelle. Plus Stripe peut capturer précisément l’économie et les priorités réelles d’une entreprise, plus chaque modèle de la pipeline peut être optimisé selon les besoins de l’entreprise.

Modèles plus importants

Les modèles de Stripe deviennent à la fois plus larges et plus profonds. Nous avons récemment fait passer l’ensemble de données d’entraînement de notre modèle de fraude d’environ 800 millions à plus de 11 milliards de transactions historiques, couvrant une gamme bien plus large de zones géographiques, de produits et de schémas 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 encore plus loin. Nous construisons des modèles multitâches qui prédisent plusieurs résultats simultanément, ce qui permet aux modèles de partager des représentations entre les tâches, de sorte que le signal d’une prédiction renforce une autre.

Agents pour les problèmes non structurés

La plupart des optimisations de ce guide reposent sur des données structurées, telles que les montants des transactions, les codes de refus de paiement, les empreintes d’identification des appareils et les scores de fraude. Mais certains des problèmes les plus importants dans les paiements concernent des informations non structurées. La représentation des litiges est une adéquation naturelle, ce qui nécessite de constituer un dossier de preuves gagnant, de lire les règles du réseau (Visa et Mastercard publient chacune des centaines de pages de règlements sur les litiges susceptibles d’être modifiés régulièrement), d’associer le bon type de preuve au code de motif et à l’émetteur spécifiques, et de synthétiser les données de transaction en un rapport cohérent. Nous développons des agents capables d’interpréter directement les réglementations des réseaux et de combiner cette compréhension avec des modèles d’IA qui prédisent quelle preuve est la plus convaincante pour un scénario de litige donné, en traitant des cas que les systèmes basés sur les règles ne peuvent pas.

Expérimentation

Au-delà de toute initiative individuelle, Stripe mène des expériences en continu tout au long du processus de paiement. Chaque expérience du cycle de vie du paiement est instrumentée 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 sont efficaces sont automatiquement envoyées aux entreprises sur Stripe. Chaque optimisation dans ce guide a été découverte, testée et déployée à travers ce processus, et le rythme d’expérimentation a été multiplié par plus de 4 au cours des deux dernières années.

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