Betalingen als een optimalisatieprobleem in meerdere fasen
Het optimaliseren van betalingen wordt vaak gezien als een probleem met de autorisatiegraad: stuur een correct opgesteld bericht naar de uitgever en maximaliseer de kans dat het goedgekeurd terugkomt. In de praktijk is het optimalisatiegebied veel breder. Een betaling doorloopt verschillende fasen: afrekenen, fraude-evaluatie, authenticatie, autorisatie, clearing en geschillen – en elke fase biedt kansen om de conversie te verhogen, kosten te verlagen en fraude te voorkomen.
Stripe past in elke fase optimalisaties toe, van het personaliseren van het afrekenformulier tot het beslissen of er een 3DS-verificatie of een vrijstelling moet worden aangevraagd, tot het opmaken van de velden in een autorisatiebericht. De juiste ingreep in de ene fase hangt vaak af van wat er in een andere fase is gebeurd: een fraudemodel dat te agressief blokkeert, zal het aantal geschillen verminderen maar de conversie schaden, en een authenticatiestrategie die wrijving minimaliseert zonder rekening te houden met de risicobereidheid, zal verderop in het proces meer afwijzingen en geschillen opleveren. De beste resultaten worden behaald door rekening te houden met deze interacties en in elke fase systemen te bouwen die zich bewust zijn van hun impact op elkaar.
Deze gids beschrijft hoe Stripe betalingen in deze fasen optimaliseert, wat Stripe-bedrijven jaarlijks maar liefst $ 27 miljard aan extra inkomsten oplevert, fraude gemiddeld met 38% helpt verminderen en de verwerkingskosten met maximaal 2,8% verlaagt.
1. Afrekenen
Het grootste deel van de omzet die bedrijven mislopen, wordt nooit geweigerd door een kaartuitgever. In plaats daarvan wordt het afgebroken bij het afrekenen.
Een klant in Nederland die iDEAL niet ziet, kan zijn winkelwagen achterlaten. Een klant in Brazilië die prijzen in USD ziet, voltooit een aankoop misschien niet omdat hij niet zeker weet of er wisselkoerskosten op zijn afschrift komen te staan, en zo ja, hoeveel. Een klant die een grote aankoop overweegt zonder de mogelijkheid om betalingen te splitsen via een ‘koop nu, betaal later’-aanbieder, besluit misschien gewoon dat de transactie het niet waard is. Dit zijn geen uitzonderlijke gevallen; het tonen van zelfs maar één betaalmethode die niet relevant is voor een klant kan de conversie met wel 15% verminderen.
Het afrekenformulier personaliseren
De optimale afrekenprocedure is voor elke transactie anders. De juiste set betaalmethoden en hun volgorde, de valuta, welke formuliervelden je laat zien en of je een fraudebestrijdingsmaatregel moet nemen, hangen allemaal af van wie de klant is, waar hij zich bevindt, wat hij koopt en welk apparaat hij gebruikt. Een statische configuratie kan dit niet bijhouden.
Stripe behandelt dit als een reeks realtime beslissingen. Neem bijvoorbeeld de keuze van de betaalmethode. De klassieke aanpak is om een configuratie te kiezen en daar aan vast te houden, maar de optimale set betaalmethoden verandert naarmate het gedrag van klanten, regionale voorkeuren en de beschikbaarheid van methoden verschuiven. Dit staat bekend als het ‘multi-armed bandit’-probleem, genoemd naar een gokker die voor een rij gokautomaten staat met onbekende uitbetalingspercentages. Je moet steeds nieuwe opties blijven proberen om te ontdekken welke het beste presteert, terwijl je tegelijkertijd geld blijft verdienen met wat al werkt. De AI-modellen van Stripe, getraind op miljarden transacties, navigeren continu door deze afweging. Ze verwerken signalen tijdens de sessie, zoals het type apparaat, de taalinstelling van de browser en de beschikbaarheid van betaalmethoden, naast signalen op netwerkniveau, zoals de voorkeursbetaalmethoden die door vergelijkbare bedrijven worden gebruikt.
