Betalingen als een optimalisatieprobleem in meerdere fasen
Betalingsoptimalisatie wordt vaak gezien als een probleem met autorisatiepercentages, maar autorisatie is slechts één onderdeel van een groter systeem. Elke transactie doorloopt de stappen afrekenen, fraude-evaluatie, authenticatie, autorisatie, clearing en geschillen, met verschillende beslissingsmomenten in elke fase. Deze beslissingen zijn onderling afhankelijk: een fraudemodel dat te agressief blokkeert, kan het aantal geschillen verminderen maar ook de conversie verlagen, terwijl een authenticatiestrategie die wrijving minimaliseert zonder rekening te houden met risico’s, het aantal afwijzingen en geschillen zal doen toenemen.
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. Over de hele betalingscyclus leveren deze optimalisaties maar liefst 27 miljard dollar per jaar aan extra omzet op, verminderen ze fraude met gemiddeld 38% en verlagen ze de verwerkingskosten met maximaal 2,8% voor Stripe-bedrijven.
1. Afrekenen
De meeste mislukte transacties komen nooit tot autorisatie; ze gaan al verloren bij het afrekenen. Een klant in Nederland die iDEAL niet ziet, kan zijn winkelwagen achterlaten. Een klant in Brazilië die prijzen in USD ziet, kan aarzelen omdat de uiteindelijke kosten met wisselkoerskosten onzeker zijn. Een klant die een grote aankoop overweegt zonder de mogelijkheid om betalingen te splitsen via een ‘koop nu, betaal later’-aanbieder, kan besluiten om helemaal niet te kopen.
Het afrekenformulier personaliseren
De optimale afrekenprocedure is voor elke transactie anders. De juiste set betaalmethoden, de volgorde daarvan, de weergegeven valuta, de vereiste formuliervelden die moeten worden getoond en de beslissing om een fraudebestrijdingsmaatregel in te zetten, hangen allemaal af van wie de klant is, waar hij zich bevindt, wat hij koopt en welk apparaat hij gebruikt.
Stripe behandelt dit als een reeks realtime beslissingen. De keuze van de betaalmethode is een voorbeeld: de AI-modellen van Stripe, getraind op miljarden transacties, selecteren welke betaalmethoden per afrekensessie worden weergegeven op basis van signalen tijdens de sessie, zoals het type apparaat, de taalinstelling van de browser en de beschikbaarheid van betaalmethoden, naast signalen op netwerkniveau, zoals welke betaalmethoden het beste presteren voor vergelijkbare bedrijven en klanten. En omdat de optimale set betaalmethoden verandert naarmate het gedrag van klanten, regionale voorkeuren en de beschikbaarheid van betaalmethoden verschuiven, onderzoekt het systeem ook continu de prestaties van nieuwe configuraties.
Valuta is een andere variabele met grote invloed. De meeste klanten betalen het liefst in hun lokale valuta, en Stripe’s Adaptive Pricing gebruikt een AI-model dat de valutapreferentie van een klant voorspelt, wat heeft bijgedragen aan een stijging van 17,8% in de grensoverschrijdende omzet.
Het netwerkeffect van opgeslagen inloggegevens
Zelfs een geoptimaliseerd afrekenproces zorgt nog steeds voor wrijving als de klant een kaartnummer moet invoeren. Voor terugkerende klanten is die wrijving onnodig. Link, een digitale wallet ontwikkeld door Stripe, maakt daar een einde aan. Als een klant een betaalmethode heeft opgeslagen bij Link, kan Stripe hem herkennen aan de hand van cookies, accountgegevens of andere authenticatiesignalen. De klant kan dan sneller afrekenen bij elk bedrijf waar Link is ingeschakeld, ook bij bedrijven die hij nog nooit eerder heeft bezocht.
Elk nieuw bedrijf dat Link gaat gebruiken, verbetert de ervaring voor klanten in het hele netwerk, en elke extra opgeslagen inloggegevens verhogen de waarde van Link voor bedrijven. 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.
Alles bij elkaar zorgen dynamische volgorde van betaalmethoden, Adaptive Pricing en opgeslagen inloggegevens voor een gemiddelde omzetstijging van 11,9% voor bedrijven die de Optimized Checkout Suite gebruiken.
