Pagamentos como um problema de otimização em múltiplas etapas

A otimização de pagamentos é frequentemente tratada como um problema de taxa de autorização: enviar uma mensagem bem estruturada ao emissor e maximizar a chance de que ela retorne aprovada. Na prática, porém, as possibilidades de otimização são muito mais amplas. Um pagamento passa por várias etapas: checkout, avaliação de fraude, autenticação, autorização, compensação e contestações, e cada uma delas apresenta oportunidades para aumentar a conversão, reduzir custos e prevenir fraudes.

A Stripe aplica otimizações em todas as etapas, desde a personalização do formulário de checkout, até decisão de solicitar um desafio 3DS ou uma isenção, além da formatação dos campos da mensagem de autorização. A intervenção correta em uma etapa muitas vezes depende do que aconteceu em outra: um modelo de fraude que bloqueia de forma muito agressiva melhorará as taxas de contestação, mas prejudicará a conversão, e uma estratégia de autenticação que minimize o atrito sem levar em conta o apetite de risco produzirá mais recusas e contestações nas etapas seguintes. Os melhores resultados surgem ao levar em conta essas interações e ao construir sistemas em cada etapa que estejam cientes de seu impacto sobre todas as outras.

Este guia descreve como a Stripe otimiza os pagamentos nessas etapas, gerando até $ 27 bilhões por ano em receita incremental, ajudando a reduzir a fraude em média em 38% e diminuindo os custos de processamento em até 2,8% para as empresas da Stripe.

1. Checkout

A maior parte da receita que as empresas perdem nunca é recusada por um emissor. Em vez disso, ela é abandonada no checkout.

Um cliente na Holanda que não vê o iDEAL pode abandonar o carrinho. Um cliente no Brasil que vê preços em USD pode não concluir uma compra porque não tem certeza se, ou quais, tarifas de câmbio podem aparecer em seu extrato. Um cliente que esteja considerando uma compra de alto valor, sem a opção de parcelar o pagamento com um provedor de compre agora e pague depois, pode simplesmente decidir que a transação não vale a pena. Esses não são casos isolados; mostrar até mesmo uma forma de pagamento que não seja relevante para um cliente pode reduzir a conversão em até 15%.

Personalização do formulário de checkout

O checkout ideal é diferente para cada transação. O conjunto correto de formas de pagamento e seus pedidos, a moeda, quais campos do formulário exibir e se deve iniciar uma intervenção contra fraude dependem de quem é o cliente, onde ele está, o que está comprando e qual dispositivo está usando. Uma configuração estática não consegue acompanhar isso.

A Stripe trata isso como uma série de decisões em tempo real. Considere a seleção de formas de pagamento. A abordagem clássica é escolher uma configuração e mantê-la, mas o conjunto ideal de formas de pagamento muda à medida que o comportamento dos clientes, as preferências regionais e a disponibilidade dos métodos evoluem. Isso é conhecido como um problema de bandido de múltiplos braços, nome inspirado em um jogador diante de uma fileira de máquinas caça-níqueis com taxas de repasse desconhecidas. É preciso continuar testando novas opções para descobrir qual tem melhor desempenho, ao mesmo tempo em que se continua lucrando com o que já está funcionando. Os modelos de IA da Stripe, treinados com bilhões de transações, gerenciam continuamente esse equilíbrio, incorporando sinais da própria sessão, como tipo de dispositivo, localidade do navegador e disponibilidade de foras de pagamento, juntamente com sinais em nível de rede, como os métodos de pagamento preferidos por empresas semelhantes.

A moeda também é uma dimensão particularmente importante. A maioria dos clientes prefere pagar em sua moeda local, e o Adaptive Pricing da Stripe utiliza um modelo de IA que prevê a verdadeira preferência de moeda do cliente, ajudando a gerar um aumento de 17,8% na receita de transações internacionais.

Consideradas em conjunto, essas otimizações, ordenação dinâmica de formas de pagamento, Adaptive Pricing e credenciais salvas, geram um aumento médio de 11,9% na receita para empresas que utilizam o Pacote de Otimização de Checkout.