Valuta is ook een dimensie met een bijzonder groot effect. De meeste klanten betalen het liefst in hun lokale valuta, en Stripe’s Adaptive Pricing maakt gebruik van een AI-model dat de werkelijke valutapreferentie van een klant voorspelt – wat bijdraagt aan een stijging van 17,8% in de grensoverschrijdende omzet.
Alles bij elkaar zorgen deze optimalisaties – dynamische volgorde van betaalmethoden, Adaptive Pricing en opgeslagen inloggegevens – voor een gemiddelde omzetstijging van 11,9% voor bedrijven die de Optimized Checkout Suite gebruiken.
Het netwerkeffect van opgeslagen inloggegevens
Zelfs bij het beste gepersonaliseerd afrekenproces moet de klant nog steeds een kaartnummer invoeren. Voor terugkerende klanten is dit onnodige wrijving. Link, een digitale wallet ontwikkeld door Stripe, maakt hier een einde aan. Als een klant een betaalmethode heeft opgeslagen bij Link, herkent het systeem hem of haar – via cookies, accountgegevens of andere authenticatiemethoden. De klant kan dan sneller betalen bij elk bedrijf dat Link ondersteunt binnen het Stripe-netwerk – zelfs bij bedrijven die hij of zij nog nooit eerder heeft bezocht. Dit is een netwerkeffect in de letterlijke zin van het woord. Elk nieuw bedrijf dat Link gaat gebruiken, maakt de ervaring voor klanten bij alle andere bedrijven beter, en andersom. Link heeft nu meer dan 200 miljoen opgeslagen betaalmethoden, en bedrijven met een groot bestand aan terugkerende klanten hebben de conversie van terugkerende gebruikers met gemiddeld 14% zien stijgen.
2. Fraude-evaluatie
Zodra er een betaling wordt geprobeerd, verandert het probleem. De vraag is niet langer of de klant iets gaat kopen, maar of de transactie legitiem is. De kans is groter dan 92% dat Stripe de kaart al eerder heeft gezien. Maar het netwerk van Stripe reikt veel verder dan alleen kaarten. Bij miljoenen bedrijven observeert ons netwerk verbanden tussen betaalmethoden, apparaten en transactiepatronen die helpen om legitieme activiteiten van fraude te onderscheiden. De fraudemodellen van Stripe gebruiken deze verzamelde signalen om het risico van elke transactie te beoordelen.
Risico-evaluatie
Kaarttesten vereist andere modellen en signalen dan fraude met gestolen kaarten, waarbij een echt persoon een aankoop probeert te doen met de betaalmethode van iemand anders. Alleen al voor fraude met gestolen kaarten hanteert Stripe verschillende voorspellingen: is deze kaart waarschijnlijk gestolen? Zal deze transactie leiden tot een frauduleuze chargeback? Zal het een vroegtijdige fraudewaarschuwing van het kaartnetwerk activeren? En zelfs als het onwaarschijnlijk is dat de bank er bezwaar tegen maakt, is Stripe dan van mening dat de transactie frauduleus is? Elke voorspelling heeft andere gevolgen voor wat er vervolgens moet gebeuren.
De modellen maken gebruik van drie lagen signalen. De eerste is het Stripe-netwerk zelf: geaggregeerde patronen die zijn waargenomen in een jaarlijks betalingsvolume van meer dan een biljoen dollar, verspreid over miljoenen bedrijven. De tweede is externe data, zoals gestolen kaartgegevens die via het internet worden verzameld. De derde is bedrijfsspecifiek: door middel van aangeleerde bedrijfsintegraties legt Stripe Radar vast wat normaal is voor een bepaald bedrijf, terwijl het toch profiteert van de breedte van het globale model.
De vorm van deze voorspellingen breidt zich ook uit. Vroeger betekende fraude gestolen kaarten en kaarttesten. Maar een klant die zich op misbruikende wijze aanmeldt voor duizenden gratis of afgeprijsde proefperiodes, zal waarschijnlijk nooit converteren, en de proefperiode zelf brengt directe kosten met zich mee voor het bedrijf. Tegenwoordig kan een klant met een op gebruik gebaseerd facturatieplan kosten opbouwen die hij niet van plan is te betalen. Dit is geen traditionele vorm van betalingsfraude, maar het vereist dezelfde discipline: duidelijke voorspellingen, getraind op de juiste signalen, gebruikt om de juiste reactie te sturen.
