多段階最適化問題としての決済

決済の最適化は、多くの場合、オーソリ率の問題として扱われます。カード発行会社に適切な形式のメッセージを送信し、承認される可能性を最大化するというものです。しかし実際には、最適化の範囲ははるかに広くなります。決済は、チェックアウト、不正利用評価、認証、オーソリ、クリアリング、不審請求の申し立てといういくつかの段階を通過し、それぞれがコンバージョンの向上、コストの削減、不正利用の防止の機会をもたらします。

Stripe は、決済フォームのパーソナライズから、3DS チャレンジまたは免除をリクエストするかどうかの決定、オーソリメッセージのフィールドのフォーマットまで、すべての段階で最適化を適用します。ある段階での適切な介入は、多くの場合、別の段階で何が起こったかによって異なります。過度に積極的にブロックする不正利用モデルは不審請求の申し立て率を改善しますが、コンバージョンに悪影響を及ぼします。リスク選好を考慮せずに摩擦を最小限に抑える認証戦略は、下流でより多くの支払い拒否と不審請求の申し立てを生み出します。最良の結果は、こうした相互作用を考慮し、各段階のシステムが他のすべての段階への影響を認識した上で構築することから生まれます。

このガイドでは、Stripe がこれらの段階にわたって決済を最適化し、年間最大 270 億ドルの収入増加、不正利用の平均 38% 削減、Stripe を利用するビジネスの処理コストの最大 2.8% 削減を実現する方法について説明します。

1. 決済

ビジネスが失う収入の大半は、カード発行会社による支払い拒否が原因ではありません。実際には、チェックアウトの段階で離脱が起きています。

iDEAL が表示されないオランダの顧客はカートを放棄するかもしれません。USD で価格が表示されているブラジルの顧客は、外国為替手数料が発生するかどうか、またどの程度かが不明なため、購入を完了しない可能性があります。後払い (BNPL) プロバイダーによる分割払いオプションがなければ、高額商品の購入を検討している顧客は、その取引を諦めてしまうかもしれません。これはエッジケースではありません。顧客に関係のない決済手段を 1 つでも表示すると、コンバージョンが最大 15% 低下します。

決済フォームのパーソナライズ

最適なチェックアウトは取引ごとに異なります。最適な決済手段の組み合わせとその順序、通貨、表示するフォームフィールド、不正利用への介入を開始するかどうかはすべて、顧客が誰であるか、どこにいるか、何を購入しているか、どのデバイスを使用しているかによって異なります。静的な構成では対応できません。

Stripe はこれを一連のリアルタイムの意思決定として扱います。まず決済手段の選択を例に考えてみましょう。従来のアプローチでは構成を選択してそれに従いますが、顧客の行動、地域の好み、決済手段の提供状況の変化に応じて、最適な決済手段の組み合わせも変化します。これは「多腕バンディット問題」と呼ばれるもので、払い出し率が不明なスロットマシンの列に直面したギャンブラーになぞらえた問題です。すでに機能しているものから収益を得ながら、最良の選択肢を学ぶために新しい選択肢を試し続けなければなりません。数十億件の取引でトレーニングされた Stripe の AI モデルは、このトレードオフを継続的に解決し、デバイスの種類、ブラウザーのロケール、決済手段の提供状況などのオンセッションシグナルと、類似ビジネスで使用されている優先決済手段などのネットワークレベルのシグナルを組み合わせます。

通貨も特に影響度が高い要素です。ほとんどの顧客は現地通貨での決済を希望しており、Stripe の Adaptive Pricing は顧客の実際の通貨設定を予測する AI モデルを使用して、越境収入を 17.8% 増加させています。

これらの最適化 (動的な決済手段の順序設定、Adaptive Pricing、保存された認証情報) を組み合わせることで、Stripe 決済ソリューションを使用するビジネスの平均収入は 11.9% 増加しています。