O efeito de rede das credenciais salvas

Mesmo o melhor checkout personalizado ainda exige que o cliente digite o número do cartão. Para clientes recorrentes, isso é um atrito desnecessário. O Link, uma carteira digital criada pela Stripe, elimina esse problema. Se um cliente tiver uma forma de pagamento salva no Link, o sistema o reconhece, seja por meio de cookies, dados da conta ou outros métodos de autenticação. O cliente pode então pagar mais rapidamente em qualquer empresa com o Link habilitado na rede Stripe, mesmo em uma que nunca tenha visitado antes. Esse é um efeito de rede no sentido literal. Cada nova empresa que adota o Link melhora a experiência para clientes em todas as outras empresas, e vice-versa. O Link agora conta com mais de 200 milhões de formas de pagamento salvas, e empresas com uma grande base de clientes recorrentes observaram um aumento médio de 14% na conversão de usuários recorrentes.

2. Avaliação de fraude

Uma vez que um pagamento é tentado, o problema muda. A questão não é mais se o cliente vai comprar, mas se a transação é legítima. Há mais de 92% de chance de que a Stripe já tenha visto o cartão antes. Mas a rede da Stripe vai muito além dos cartões. Entre milhões de empresas, nossa rede observa correlações entre formas de pagamento, dispositivos e padrões de transação que ajudam a diferenciar atividades legítimas de fraudes. Os modelos de fraude da Stripe usam esses sinais agregados para avaliar o risco de cada transação.

Avaliação de risco

Testes de cartão exigem modelos e sinais diferentes dos usados para fraudes com cartão roubado, em que um ser humano real tenta comprar com a forma de pagamento de outra pessoa. Apenas para fraudes com cartão roubado, a Stripe mantém várias previsões distintas: este cartão provavelmente foi roubado? Essa transação resultará em uma contestação por fraude? Ela vai acionar um alerta antecipado de fraude da rede de cartões? E mesmo que o banco provavelmente não vá contestar, a Stripe acredita que a transação é fraudulenta? Cada previsão tem implicações diferentes sobre o que deve acontecer a seguir.

Os modelos se baseiam em três camadas de sinais. A primeira é a própria rede da Stripe: padrões agregados observados em mais de $ 1 trilhão em volume anual de pagamentos, abrangendo milhões de empresas. A segunda é composta por dados externos, como credenciais de cartões comprometidas coletadas em diversas fontes da internet. A terceira é específica de cada empresa: por meio de embeddings de negócios aprendidos, o Stripe Radar captura o que é considerado comportamento normal para uma determinada empresa, ao mesmo tempo em que se beneficia da abrangência do modelo global.

O escopo dessas previsões também está se expandindo. Historicamente, fraude significava cartões roubados e testes de cartão. Mas um cliente que se inscreve abusivamente em milhares de testes gratuitos ou com desconto provavelmente nunca se converterá em cliente pagante, e o próprio teste gera custos diretos para a empresa. Hoje, um cliente em um plano de cobrança por uso pode acumular cobranças que não tem intenção de pagar. Isso não é uma forma tradicional de fraude de pagamento, mas exige a mesma disciplina: previsões distintas, treinadas com os sinais corretos e usadas para orientar a resposta adequada.

Essas previsões podem ser usadas de formas diferentes, dependendo do apetite de risco de uma empresa. Uma empresa altamente avessa ao risco pode bloquear todas as fraudes previstas, independentemente de o emissor vir a contestar ou não. Uma empresa focada em maximizar a conversão pode optar por bloquear apenas transações que provavelmente resultarão em contestações por fraude. Já uma empresa que esteja se aproximando de um limite de monitoramento de uma bandeira de cartão pode bloquear tanto as contestação fraudulenta quanto as transações com probabilidade de acionar alertas antecipados de fraude.

Escolha da intervenção certa

Uma avaliação de risco é uma previsão de quão perigosa uma transação é, mas não diz o que fazer a respeito. A resposta mais simples é bloquear a transação, mas um falso positivo significa perda de receita. A questão é se existe uma forma menos cara de mitigar esse risco.