Deze voorspellingen kunnen op verschillende manieren worden gebruikt, afhankelijk van de risicobereidheid van een bedrijf. Een bedrijf dat zeer risicomijdend is, kan alle voorspelde fraude blokkeren, ongeacht of de uitgever dit zou betwisten. Een bedrijf dat zich richt op het maximaliseren van conversie, kan ervoor kiezen om alleen transacties te blokkeren die waarschijnlijk tot frauduleuze chargebacks leiden. Een bedrijf dat de monitoringdrempel van een kaartmerk nadert, kan zowel frauduleuze geschillen als transacties blokkeren die waarschijnlijk vroegtijdige fraudewaarschuwingen activeren.
De juiste interventie kiezen
Een risicobeoordeling is een voorspelling van hoe gevaarlijk een transactie is, maar vertelt je niet wat je eraan moet doen. De eenvoudigste reactie is om de transactie te blokkeren, maar een vals-positief betekent gederfde inkomsten. De vraag is of er een minder kostbare manier is om het risico te beperken.
Stripe behandelt de keuze voor een interventie als een contextueel bandit-probleem, waarbij gekozen wordt uit een reeks acties en de verwachte uitkomst van elke actie wordt gemodelleerd. Sommige interventies zijn bekend, zoals het tonen van een CAPTCHA-uitdaging om bots te filteren, of het vragen om 3DS. Dit zijn een paar voorbeelden uit een bredere reeks interventies, die elk een andere invloed hebben op conversie, fraude en kosten, en de impact varieert per context. Veel Amerikaanse uitgevers hebben bijvoorbeeld lage 3DS-voltooiingspercentages: het toevoegen van een 3DS-uitdaging bij die uitgevers vermindert misschien niet de fraude, maar het schaadt zeker de conversie.
Stripe modelleert dit. We kiezen tussen deze maatregelen door de verwachte winst te schatten. Voor elke mogelijke maatregel schat Stripe in hoe de conversiekans, de kans op fraude en de kosten veranderen, afhankelijk van welke maatregel wordt gekozen. Een transactie die via een 3DS-verificatie verloopt, heeft vaak een kans van bijna nul op een frauduleuze chargeback, maar een meetbaar lagere kans op conversie. Het model kiest de maatregel die de verwachte winst maximaliseert, rekening houdend met het risicoprofiel van de transactie, de risicovoorkeuren van het bedrijf en de specifieke kaartuitgever en betaalmethode die erbij betrokken zijn.
Met al deze voorspellingen en maatregelen vermindert Radar fraude gemiddeld met 38% voor bedrijven op Stripe, terwijl minder dan 0,05% van de legitieme transacties wordt geblokkeerd.
3. Authenticatie
In het vorige deel werd beschreven hoe Stripe interventies selecteert, inclusief de vraag of 3DS-authenticatie überhaupt moet worden geactiveerd. In dit deel gaan we dieper in op wat er gebeurt als voor 3DS wordt gekozen, want daar houdt de beslissing niet op. 3DS is een reeks opties met heel verschillende gevolgen voor conversie, kosten en compliance, en de juiste keuze hangt af van het risico van de transactie, de regelgevende context en de specifieke betrokken uitgever.
We optimaliseren tegelijkertijd voor drie tegenstrijdige doelstellingen: compliance met regelgeving, fraudepreventie en conversie. Het juiste antwoord is om voor elke transactie een andere beslissing te nemen, waarbij we alle beschikbare informatie over het risico, het apparaat van de klant en het gedrag van de uitgever gebruiken om te kiezen tussen een volledige authenticatie-uitdaging, een probleemloze vrijstelling, een gegevensuitwisseling achter de schermen of helemaal geen authenticatie.