保存された認証情報のネットワーク効果

最もパーソナライズされたチェックアウトであっても、顧客はカード番号を入力する必要があります。リピート顧客にとっては、これは不要なフリクションです。Stripe が構築したデジタルウォレットの Link はこれを解消します。顧客が Link に決済手段を保存している場合、システムはクッキー、アカウントの詳細、またはその他の認証方法を通じて顧客を認識します。顧客は、Stripe ネットワークで Link を有効にしているどのビジネスでも、訪問したことがないビジネスであっても迅速に決済できます。これはまさにネットワーク効果と言えます。Link を採用する新しいビジネスは他のすべてのビジネスの顧客体験を向上させ、その逆も同様です。Link には現在 2 億件以上の決済手段が保存されており、大規模なリピート顧客基盤を持つビジネスでは、リピートユーザーのコンバージョンが平均 14% 向上しています。

2. 不正利用評価

決済が試みられると、問題は変わります。顧客が購入するかどうかではなく、その取引が正当なものかどうかが問われます。Stripe が過去にそのカードを処理したことがある確率は 92% 以上です。しかし、Stripe のネットワークはカード以外にも広がっています。数百万ものビジネスにわたり、Stripe のネットワークは決済手段、デバイス、取引パターンの相関関係を観測し、正当な取引と不正利用の区別に役立てています。Stripe の不正利用モデルは、こうした集積されたシグナルを使用して各取引のリスクを評価します。

リスクの評価

カードテスティングには、本物の人間が他人の決済手段で購入を試みる盗難カード不正利用とは異なるモデルとシグナルが必要です。盗難カード不正利用だけに絞っても、Stripe はいくつかの異なる予測を管理しています。このカードは盗難の可能性が高いか。この取引は不正利用による不審請求の申し立てにつながるか。カードネットワークから不正利用の早期警告がトリガーされるか。そして、銀行が不審請求の申し立てを行う可能性が低い場合でも、Stripe はその取引が不正利用だと判断するか。各予測は、次に取るべき対応に異なる影響をもたらします。

このモデルは、3 つのシグナルレイヤーを活用しています。1 つ目は Stripe ネットワーク自体です。年間決済量が 1 兆ドルを超え、数百万ものビジネスにわたって観察された集計パターンです。2 つ目は、インターネット全体から取得した侵害済みカード認証情報などの外部データです。3 つ目は、ビジネス固有のデータです。Stripe Radar は、学習済みのビジネス埋め込みを通じて、グローバルモデルの幅広さの恩恵を受けながら、特定のビジネスにとっての通常の状態を把握します。

これらの予測の対象も拡大しています。かつて不正利用といえば、盗難カードとカードテスティングを意味していました。しかし、無料または割引トライアルに何千件も大量登録する顧客はコンバージョンにつながる可能性が低く、トライアル自体がビジネスに直接コストをもたらします。現在では、従量課金プランの顧客が支払う意思のない請求を積み上げるケースも生じています。これは従来の決済不正利用とは異なりますが、同じ手法が求められます。適切なシグナルで学習させた個別の予測モデルを構築し、然るべき対応につなげることです。

これらの予測は、ビジネスのリスク選好度に応じて異なる形で活用できます。リスク回避を最優先するビジネスは、カード発行会社が不審請求の申し立てを行うかどうかに関係なく、不正利用と予測されたすべての取引をブロックできます。コンバージョンの最大化に重点を置くビジネスは、不正利用による不審請求の申し立てにつながる可能性のある取引のみをブロックできます。カードブランドのモニタリングしきい値に近づいているビジネスは、不正利用による不審請求の申し立てと、不正利用の早期警告がトリガーされる可能性のある取引の両方をブロックできます。

適切な介入の選択

リスク評価は取引がどの程度危険かを予測するものですが、次に何をすべきかを示すものではありません。最もシンプルな対応は取引をブロックすることですが、誤検出は収入の損失を意味します。問題は、リスクをより低コストで軽減する方法があるかどうかです。