A Stripe trata a seleção de intervenções como um problema contextual de bandidos, escolhendo entre um conjunto de ações e modelando o resultado esperado de cada uma. Algumas intervenções são familiares, como apresentar um desafio CAPTCHA para filtrar bots ou solicitar 3DS. Estes são alguns exemplos de um conjunto mais amplo de intervenções, cada uma afetando conversão, fraude e custo de forma diferente, e o impacto varia conforme o contexto. Muitos emissores nos EUA, por exemplo, têm baixas taxas de conclusão de 3DS: adicionar um desafio 3DS nesses emissores pode não reduzir a fraude, mas certamente prejudica a conversão.

A Stripe modela isso. Selecionamos entre essas intervenções estimando o lucro esperado. Para cada intervenção possível, A Stripe estima como a probabilidade de conversão, probabilidade de fraude e custo mudam dependendo de qual for selecionado. Uma transação encaminhada para um desafio 3DS frequentemente apresenta probabilidade quase zero de contestação por fraude, mas uma probabilidade de conversão mensuravelmente menor. O modelo seleciona a intervenção que maximiza o lucro esperado, considerando o perfil de risco da transação, as preferências de risco da empresa e o emissor e forma de pagamento específicos envolvidos.

Em meio a essas previsões e intervenções, o Radar reduz a fraude em 38%, em média, para as empresas na Stripe, enquanto bloqueia menos de 0,05% das transações legítimas.

3. Autenticação

A seção anterior descreveu como a Stripe seleciona as intervenções, incluindo se deve ou não acionar a autenticação 3DS. Esta seção vai mais fundo no que acontece quando o 3DS é o caminho escolhido, pois a decisão não termina aí. O 3DS é uma família de opções com implicações muito diferentes para conversão, custo e conformidade, e a escolha correta depende do risco da transação, do contexto regulatório e do emissor específico envolvido.

Estamos otimizando simultaneamente três objetivos concorrentes: conformidade regulatória, prevenção a fraudes e conversão. A resposta correta é tomar uma decisão diferente para cada transação, usando tudo o que você sabe sobre seu risco, o dispositivo do cliente e o comportamento do emissor para escolher entre um desafio completo, uma isenção sem atritos, uma troca de dados nos bastidores ou nenhuma autenticação.

Isenções e desafios

O mecanismo de autenticação da Stripe usa as pontuações de fraude do Radar para direcionar as transações elegíveis pelo caminho de menor atrito disponível. Transações de baixo risco, abaixo do limite regulatório recebem uma isenção de baixo valor, pulando completamente a autenticação. Acima do limite, o mecanismo solicita uma isenção TRA, quando aplicável. Quando o risco é moderado, utiliza a autenticação apenas com dados (Data Only), compartilhando impressões digitais do dispositivo e contexto de transação com o emissor nos bastidores, de modo que o cliente nunca vê um desafio. Um desafio completo de 3DS é reservado para casos em que o risco justifica ou quando nenhuma isenção está disponível.

A pontuação de fraude é a variável de ramificação em cada ponto, e o mecanismo se adapta ao comportamento do emissor: alguns emissores aprovam fluxos apenas com dados (Data Only) de forma confiável, enquanto outros não, e a Stripe direciona as transações de acordo. No volume europeu, a autenticação apenas com dados (Data Only) gera, sozinha, $ 147 milhões em volume de pagamentos autorizados adicionais e mais de $ 2,5 milhões em economia para as empresas a cada mês.

Otimização do tempo de expiração da impressão digital

A árvore de decisão determina qual caminho de autenticação uma transação deve seguir. Mas mesmo dentro de um determinado caminho, há otimizações adicionais. Considere a coleta de impressão digital, a primeira etapa opcional de qualquer fluxo 3DS. A impressão digital 3DS coleta informações do dispositivo e do navegador por meio de um iframe para ajudar o banco emissor a avaliar o risco da transação. É uma etapa opcional no protocolo, suportada por cerca de 68% das transações na Stripe, e pode melhorar a conversão quando bem-sucedida. No entanto, o processo leva tempos variados em diferentes dispositivos, e a latência adicional pode causar a falha total da autenticação.