Vrijstellingen en verificaties
De authenticatie-engine van Stripe gebruikt de fraudescores van Radar om in aanmerking komende transacties via het pad met de minste wrijving te leiden. Transacties met een laag risico onder de wettelijke drempel krijgen een vrijstelling voor lage waarden, waarbij de authenticatie volledig wordt overgeslagen. Boven de drempel vraagt de engine, indien van toepassing, om een TRA-vrijstelling. Als het risico gemiddeld is, gebruikt het Data Only-authenticatie, waarbij apparaatvingerafdrukken en transactiecontext achter de schermen met de uitgever worden gedeeld, zodat de klant nooit een verificatie te zien krijgt. Een volledige 3DS-verificatie is voorbehouden aan gevallen waarin het risico dit rechtvaardigt of er geen vrijstelling beschikbaar is.
De fraudescore is de vertakkingsvariabele bij elk knooppunt, en de engine past zich aan het gedrag van de uitgever aan: sommige uitgevers keuren Data Only-stromen betrouwbaar goed, terwijl andere dat niet doen, en Stripe stuurt de transacties dienovereenkomstig door. Over het hele Europese volume levert Data Only-authenticatie alleen al $ 147 miljoen aan extra geautoriseerd betalingsvolume op en meer dan $ 2,5 miljoen aan besparingen voor bedrijven per maand.
Optimalisatie van de time-out voor vingerafdrukken
De beslissingsboom bepaalt welk authenticatiepad een transactie volgt. Maar zelfs binnen een bepaald pad zijn er nog verdere optimalisaties mogelijk. Neem bijvoorbeeld fingerprinting, de optionele eerste stap van elke 3DS-stroom. 3DS-fingerprinting verzamelt apparaat- en browserinformatie via een iframe om de uitgevende bank te helpen het transactierisico in te schatten. Het is een optionele stap in het protocol, die door ongeveer 68% van de transacties op Stripe wordt ondersteund, en die de conversie kan verbeteren als het lukt. Maar het proces duurt op verschillende apparaten verschillend lang, en de extra vertraging kan ervoor zorgen dat de authenticatie helemaal mislukt.
Dit is het soort probleem waarvoor nauwkeurige metingen de moeite waard zijn. Stripe voerde een multivariate A/B-test uit om te bepalen hoe lang je idealiter moet wachten op fingerprinting voordat je zonder verdergaat. Dit is een delicate balans: wacht je te lang, dan verlies je klanten door de vertraging; sla je het te snel over, dan mis je de informatie die de beslissing van de uitgevende bank zou hebben verbeterd. De optimale time-out verschilt per apparaat en uitgever, en door deze te vinden is sinds maart 2025 meer dan 39 miljoen dollar aan betalingen teruggewonnen.
3DS als herhalingsstrategie
De meeste verwerkers beschouwen een risicogerelateerde afwijzing als definitief. Een van de meer contra-intuïtieve optimalisaties die we hebben onderzocht, is dat je bij deze afwijzingen de betaling alsnog kunt terugwinnen door achteraf authenticatie toe te voegen.
3DS-authenticatie zorgt voor vertraging, introduceert wrijving en brengt eigen verwerkingskosten met zich mee. De vraag is dus niet simpelweg “zou 3DS helpen?”, maar “is de verwachte waarde van een nieuwe poging met 3DS groter dan de kosten ervan?” Stripe modelleert dit direct op basis van een specifieke afwijzingsreden, uitgever, kaarttype en transactieprofiel. Sommige afwijzingscodes zijn bijna deterministisch (de kaart is echt ongeldig, en geen enkele authenticatie kan daar iets aan veranderen). Andere geven aan dat de uitgever meer zekerheid wil dat de kaarthouder aanwezig is, en een 3DS-verificatie biedt precies dat. Het model leert welke codes, bij welke uitgevers, reageren op authenticatie, en stuurt herhalingspogingen alleen door als de verwachte terugwinning de kosten rechtvaardigt. Deze optimalisatie heeft het wereldwijde volume aan geautoriseerde betalingen met meer dan $ 1 miljard per jaar verhoogd.
4. Autorisatie
Zodra een transactie is beoordeeld op fraude en, indien van toepassing, geauthenticeerd, wordt deze ter autorisatie voorgelegd aan de uitgevende bank. Dit is nog een kans om de autorisatiepercentages, fraude en verwerkingskosten (voor IC+-bedrijven) te beïnvloeden. Stripe doet dit in drie brede categorieën: kiezen hoe de betaling wordt gerouteerd, het autorisatiebericht zo effectief mogelijk maken en betalingen herstellen die bij de eerste poging mislukken.