Stripe は介入の選択を文脈的バンディット問題として扱い、一連のアクションから選択し、それぞれの期待される結果をモデル化します。ボットをフィルタリングするための CAPTCHA チャレンジの提示や 3DS のリクエストなど、よく知られた介入もあります。これらはより広範な介入群の一例であり、それぞれコンバージョン、不正利用、コストへの影響が異なり、文脈によっても変わります。例えば、アメリカのカード発行会社の多くは 3DS の完了率が低くなっています。これらのカード発行会社に 3DS チャレンジを追加しても不正利用は減少しないかもしれませんが、コンバージョンには確実に悪影響を及ぼします。

Stripe はこれをモデル化します。期待利益を推定することで、これらの介入から最適なものを選択します。介入候補ごとに、Stripe はどれを選択するかに応じてコンバージョン率、不正利用率、コストがどのように変化するかを推定します。3DS チャレンジを経由してルーティングされる取引は、不正利用による不審請求の申し立ての確率はほぼゼロである一方、コンバージョンの確率は測定可能な範囲で低くなります。このモデルは、取引のリスクプロファイル、ビジネスのリスク選好、関与する特定のカード発行会社と決済手段を考慮した上で、期待利益を最大化する介入を選択します。

これらの予測と介入を通じて、Radar は Stripe を利用するビジネスで不正利用を平均 38% 削減しながら、正当な取引のブロック率は 0.05% 未満に抑えています。

3. 認証

前のセクションでは、3DS 認証をそもそもトリガーするかどうかも含め、Stripe が介入方法を選択する仕組みを説明しました。このセクションでは、3DS が選択された場合に何が起こるかをさらに詳しく解説します。判断はそれで終わりではないからです。3DS はオプション群の総称であり、コンバージョン、コスト、法令遵守への影響は取引によって大きく異なります。最適な選択は、取引のリスク、規制環境、および関与するカード発行会社によって決まります。

Stripe は、法令遵守、不正利用防止、コンバージョンという 3 つの競合する目標を同時に最適化しています。正解は取引ごとに異なる判断を下すことです。取引のリスク、顧客のデバイス、カード発行会社の動作に関するあらゆる情報を活用し、フルチャレンジ、フリクションレス免除、バックグラウンドでのデータ交換、または認証なしのいずれかを選択します。

免除とチャレンジ

Stripe の認証エンジンは、Radar の不正利用スコアを使用して、対象取引を最もフリクションの少ないパスに振り分けます。規制のしきい値を下回る低リスクの取引には少額免除が適用され、認証を完全にスキップします。しきい値を超える場合は、必要に応じて TRA 免除をリクエストします。リスクが中程度の場合は Data Only 認証を使用し、デバイスのフィンガープリントと取引のコンテキストをカード発行会社とバックグラウンドで共有するため、顧客にはチャレンジが表示されません。フル 3DS チャレンジは、リスクの水準が高い場合や免除が利用できない場合にのみ適用されます。

不正利用スコアはすべてのノードで分岐する変数であり、エンジンはカード発行会社の動作に適応します。カード発行会社によっては Data Only フローが確実に承認される場合もあればそうでない場合もあり、Stripe はそれに応じて振り分けます。ヨーロッパの決済量全体で、Data Only 認証だけでオーソリ済み決済量が 1 億 4,700 万ドル増加し、ビジネスにとって毎月 250 万ドル以上のコスト削減をもたらしています。

フィンガープリントタイムアウトの最適化

決定ツリーによって、取引がたどる認証パスが決まります。ただし、特定のパス内でも、さらなる最適化が行われます。ここでは、3DS フローの任意の最初のステップであるフィンガープリントを例に考えてみましょう。3DS フィンガープリントは、iframe を通じてデバイスとブラウザーの情報を収集し、カード発行会社の取引リスク評価を支援します。これはプロトコルの任意のステップであり、Stripe での取引の約 68% でサポートされており、成功した場合はコンバージョンの向上につながります。ただし、このプロセスにかかる時間はデバイスによって異なり、遅延が増加すると認証が完全に失敗する可能性があります。