2. Fraude-evaluatie
Na een betalingspoging verschuift de focus van conversie naar het beoordelen of de transactie legitiem is, met behulp van AI die is getraind op gegevens van miljoenen bedrijven en een jaarlijks betalingsvolume van meer dan een biljoen dollar. Bij kaartbetalingen is de kans groter dan 92% dat Stripe een bepaalde kaart al eerder heeft gezien. En het netwerk van Stripe reikt veel verder dan alleen kaarten: we zien 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
Verschillende vormen van fraude vragen om verschillende modellen en signalen. Kaarttesten hebben bijvoorbeeld een ander kenmerk dan fraude met gestolen kaarten, waarbij een echte persoon iets probeert te kopen met de betaalmethode van iemand anders. Zelfs binnen fraude met gestolen kaarten hanteert Stripe verschillende voorspellingen: of de kaart waarschijnlijk gestolen is, of de transactie waarschijnlijk tot een frauduleuze chargeback leidt, of deze waarschijnlijk een vroegtijdige fraudewaarschuwing van het kaartnetwerk activeert, en of Stripe de transactie zelfstandig als frauduleus beoordeelt – zelfs als de bank deze waarschijnlijk niet zal betwisten.
De fraudedetectiemodellen van Stripe Radar maken gebruik van drie lagen signalen. De eerste is het Stripe-netwerk zelf: geaggregeerde patronen van alle bedrijven en transacties op Stripe. De tweede is externe data, waaronder gestolen kaartgegevens die via het internet worden verzameld. Ten derde gebruiken ze bedrijfsspecifieke signalen: Radar leert patronen die uniek zijn voor elk bedrijf en gebruikt deze om nieuwe activiteiten te vergelijken met het gebruikelijke gedrag van dat bedrijf.
Bedrijven kunnen deze voorspellingen op verschillende manieren gebruiken, afhankelijk van hun risicobereidheid. Een bedrijf dat zeer risicomijdend is, kan ervoor kiezen om alle voorspelde fraude te blokkeren, ongeacht of de uitgever het zou betwisten. Een bedrijf dat zich richt op het maximaliseren van de 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 reikwijdte van deze voorspellingen breidt zich uit. Vroeger richtten fraudemodellen zich vooral op gestolen kaarten en kaarttesten. Maar er ontstaan nieuwe patronen van fraude en misbruik, vooral nu kwaadwillenden zich steeds vaker richten op AI-diensten met hoge rekenkosten door gebruik te maken van gratis proefperiodes of door gebruikskosten op te bouwen die niet worden betaald. Dit zijn geen traditionele vormen van betalingsfraude, maar ze vereisen dezelfde aanpak: duidelijke voorspellingen, getraind op de juiste signalen, die worden gebruikt om de juiste reactie te sturen.
De juiste interventie kiezen
Risicoscores geven geen specifiek interventiebeleid aan. De eenvoudigste reactie is het blokkeren van een risicovolle transactie, maar een vals-positieve uitslag betekent gederfde inkomsten. De vraag is of er een minder kostbare manier is om het risico te beperken.
Stripe behandelt de keuze van een interventie als een contextueel bandit-probleem, waarbij wordt gekozen uit een reeks acties – zoals het tonen van een CAPTCHA-uitdaging of het aanvragen van 3DS – en de verwachte uitkomst van elke actie wordt gemodelleerd. De impact varieert per context: veel Amerikaanse uitgevers hebben bijvoorbeeld lage 3DS-voltooiingspercentages, en het toevoegen van een 3DS-uitdaging bij die uitgevers leidt misschien niet tot minder fraude, maar zal zeker de conversie schaden.
Voor elke mogelijke interventie schat Stripe de impact op de conversie, de kosten en de fraudecijfers. Het model selecteert de interventie 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 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 beslist of authenticatie moet worden gevraagd. Dit deel richt zich op wat er gebeurt als 3DS de gekozen route is. 3DS is geen enkelvoudig proces. Het is een reeks opties met 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 drie concurrerende doelstellingen: compliance van regelgeving, fraudepreventie en conversie. Dat vereist transactiespecifieke beslissingen waarbij rekening wordt gehouden met risicosignalen, de context van het apparaat en het gedrag van de uitgever, om te kiezen tussen een volledige challenge, een soepele vrijstelling, een gegevensuitwisseling op de achtergrond of helemaal geen authenticatie.
Vrijstellingen en verificaties
De authenticatie-engine van Stripe gebruikt Radar-fraudescores om in aanmerking komende transacties via het pad met de minste wrijving te leiden. Transacties met een laag risico onder de wettelijke drempel maken gebruik van een vrijstelling voor lage waarden, waarbij authenticatie volledig wordt overgeslagen. Boven die drempel vraagt de engine, indien van toepassing, om een TRA-vrijstelling. Transacties met een gemiddeld risico kunnen gebruikmaken van ‘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
Het kiezen van een authenticatiepad is slechts een deel van de uitdaging. De implementatiedetails binnen een bepaald pad zijn ook belangrijk. 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 het kan de conversie verbeteren als het lukt. Maar het zorgt ook voor extra vertraging, waardoor de authenticatie helemaal kan mislukken.