Routing
Stripe kan betalingen via meerdere gateways en rails routeren, zoals regionale debetnetwerken, en kan bij de eerste poging het meest kosteneffectieve pad kiezen. Voor veel betalingen hebben alternatieve rails juist een negatief effect op de conversie, dus de modellen leren waar deze routes de kosten verlagen zonder dat dit ten koste gaat van de acceptatie. Bij een nieuwe poging verandert de afweging: als een debettransactie met handtekening wordt geweigerd, kan het routeren van de nieuwe poging via debet-rails de transactie herstellen.
Autorisatieberichten
De inhoud van het ISO 8583-bericht dat de uitgever ontvangt, en de context eromheen, heeft een grote invloed op of een betaling wordt goedgekeurd. Stripe optimaliseert dit op verschillende fronten.
Het eerste is het bericht zelf. Stripe experimenteert voortdurend met de opmaak en inhoud van ISO-velden, en test wijzigingen bij verschillende uitgevers, kaarttypes en regio's. Door het volume van het Stripe-netwerk bereiken zelfs experimenten met een klein verwacht effect binnen enkele uren statistische significantie, en Stripe voert er elke week tientallen uit. Succesvolle experimenten zijn vaak verrassend klein: bijvoorbeeld een kleine wijziging in welke transacties ter autorisatie worden ingediend. Het effect is voor een enkel bedrijf moeilijk te onderscheiden van ruis, maar op de schaal van Stripe is het met grote zekerheid meetbaar en in totaal jaarlijks tientallen miljoenen dollars waard. Deze verbeteringen stapelen zich op.
Het tweede punt is het delen van signalen over frauderisico’s met kaartuitgevers. Kaartuitgevers hebben hun eigen kijk op risico’s, vaak gebaseerd op de uitgavenhistorie, de rekeningstatus en het gedrag van een kaarthouder binnen hun portfolio. Maar ze zien niet wat Stripe ziet: het gedrag van de klant bij andere betaalmethoden, of de fraudepatronen die bij een bepaald e-mailadres of verzendadres horen. Stripe heeft het Enhanced Issuer Network opgezet – directe Radar-integraties voor het delen van gegevens met kaartuitgevers, waaronder Capital One, Discover en American Express – om deze kloof te overbruggen. Als Stripe denkt dat een transactie weinig risico met zich meebrengt, helpt het delen van dat signaal de kaartuitgever om onterechte afwijzingen te voorkomen die hij anders zelf zou veroorzaken.
Het derde punt betreft kaartgegevens. Verouderde gegevens zijn een belangrijke oorzaak van onnodige afwijzingen. Stripe gebruikt netwerktokens en het automatisch bijwerken van creditcardgegevens om gegevens actueel te houden, maar de optimalisatie bestaat niet alleen uit het inschakelen van deze tools. Netwerktokens verbeteren over het algemeen de autorisatiepercentages en verlagen de kosten, maar er zijn delen van het verkeer waar dat niet het geval is: uitgevers met slechte tokenondersteuning waar ze de autorisatiepercentages schaden, of transactiepatronen waar ze fraude juist vergroten. Stripe leert waar tokens helpen en waar niet, en past ze selectief toe om het voordeel ervan te maximaliseren.
Nieuwe pogingen
Sommige afwijzingen zijn te herstellen. Een zachte afwijzing vanwege onvoldoende saldo of tijdelijke onbeschikbaarheid van de uitgever kan bij een tweede poging met een andere timing of route wel slagen. Stripe probeert het synchroon opnieuw op het moment van afschrijving, door een alternatieve gateway te kiezen of het bericht aan te passen op basis van de reden voor de afwijzing. Voor betalingen buiten de sessie, zoals abonnementen, probeert Stripe het asynchroon opnieuw via intelligente aanmaningen, waarbij modellen worden gebruikt die voorspellen wanneer er waarschijnlijk geld beschikbaar is, in plaats van het op een vast schema opnieuw te proberen.