これは、正確な測定が成果を生む問題です。Stripe は多変量 A/B テストを実施し、フィンガープリントなしで処理を進める前の理想的な待機時間を特定しました。これは微妙なバランスです。待ちすぎると遅延で顧客を失い、スキップが早すぎるとカード発行会社の意思決定を改善できたはずの情報を失います。最適なタイムアウトはデバイスとカード発行会社によって異なり、その特定により 2025 年 3 月以降で 3,900 万ドル以上の決済回収につながりました。

再試行戦略としての 3DS

ほとんどの決済代行業者は、リスク関連の支払い拒否を最終的なものとして扱います。Stripe が検討した直観に反する最適化の 1 つは、このような支払い拒否に対して事後に認証を追加することで決済を回収できるというものです。

3DS 認証は遅延を生じさせ、フリクションをもたらし、処理コストも発生します。そのため、問題は単に「3DS は役立つか」ではなく、「3DS で再試行する期待値が試行コストを上回るか」ということです。Stripe は、特定の支払い拒否理由、カード発行会社、カードの種類、取引プロファイルに基づき、これを直接モデル化します。支払い拒否コードの中には、ほぼ確定的なものもあります (カードが本当に無効であり、認証をどれだけ行っても変わりません)。一方、カード会員の本人確認をより確実にしたいというカード発行会社の意向を示すコードもあり、3DS チャレンジはまさにそのニーズに応えます。このモデルは、どのコードがどのカード発行会社で認証に反応するかを学習し、期待される回収がコストに見合う場合にのみ再試行をルーティングします。この最適化により、世界全体のオーソリ済み決済量が年間 10 億ドル以上増加しています。

4. オーソリ

取引が不正利用評価を経て、必要に応じて認証されると、カード発行会社にオーソリのために送信されます。これは、オーソリ率、不正利用、処理コスト (IC+ ビジネスの場合) に影響を与えるさらなる機会です。Stripe はこれを 3 つの大まかなカテゴリーで実施しています。決済の経路の選択、オーソリメッセージの最適化、そして初回試行で失敗した決済の回収です。

経路選定

Stripe は、地域デビットネットワークなど、複数のゲートウェイとレールにわたって決済を経路選定でき、初回試行時に最もコスト効率の高い経路を選択できます。多くの決済では、代替レールがコンバージョンに悪影響を及ぼすため、モデルは承認率を犠牲にすることなくコストを削減できる経路を学習します。再試行時には状況が変わります。シグネチャーデビット取引が拒否された場合、デビットレールを経由した再試行経路の選定で回収できます。

オーソリメッセージ

カード発行会社が受け取る ISO 8583 メッセージの内容と、それを取り巻くコンテキストは、決済が承認されるかどうかに大きく影響します。Stripe はこれをいくつかの観点から最適化しています。

1 つ目はメッセージそのものです。Stripe は ISO フィールドの形式と内容について継続的に実験を行い、カード発行会社、カードの種類、地域をまたいで変更をテストしています。Stripe ネットワークの規模により、効果サイズが小さいと予想される実験でも数時間で統計的有意性に達し、毎週数十件の実験が実施されます。成功した実験は驚くほど小さな変更であることが多く、例えばオーソリのために送信される取引に対するわずかな変更です。その効果は個々のビジネスにとってはノイズと区別しにくいものですが、Stripe の規模では高い信頼性で測定でき、年間合計で数千万ドルの価値をもたらします。こうした改善は積み重なっていきます。

2 つ目は、カード発行会社と不正利用リスクシグナルを共有することです。カード発行会社は多くの場合、カード会員の支出履歴、アカウントのステータス、ポートフォリオ全体での行動に基づいた独自のリスク見解を持っています。しかし、カード発行会社は Stripe が把握していることを把握できません。他の決済手段における顧客の行動や、特定のメールアドレスや配送先住所に関連する不正利用パターンです。Stripe はこのギャップを埋めるため、Capital One、Discover、アメリカンエキスプレスなどのカード発行会社と直接 Radar データを共有する統合機能を持つ Enhanced Issuer Network を構築しました。Stripe が低リスクと判断した取引については、そのシグナルを共有することで、カード発行会社が単独で引き起こしてしまうかもしれない誤った支払い拒否を防ぐことができます。