Stripe voerde een multivariate A/B-test uit om te bepalen hoe lang je optimaal kunt wachten op fingerprinting voordat je zonder verdergaat. Dit is een directe afweging: wacht je te lang, dan mislukt de conversie door vertraging; ga je te snel door, dan verliest de uitgever de informatie die zijn beslissing had kunnen verbeteren. De optimale time-out varieert per apparaat en uitgever. Sinds maart 2025 heeft deze optimalisatie meer dan $39 miljoen aan betalingen teruggewonnen.
3DS als herhalingsstrategie
De meeste verwerkers beschouwen een risicogerelateerde afwijzing als definitief. Verrassend genoeg hebben onze tests aangetoond dat het achteraf toevoegen van authenticatie de betaling kan herstellen. Dat gezegd hebbende, voegt 3DS-authenticatie vertraging toe, zorgt voor wrijving en brengt eigen verwerkingskosten met zich mee. De vraag is dus niet simpelweg: “Zou 3DS helpen om deze betaling te herstellen?”, maar: “Is de verwachte waarde van een nieuwe poging met 3DS groter dan de kosten ervan?”
Stripe modelleert dit direct op basis van de specifieke afwijzingsreden, de uitgever, het kaarttype en het 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 opbrengst de kosten rechtvaardigt. Deze optimalisatie heeft het wereldwijde geautoriseerde betalingsvolume 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. Stripe verbetert de resultaten hier door middel van routing, optimalisatie van autorisatieberichten en herhalingspogingen.
Routing
Stripe kan betalingen via meerdere gateways en rails routeren, zoals regionale debetnetwerken, en kan bij de eerste poging het meest kosteneffectieve pad selecteren. In veel gevallen schaden alternatieve rails de conversie juist, 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 doorsturen van de nieuwe poging via debetrails de transactie mogelijk 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.
Ten eerste experimenteert Stripe voortdurend met de opmaak en inhoud van ISO-velden bij verschillende uitgevers, kaarttypes en regio's. Door de omvang van het Stripe-netwerk bereiken zelfs experimenten met een klein verwacht effect binnen enkele uren statistische significantie. Veel succesvolle veranderingen zijn klein, maar op netwerkniveau kunnen zelfs verbeteringen met een klein effect snel worden gemeten en een totale impact opleveren die jaarlijks tientallen miljoenen dollars waard is. Stripe voert elke week tientallen van deze experimenten uit, en de voordelen stapelen zich in de loop van de tijd op.
Ten tweede deelt Stripe signalen over frauderisico’s met uitgevers. Uitgevers 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 dezelfde bedrijfsoverschrijdende netwerkpatronen die Stripe wel ziet, zoals 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, kan het delen van dat signaal het aantal onterechte afwijzingen verminderen.
Ten derde optimaliseert Stripe het gebruik van 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 het optimalisatieprobleem is niet simpelweg of je die tools wereldwijd moet inschakelen. Netwerktokens verbeteren over het algemeen de autorisatiepercentages en verlagen de kosten, maar er zijn delen van het verkeer waar dat niet zo is: uitgevers met slechte tokenondersteuning, of transactiepatronen waarbij tokenisatie de goedkeuringspercentages schaadt of fraude verhoogt. Stripe leert waar tokens helpen en waar niet, en past ze selectief toe.
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 autorisatie en vereffening optimaliseert Stripe op twee dingen: het verlagen van de kosten voor het afwikkelen van de transactie en het opsporen van fraude die pas na 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
Fraudesignalen blijven zich ontwikkelen nadat een betaling is geautoriseerd. In de uren nadat een transactie is voltooid, kan Stripe waarnemen dat dezelfde kaart elders op het netwerk wordt gebruikt bij een bevestigde fraudeaanval, of dat een apparaatvingerafdruk nieuw is gekoppeld aan een patroon van geschillen. Deze signalen kunnen de risicobeoordeling van een reeds geautoriseerde betaling wezenlijk 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 ontfutselen, geeft Stripe extra signalen om hem te pakken en de eerdere afschrijving terug te draaien voordat het tot een chargeback leidt. Wanneer risicosignalen na autorisatie escaleren, kan Stripe proactief het bedrag terugbetalen of de afschrijving terugdraaien voordat het tot een geschil leidt.