Alles bij elkaar zorgt Authorization Boost van Stripe —met optimalisaties voor routing, berichten en uitgevers, plus beheer van inloggegevens—voor een stijging van de acceptatiegraad met gemiddeld 2,2% en een daling van de verwerkingskosten met maximaal 2,8% voor IC+-bedrijven.
5. Afwikkeling
Een succesvolle autorisatie is niet het einde van het optimalisatieproces. Tussen de autorisatie en het moment dat het bedrijf het geld ontvangt, optimaliseert Stripe twee dingen: het verlagen van de kosten voor het afwikkelen van de transactie en het opsporen van fraude die pas na de autorisatie zichtbaar wordt.
Kosten verlagen
Het terugbetalen van een afgewikkelde transactie is duur. Bij Amerikaanse debetkaarten zijn er helemaal geen terugbetalingen van interbancaire kosten, waardoor een terugbetaling na vereffening tot wel 24 keer duurder is dan het ongedaan maken van de autorisatie vóór de afwikkeling. Stripe voorspelt welke transacties waarschijnlijk kort na vastlegging worden terugbetaald en stelt de afwikkeling daarvan dienovereenkomstig voor korte tijd uit, waardoor terugbetalingen worden omgezet in terugboekingen. Bijna 25% van de terugbetalingen vindt plaats binnen de eerste 48 uur. Daarom kan zelfs een korte, gerichte vertraging voor terugbetalingen met een hoge waarschijnlijkheid de kosten aanzienlijk verlagen.
Wanneer er kleine wijzigingen in de waarde van een transactie worden verwacht, zoals een fooi die aan een basistarief wordt toegevoegd, houdt Stripe de autorisatie open en registreert het volledige bedrag in één keer, in plaats van een tweede reeks kosten te maken. En voor bedrijven die commerciële kaarttransacties verwerken, kan het indienen van gedetailleerde product- en belastinggegevens op het moment van clearing ervoor zorgen dat transacties in aanmerking komen voor lagere interchange-tarieven via programma's zoals het Commercial Enhanced Data Program van Visa.
Fraude verminderen
In de uren nadat een transactie is voltooid, blijft Stripe signalen van andere transacties in het netwerk in de gaten houden, zoals een kaart die elders bij een bevestigde fraudeaanval is gebruikt of een apparaatvingerafdruk die recent is gekoppeld aan een patroon van geschillen. Deze signalen kunnen het risicoprofiel van een reeds geautoriseerde betaling aanzienlijk veranderen.
Dit zorgt voor een asymmetrie die frauduleuze actoren tegenwerkt: elke volgende poging met een gestolen kaart brengt hun eerdere succesvolle transacties in gevaar. Een kwaadwillende die één succesvolle aankoop doet en vervolgens probeert meer waarde te genereren, geeft Stripe een extra signaal om hem te betrappen en de eerdere afschrijving terug te draaien voordat deze tot een chargeback leidt. Wanneer risicosignalen escaleren, kan Stripe proactief de afschrijving terugbetalen of terugdraaien voordat deze tot een geschil leidt.
6. Geschillen
Ondanks alle maatregelen stroomopwaarts zullen sommige transacties toch worden betwist. Het bedrijf betaalt een geschilvergoeding, draagt de operationele kosten van het reageren, en als het geschil verloren gaat, verliest het bedrijf het transactiebedrag. Als het geschillenpercentage van een bedrijf de drempels van de kaartnetwerken overschrijdt, kan het bedrijf in een monitoringprogramma worden geplaatst met oplopende boetes. Geschillen zijn op zichzelf al duur, en in totaal nog duurder.
Net als elke andere fase in deze gids vormen geschillen een optimalisatieprobleem. Maar de structuur is anders. Stroomopwaarts is het doel om de verwachte winst op elke transactie in realtime te maximaliseren. Hier is het doel om de totale kosten van geschillen te minimaliseren via drie mogelijke reacties: het geschil afweren op het moment van de aanvraag, het oplossen voordat het wordt ingediend, of het achteraf aanvechten. Elke reactie heeft andere kosten, een ander slagingspercentage en een ander effect op de reputatie van het bedrijf bij de kaartnetwerken. De juiste strategie hangt af van het bedrag van het geschil, de redencode, de mate waarin het bedrijf de monitoringdrempels benadert, en de sterkte van het beschikbare bewijs.