3 つ目は、カード認証情報です。失効した認証情報は、不要な支払い拒否の主要な原因となります。Stripe はネットワークトークンと自動カード更新機能を使用して認証情報を最新の状態に保ちますが、最適化とは単にこれらのツールを有効化するだけではありません。ネットワークトークンは一般的にオーソリ率の向上とコスト削減をもたらしますが、そうでない場合もあります。トークンサポートが不十分なカード発行会社ではオーソリ率が低下したり、不正利用が増加する取引パターンが存在したりするためです。Stripe はトークンが有効な場所とそうでない場所を学習し、メリットを最大化するために選択的にトークンを適用します。

再試行

一部の支払い拒否は回収可能です。残高不足やカード発行会社の一時的な利用不可による支払い拒否は、タイミングや経路が異なる 2 回目の試行で成功する可能性があります。Stripe は決済時に同期的に再試行し、支払い拒否の理由に基づいて代替ゲートウェイを選択するか、メッセージを調整します。サブスクリプションなどのオフセッション決済の場合、Stripe は固定スケジュールで再試行するのではなく、資金が利用可能になる可能性が最も高いタイミングを予測するモデルを使用して、インテリジェントな督促によって非同期で再試行します。

Stripe の Authorization Boost は、経路の選定、メッセージとカード発行会社の最適化、認証情報の管理を包括しており、IC+ ビジネスでは平均で承認率が 2.2% 向上し、処理コストが最大 2.8% 削減されます。

5. クリアリング

オーソリが成功しても最適化は終わりではありません。オーソリからビジネスが資金を受け取るまでの間、Stripe は 2 つのことを最適化します。取引の決済コストの削減と、オーソリ後にのみ顕在化する不正利用の検出です。

コスト削減

決済済み取引の返金には多額のコストがかかります。アメリカのデビットではインターチェンジフィーの返金が一切ないため、決済後の返金はクリアリング前のオーソリ差戻しに比べて最大 24 倍のコストがかかります。Stripe はキャプチャー後すぐに返金される可能性が高い取引を予測し、それに応じて短期間クリアリングを遅延させることで、返金を差戻しに変換します。返金の約 25% は最初の 48 時間以内に発生するため、高確率の返金に対して短期間の遅延を設けるだけでもコストを大幅に削減できます。

基本料金へのチップ追加など、取引金額の軽微な変更が見込まれる場合、Stripe はオーソリをオープンのままにし、2 回目の手数料を発生させることなく全額を 1 回でキャプチャーします。また、コマーシャルカード取引を処理するビジネスでは、クリアリング時に詳細な商品データと税務データを提出することで、Visa のコマーシャル拡張データプログラムなどを通じて取引のインターチェンジレートを引き下げることができます。

不正利用の削減

取引の完了後数時間にわたり、Stripe はネットワーク全体の他の取引から引き続きシグナルを観測します。例えば、他の場所で確認された不正利用攻撃で使用されたカードや、不審請求の申し立てのパターンに新たに関連付けられたデバイスのフィンガープリントなどです。これらのシグナルは、すでにオーソリ済みの決済のリスク状況を大きく変える可能性があります。

これにより、不正利用者に対して不利に働く非対称性が生まれます。盗難カードによる後続の試行が行われるたびに、それまでに成功していた取引が危険にさらされます。1 回の購入に成功してさらに利益を引き出そうとする不正利用者は、Stripe に追加のシグナルを提供することになり、チャージバックが発生する前に検出され、以前の決済が差戻されます。リスクシグナルが高まると、Stripe は不審請求の申し立てが発生する前に事前に返金または差戻しを行うことができます。