6. Geschillen
Zelfs na upstream-optimalisatie zullen sommige transacties worden betwist. Het bedrijf betaalt een geschilvergoeding, draagt de operationele kosten van het reageren en verliest het transactiebedrag als het geschil wordt verloren. Als het geschillenpercentage van een bedrijf de drempels van de kaartnetwerken overschrijdt, kan het bedrijf in een monitoringsprogramma worden geplaatst met escalerende boetes. Geschillen zijn op zichzelf al duur, en in totaal nog duurder.
Het afhandelen van geschillen is een ander optimalisatieprobleem. Upstream is het doel om de verwachte winst op elke transactie in realtime te maximaliseren. Hier is het doel echter om de totale kosten van geschillen te minimaliseren, waarbij drie mogelijke reacties mogelijk zijn: het geschil afwijzen op het moment van de aanvraag, het oplossen voordat het wordt ingediend, of het achteraf aanvechten. Elke reactie heeft andere verwachte kosten, een ander slagingspercentage en een ander effect op de reputatie van het bedrijf bij de kaartnetwerken. De juiste strategie hangt af van het geschilbedrag, de redencode, de beschikbaarheid van bewijs en de mate waarin het bedrijf de monitoringdrempels benadert.
Afwijzing
Stripe integreert met Visa’s Verifi en Mastercard’s Ethoca om verbeterde transactiedetails aan uitgevers te leveren voordat geschillen worden ingediend. Aankoopbeschrijvingen, bedrijfsgegevens en transactiemetadata vergroten de kans dat een kaarthouder de afschrijving herkent en deze niet verder escaleert. 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), kan het resulterende bewijs voldoen aan de Compelling Evidence (CE) 3.0-criteria van Visa. In die gevallen is de uitgever verplicht om te voorkomen dat het geschil wordt ingediend. Voor bedrijven met terugkerende klanten kan dit voorkomen dat frauduleuze chargebacks in het chargebackproces terechtkomen.
Oplossing
Verifi en Ethoca maken het ook mogelijk om geschillen op te lossen voordat ze formeel in het chargebackproces terechtkomen. Wanneer een kaarthouder een geschil start, sturen deze netwerken een waarschuwing naar Stripe voordat de terugboeking 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). Dit voorkomt de terugboekingskosten en, nog belangrijker, zorgt ervoor dat het incident niet meetelt voor het geschillenpercentage van het bedrijf.
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 wel 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. De meeste individuele bedrijven zien niet genoeg geschillen om die patronen betrouwbaar te leren.
Het Smart Disputes-systeem van Stripe is getraind op basis van de uitkomsten van geschillen bij miljoenen transacties en leert welke combinaties het meest effectief zijn in een bepaalde context. Het stelt automatisch een op maat gemaakt bewijspakket samen en dient dit in, en bedrijven kunnen dit aanvullen met hun eigen bewijs voordat het wordt ingediend. Early adopters hebben gemiddeld 13% meer chargebacks gewonnen.
De toekomst van betalingsoptimalisatie
De hier beschreven optimalisaties zijn fase-specifiek, maar hun effecten stapelen zich op gedurende de volledige betalingscyclus. Betere fraudescores kunnen ervoor zorgen dat minder frauduleuze transacties de autorisatiefase bereiken. Sterkere authenticatie betekent dat bij meer transacties de aansprakelijkheid wordt overgedragen. En interventies na autorisatie keren risicovolle afschrijvingen terug voordat ze kunnen worden betwist. Tegen de tijd dat een transactie de chargebackfase 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. Dit is waar meerfasige optimalisatie het duidelijkst cumuleert.
Rijkere doelstellingen
De kwaliteit van de optimalisatie hangt af van hoe nauwkeurig Stripe kan weergeven waar een bedrijf daadwerkelijk om geeft. Tegenwoordig laten tools zoals de risicovoorkeuren van Radar bedrijven hun fraudetolerantie aangeven. 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 tolereren 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 moeten dit allemaal weten en zich daarop 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 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 uitgebreid 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 betaaloptimalisaties 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
Aan de basis van dit alles ligt continu experimenteren. Stripe voert experimenten uit over de hele betalingscyclus en meet de effecten op autorisatiepercentages, fraude, verwerkingskosten en interchange. Nieuwe ideeën worden continu getest, en de succesvolle worden automatisch doorgegeven aan bedrijven op Stripe. In de afgelopen twee jaar is het tempo van het experimenteren meer dan verviervoudigd.
Bedrijven die rijkere input leveren, zoals margegegevens, afgestemde risicovoorkeuren en productmetadata, breiden het optimalisatiegebied nog verder uit. Neem contact met ons op; we werken graag met je samen.