Afwijzing
Stripe integreert met Visa’s Verifi en Mastercard’s Ethoca om verbeterde transactiedetails aan uitgevers te leveren (aankoopbeschrijvingen, bedrijfsgegevens en transactiemetadata) die de kaarthouder helpen de afschrijving te herkennen voordat een geschil wordt ingediend. In gevallen waarin Stripe bewijs kan leveren van een eerdere relatie tussen de kaarthouder en het bedrijf (overeenkomende klant-ID's, IP-adres of verzendadres van eerdere succesvolle transacties), voldoen de gegevens aan de vereisten voor wat Visa ‘Compelling Evidence (CE) 3.0’ noemt. Als aan de CE3.0-criteria wordt voldaan, is de kaartuitgever verplicht om te voorkomen dat het geschil überhaupt wordt ingediend. Het percentage afgewezen geschillen hangt af van de beschikbaarheid van gegevens, maar voor bedrijven met terugkerende klanten kan dit helpen voorkomen dat frauduleuze chargebacks überhaupt in het systeem terechtkomen.
Oplossing
Dankzij onze integraties met Verifi en Ethoca kunnen bedrijven geschillen ook oplossen voordat ze formeel in het chargebackproces terechtkomen. Wanneer een kaarthouder een geschil start, sturen deze netwerken een waarschuwing naar Stripe voordat de terugvordering wordt ingediend. Bedrijven kunnen regels instellen om in aanmerking komende geschillen automatisch terug te betalen (bijvoorbeeld alle geschillen van het type ‘product niet ontvangen’ onder de $ 10). De terugbetaling lost het geschil direct op, het bedrijf vermijdt de terugvorderingskosten en, nog belangrijker, de kaartnetwerken tellen het niet mee voor het geschilpercentage van het bedrijf, wat helpt om het bedrijf uit monitoringprogramma’s te houden.
Deze tools voor het afwenden en oplossen van geschillen hebben het geschillenpercentage met gemiddeld 51% verlaagd voor zowel fraude- als niet-fraude-redencodes.
Vertegenwoordiging
Voor geschillen die toch tot een chargeback leiden, verschuift het optimalisatieprobleem van preventie naar het verzamelen van bewijs. Welke bewijsstukken, in welk formaat, maximaliseren de kans om een bepaald geschil te winnen? Het antwoord verschilt per redencode, uitgever en transactietype, en een individueel bedrijf ziet waarschijnlijk te weinig geschillen om deze patronen te leren.
Het Smart Disputes-systeem van Stripe is getraind op basis van de uitkomsten van geschillen bij miljoenen transacties, waardoor het genoeg signalen heeft om te bepalen wat werkt. Het systeem leert welke combinaties in elke context het meest effectief zijn. Het stelt automatisch een op maat gemaakt bewijspakket samen en dient dit in, en bedrijven kunnen dit voor het indienen aanvullen met hun eigen bewijs. Early adopters hebben gemiddeld 13% meer chargebacks gewonnen.
De toekomst van betalingsoptimalisatie
De optimalisaties in deze gids bestrijken de volledige betalingscyclus en versterken elkaar. Een betere fraudescore kan ertoe leiden dat minder frauduleuze transacties de autorisatiefase bereiken. Sterkere authenticatie betekent dat bij meer transacties de aansprakelijkheid wordt verschoven. En interventies na autorisatie draaien risicovolle afschrijvingen terug voordat ze kunnen worden betwist. Tegen de tijd dat een transactie de geschillenfase bereikt, heeft deze al meerdere optimalisatielagen doorlopen.
Voorspellingen versterken
Hoe meer uitkomsten Stripe nauwkeurig kan voorspellen, hoe beter elke beslissing verderop in het proces wordt. We investeren in het modelleren van de kans op terugbetaling op het moment van afschrijving om het tijdstip van verrekening te optimaliseren. We bouwen betere voorspellingen van verwachte netwerkkosten, zodat routeringsmodellen nauwkeurigere afwegingen tussen kosten en nauwkeurigheid kunnen maken.