6. 不審請求の申し立て

上流での対策をすべて講じても、不審請求の申し立てが発生する取引は存在します。ビジネスは不審請求の申し立て手数料を支払い、対応にかかる運用コストを負担し、申し立てで主張が認められなかった場合は取引額を失います。不審請求の申し立て率がカードネットワークのしきい値を超えると、ビジネスはモニタリングプログラムの対象となり、罰則が段階的に引き上げられます。不審請求の申し立ては 1 件ごとに見てもコストがかかりますが、累積するとさらに大きなコストになります。

このガイドの他のすべての段階と同様に、不審請求の申し立てにも最適化の問題が生じます。しかし、構造は異なります。上流では、各取引で期待される利益をリアルタイムで最大化することを目標としています。ここでは、照会時点での申し立て回避、申請前の解決、申請後の反論という 3 つの対応全体で不審請求の申し立ての総コストを最小化することを目的としています。各対応によって、コスト、成功率、カードネットワークにおけるビジネスの立場への影響が異なります。適切な戦略は、不審請求の申し立て額、理由コード、モニタリングしきい値へのビジネスの近さ、利用可能な反証資料の強度によって異なります。

ディフレクション

Stripe は、Visa の Verifi および Mastercard の Ethoca と連携して、カード発行会社に詳細な取引情報 (購入内容の説明、事業情報、取引メタデータ) を提供し、不審請求の申し立てが行われる前にカード会員が請求を認識できるようにします。Stripe がカード会員とビジネスの間の過去の取引関係 (顧客 ID、IP アドレス、配送先住所が過去の成功した取引と一致している) を証明できる場合、そのデータは Visa が「有力な反証資料 (CE) 3.0」と呼ぶ要件を満たします。CE 3.0 の基準が満たされると、カード発行会社は申し立てが一切申請されないようブロックする義務があります。ディフレクション率はデータの利用可能性によって異なりますが、リピート顧客を持つビジネスにとっては不正利用による不審請求の申し立てをシステムに入る前に防ぐことができます。

解決

また、Verifi と Ethoca の連携により、ビジネスはチャージバックプロセスに正式に入る前に不審請求の申し立てを解決できます。カード会員が不審請求の申し立てを開始すると、チャージバックが申請される前に、これらのネットワークから Stripe にアラートが送信されます。ビジネスは、対象となる不審請求の申し立てを自動的に返金するルールを設定できます (例: $10 未満の「商品未受領」の申し立てをすべて返金するなど)。返金によって不審請求の申し立ては即座に解決され、チャージバック手数料も発生しません。さらに重要なことに、カードネットワークはこれをビジネスの不審請求の申し立て率にカウントしないため、ビジネスはモニタリングプログラムに入らずに済みます。

これらのディフレクションと解決ツールにより、不正利用とそれ以外の理由コード全体で不審請求の申し立て率が平均 51% 削減されています。

反論

チャージバックに進む不審請求の申し立てでは、最適化の問題は防止から反証資料の収集へと移行します。どの反証資料が、どの形式で、特定の不審請求の申し立てで主張が認められる確率を最大化するかは、理由コード、カード発行会社、取引タイプによって異なります。個々のビジネスでこれらのパターンを学ぶには、不審請求の申し立て件数が少なすぎる可能性があります。

Stripe の Smart Disputes システムは、数百万件の取引にわたる不審請求の申し立て結果に基づいてトレーニングされており、何が効果的かを特定するのに十分なシグナルを得ています。システムは各コンテキストで最も効果的な組み合わせを学習します。カスタマイズされた反証資料パケットを自動的に作成して提出し、ビジネスは提出前に独自の反証資料で補足できます。早期導入者では、平均で 13% 多くのチャージバックで主張が認められています。

決済最適化の未来

このガイドの最適化は決済ライフサイクル全体にわたり、それらは積み重なって効果を発揮します。不正利用スコアが向上すると、オーソリに達する不正取引を減らすことができます。認証が強化されると、ライアビリティシフトが適用される取引が増えます。また、オーソリ後の介入により、不審請求の申し立て前にリスクの高い決済を差し戻します。取引が不審請求の申し立て段階に達した時点で、すでに何層にもわたる最適化が行われています。

