Tantangan

Ben & Frank adalah brand kacamata dengan penjualan langsung ke konsumen yang paling populer di Amerika Latin. Dengan penyedia pembayaran sebelumnya, Ben & Frank memiliki kontrol penipuan dan pelaporan pembayaran yang terbatas, sehingga tidak mungkin untuk terus mengoptimalkan kinerja otorisasi. Ini karena pasar Meksiko memiliki beberapa tantangan unik:
- Amerika Latin terkenal sebagai ekosistem pembayaran yang harus sangat disesuaikan dan dilokalkan, sehingga sulit untuk berhasil tanpa sistem pembayaran pengguna yang disesuaikan atau hubungan dekat dengan penerbit besar.
- Tingkat penipuan pembeli tinggi menurut standar global, sehingga sulit untuk menentukan pendekatan yang efektif terhadap charge yang mencurigakan dan manajemen sengketa.
- Ada dukungan terbatas untuk fitur e-commerce di Meksiko. Sebagai contoh, sulit bagi bisnis untuk menunjukkan kepada penerbit bahwa pelanggan berulang dengan kredensial kartu tersimpan kurang berisiko dibandingkan pelanggan pertama kali.

Akibatnya, Ben & Frank memiliki rasio konversi rendah, yang menciptakan pengalaman pelanggan yang buruk bagi mereka yang menerima penolakan yang salah.

Solusi

Ben & Frank membandingkan Stripe dengan pemroses pembayaran yang ada dengan mengukur tingkat otorisasi di seluruh jaringan kartu. John Campbell, Operation Director di Ben & Frank, berkata, "Dalam mengevaluasi pemroses pembayaran baru, kami mencari tiga sasaran yang dapat diukur: tingkat penerimaan, tingkat penipuan, dan NPS pengalaman pengguna dengan layanan pelanggan kami.”

Ben & Frank dapat mengintegrasikan dan meluncurkan Stripe hanya dalam dua minggu untuk memulai pengujian. Leonardo Alonso, Software Engineer di Ben & Frank, berkata, “Stripe memiliki tim yang luar biasa siap untuk mendukung kebutuhan kami. Ini memiliki salah satu alur kerja pengembangan terbaik, dan dokumentasinya sangat mudah digunakan dengan pustaka klien yang luas serta contoh salin dan tempel.”

Setelah uji coba tiga bulan, Ben & Frank memutuskan bahwa Stripe adalah solusi pembayaran yang lebih baik untuk meningkatkan konversi dan mendorong pertumbuhannya yang berkelanjutan, berkat dukungan responsif dan rangkaian solusi modern yang menampilkan pengoptimalan pembayaran dan deteksi penipuan.

Hasil

Ben & Frank melihat peningkatan 10% dalam konversi dibandingkan dengan pemroses sebelumnya hanya dalam tiga bulan menggunakan Stripe di Meksiko. Peningkatan yang dialami Ben & Frank dimungkinkan oleh:

Hubungan dekat Stripe dengan pemroses dan penerbit regional
Stripe mempekerjakan belasan pakar dan pengembang pembayaran lokal untuk membangun kemitraan yang kuat di seluruh ekosistem pembayaran Meksiko, termasuk pengalih lokal seperti Prosa dan eGlobal, Banco de México dan CNBV, serta penerbit besar seperti BBVA dan Santander. Untuk membangun kepercayaan dengan penerbit lokal, Stripe sering bertemu dengan penerbit untuk membuat perubahan berulang pada logika otorisasi dan penipuan, membantu bisnis memperoleh pendapatan yang, jika tidak, akan hilang.

Pengurangan aktivitas penipuan dan waktu resolusi
Karena Radar dibangun di atas Stripe Payments, Ben & Frank tidak lagi harus secara manual melabeli transaksi penipuan. Sebaliknya, bisnis tersebut mengandalkan pembelajaran mesin Stripe untuk mengevaluasi setiap tingkat risiko pembayaran secara waktu nyata. Model pembelajaran mesin terus belajar dari pola pembelian pelanggan baru, sementara tim penipuan Ben & Frank dapat menggunakan pengesampingan aturan manual dan aturan penipuan custom yang memungkinkan strategi yang dilokalkan untuk secara proaktif mengelola tingkat penipuan dan chargeback di Meksiko.

Dengan tingkat penipuan Amerika Latin 5x lipat dari Amerika Serikat dan EMEA, Radar membantu Ben & Frank membedakan penipu dari pelanggan, mengurangi penipuan pada tingkat yang lebih tinggi. Lourdes García, Product Manager di Ben & Frank, berkata, "Dengan memanfaatkan pembelajaran mesin Stripe dan aturan penipuan custom, kami melihat penurunan tingkat penipuan dan tingkat chargeback kami. Kami bahkan mendapati kepuasan pelanggan meningkat karena tim kami menyelesaikan sengketa pelanggan lebih cepat sekarang karena mereka menghabiskan lebih sedikit waktu untuk mengelola proses manual.”

Tingkat otorisasi dioptimalkan oleh pembelajaran mesin
Bank memiliki aturan keputusan yang tidak konsisten tentang transaksi yang diterima. Satu-satunya cara untuk meningkatkan penerimaan adalah dengan merekayasa balik aturan di seluruh jaringan Stripe menggunakan pembelajaran mesin. Untuk melakukan ini, Stripe membuat Adaptive Acceptance, teknologi pembelajaran mesin yang mengoptimalkan pesan otorisasi atas nama pelanggannya. Ilmuwan dan teknisi data Stripe terus meningkatkan model pembelajaran mesin ini untuk membantu bisnis menerima transaksi dan pendapatan yang sah sebanyak mungkin.