Elke nieuwe voorspelling verbetert de hele betalingscyclus. Hier wordt het cumulatieve effect van optimalisatie in meerdere fasen het duidelijkst zichtbaar.
Rijkere doelstellingen
De optimalisatiemodellen van Stripe zijn slechts zo goed als hun begrip van wat een bedrijf echt belangrijk vindt. Tegenwoordig kunnen bedrijven met tools zoals de risicovoorkeuren van Radar aangeven hoeveel fraude ze accepteren. Maar dit is slechts een beginpunt. Een bedrijf dat digitale goederen verkoopt met een marge van 60% zou een heel ander niveau van frauderisico moeten accepteren dan een bedrijf dat fysieke goederen verkoopt met een marge van 8%, en sommige bedrijven verkopen beide. Het fraudemodel, de authenticatie-engine en de autorisatie-optimalisator zouden dit allemaal moeten weten en zich hierop moeten aanpassen.
Sommige bedrijven maken zich vooral zorgen over frauduleuze chargebacks; andere willen alle risico’s minimaliseren, inclusief first-party fraude en misbruik van het beleid. Sommige zijn bereid om meer fraude te accepteren in ruil voor het maximaliseren van de conversie tijdens een promotieperiode. Hoe nauwkeuriger Stripe de werkelijke economische situatie en prioriteiten van een bedrijf kan vaststellen, hoe beter elk model in de pijplijn kan optimaliseren namens het bedrijf.
Grotere modellen
De modellen van Stripe worden zowel breder als dieper. We hebben onlangs de trainingsdataset van ons fraudemodel opgeschaald van ongeveer 800 miljoen naar meer dan 11 miljard historische transacties, waarmee we een veel breder scala aan regio's, producten en fraudepatronen bestrijken. Onze diepe neurale netwerken kunnen op manieren van deze hoeveelheid data leren die traditionele modellen niet kunnen, en we gaan hiermee nog verder. We bouwen multitaskmodellen die meerdere uitkomsten tegelijk voorspellen, waardoor de modellen representaties tussen taken kunnen delen, zodat het signaal van de ene voorspelling de andere versterkt.
Agents voor ongestructureerde problemen
De meeste optimalisaties in deze gids werken op gestructureerde gegevens, zoals transactiebedragen, afwijzingscodes, apparaatvingerafdrukken en fraudescores. Maar sommige van de meest waardevolle problemen bij betalingen hebben te maken met ongestructureerde informatie. Het behandelen van geschillen is hier een logische toepassing. Hiervoor moet je een overtuigend bewijspakket samenstellen, netwerkregels lezen (Visa en Mastercard publiceren elk honderden pagina’s aan geschillenregels die regelmatig veranderen), het juiste bewijstype koppelen aan de specifieke redencode en uitgever, en transactiegegevens samenvoegen tot een samenhangend verhaal. We bouwen agents die netwerkregels direct kunnen interpreteren en die kennis kunnen combineren met AI-modellen die voorspellen welk bewijs het meest overtuigend is voor een bepaald geschil, waardoor ze zaken kunnen afhandelen die op regels gebaseerde systemen niet aankunnen.
Experimenteren
Naast individuele initiatieven voert Stripe continu experimenten uit gedurende het hele betalingsproces. Elk experiment in de betalingscyclus is zo opgezet dat de impact op autorisatiepercentages, fraude, verwerkingskosten en interbancaire vergoedingen wordt gemeten. Elke week worden nieuwe ideeën getest, en de succesvolle worden automatisch doorgevoerd voor bedrijven op Stripe. Elke optimalisatie in deze gids is via dit proces ontdekt, getest en geïmplementeerd, en het tempo van de experimenten is de afgelopen twee jaar meer dan verviervoudigd.
En voor bedrijven die verder willen gaan door margegegevens te delen, risicovoorkeuren aan te passen, uitgebreidere productinformatie te verstrekken en nieuwe ideeën te testen, wordt het optimalisatiegebied alleen maar groter. Neem contact met ons op; we werken graag met je samen.