複合予測

Stripe が正確に予測できる結果が多いほど、後続のすべての意思決定が改善されます。Stripe は決済時の返金確率のモデル化に投資し、クリアリングのタイミングを最適化しています。また、期待されるネットワークコストのより精度の高い予測を構築することで、経路選定モデルがコストと精度のトレードオフをより正確に判断できるようにしています。

新たな予測が加わるたびに、決済ライフサイクル全体が改善されます。まさにここに、複数段階の最適化による複合効果が最も顕著に現れます。

目的関数の充実

Stripe の最適化モデルの精度は、ビジネスが実際に何を重視しているかをどれだけ理解できるかに依存します。現在、Radar のリスク設定などのツールを通じて、ビジネスは不正利用に対する許容度を表現できます。しかし、これはあくまで出発点です。利益率 60% でデジタル商品を販売するビジネスと、利益率 8% で物理的な商品を販売するビジネスとでは、許容すべき不正利用リスクのレベルが大きく異なります。両方を販売するビジネスも存在します。不正利用モデル、認証エンジン、オーソリ最適化エンジンはすべてこうした実態を把握し、それに応じて調整する必要があります。

不正利用による不審請求の申し立てのみを懸念するビジネスもあれば、ファーストパーティー不正利用やポリシーの悪用を含むあらゆるリスクを最小化したいビジネスもあります。プロモーション期間中のコンバージョン最大化と引き換えに、より高い不正利用リスクを受け入れるビジネスもあります。Stripe がビジネスの実際の経営状況と優先事項をより正確に把握するほど、パイプライン内のすべてのモデルがビジネスに代わってより適切に最適化できるようになります。

大型モデル

Stripe のモデルはますます幅広く、深くなっています。Stripe は最近、不正利用モデルの学習データセットを約 8 億件から 110 億件以上の過去の取引に拡張し、地域、商品、不正利用パターンをはるかに幅広く網羅しました。Stripe のディープニューラルネットワークは、従来のモデルでは不可能な方法でこの大量のデータから学習し、さらに限界を押し広げています。Stripe では、複数の結果を同時に予測するマルチタスクモデルを構築しています。これにより、モデルは複数のタスク間で表現を共有でき、ある予測からのシグナルが別の予測を強化します。

構造化されていない問題に対するエージェント

このガイドの最適化のほとんどは、取引額、支払い拒否コード、デバイスのフィンガープリント、不正利用スコアなどの構造化されたデータに基づいて行われます。しかし、決済における最も価値の高い問題の中には、非構造化情報が関わるものもあります。不審請求の申し立てへの反論はその典型例であり、主張が認められる反証資料パケットの組み立て、ネットワークルールの読み取り (Visa と Mastercard はそれぞれ数百ページに及ぶ不審請求の申し立て規制を公開しており、定期的に変更されます)、適切な反証資料の種類と特定の理由コードおよびカード発行会社の照合、そして取引データの一貫したナラティブへの統合が必要です。Stripe は、ネットワーク規制を直接解釈し、特定の不審請求の申し立てシナリオで最も説得力のある反証資料を予測する AI モデルと組み合わせることで、ルールベースのシステムでは対応できないケースを処理するエージェントを構築しています。

実験

Stripe は個々の取り組みを超えて、決済の全過程にわたって継続的に実験を実施しています。決済ライフサイクルのすべての実験は、オーソリ率、不正利用、処理コスト、インターチェンジへの影響を測定できるよう計測されます。毎週新しいアイデアがテストされ、成功したものは Stripe を利用するビジネスに自動的に展開されます。このガイドに掲載されている最適化はすべて、このプロセスを通じて発見・テスト・導入されたものであり、実験のペースは過去 2 年間で 4 倍以上に増加しています。

利益率データの共有、リスク選好の調整、より充実した製品情報の提供、新しいアイデアのテストなど、さらに踏み込んだ取り組みを希望するビジネスにとって、最適化の可能性はさらに広がります。お問い合わせください。ぜひ一緒に取り組みましょう。