Esse é o tipo de problema que se beneficia de medições precisas. A Stripe realizou um teste A/B multivariável para determinar o tempo ideal de esperar pela impressão digital antes de prosseguir sem ela. Esse é um equilíbrio delicado: esperar tempo demais faz você perder clientes devido à latência; pular cedo demais faz perder informações que poderiam ter melhorado a decisão do emissor. O tempo de expiração ideal varia conforme o dispositivo e o emissor, e encontrá-lo recuperou mais de US$ 39 milhões em pagamentos desde março de 2025.

3DS como estratégia de retentativa

A maioria dos processadores considera um pagamento recusado relacionado ao risco como definitivo. Uma das otimizações mais contraintuitivas que exploramos é que, para essas recusas, adicionar autenticação posteriormente pode recuperar o pagamento.

A autenticação 3DS adiciona latência, gera atrito e envolve seu próprio custo de processamento. Portanto, a questão não é simplesmente "o 3DS ajudaria?", mas "o valor esperado de tentar novamente com 3DS supera o custo de fazê-lo?" A Stripe modela isso diretamente com base em um motivo específico de recusa, emissor, tipo de cartão e perfil da transação. Alguns códigos de recusa são quase determinísticos (o cartão é realmente inválido, e nenhuma autenticação fará diferença). Outros indicam que o emissor quer mais garantia de que o titular do cartão está presente, e um desafio 3DS fornece exatamente isso. O modelo aprende quais códigos, em quais emissores, respondem à autenticação, e direciona retentativas apenas onde a recuperação esperada justifica o custo. Essa otimização aumentou o volume global de pagamentos autorizados em mais de US$ 1 bilhão anualmente.

4. Autorização

Uma vez que uma transação foi avaliada quanto a fraude e, quando apropriado, autenticada, ela é enviada ao banco emissor para autorização. Esta é mais uma oportunidade de influenciar as taxas de autorização, a fraude e os custos de processamento (para empresas IC+). A Stripe atua nessas três grandes categorias: escolhendo como direcionar o pagamento, tornando a mensagem de autorização o mais eficaz possível e recuperando pagamentos que falham na primeira tentativa.

Direcionamento

A Stripe pode direcionar pagamentos por meio de múltiplos gateways e redes, como redes regionais de débito, e pode selecionar o caminho mais econômico na primeira tentativa. Para muitos pagamentos, redes alternativas na verdade prejudicam a conversão, então os modelos aprendem onde essas rotas reduzem custos sem sacrificar a aceitação. Na retentativa, o cálculo muda: se uma transação de débito com assinatura for recusada, direcionar a retentativa pelas redes de débito pode recuperá-la.

Mensagens de autorização

O conteúdo da mensagem ISO 8583 que o emissor recebe, e o contexto ao seu redor, afeta significativamente a aprovação de um pagamento. A Stripe otimiza isso em vários aspectos.

A primeira é a própria mensagem. A Stripe experimenta continuamente com a formatação e o conteúdo dos campos ISO, testando mudanças entre emissores, tipos de cartões e geografias. O volume da rede Stripe faz com que, mesmo experimentos com tamanhos de efeito esperados pequenos, atinjam significância estatística em poucas horas, e a Stripe executa dezenas desses testes toda semana. Experimentos bem-sucedidos costumam ser surpreendentemente pequenos: por exemplo, uma pequena alteração em quais transações são submetidas para autorização. O efeito é difícil de ser percebido por qualquer empresa diferenciar isoladamente, mas na escala da Stripe é mensurável com alta confiança e representa dezenas de milhões de dólares anualmente no total. Essas melhorias se acumulam.

A segunda é o compartilhamento de sinais de risco de fraude com os emissores. Os emissores têm sua própria visão de risco, frequentemente estabelecida no histórico de gastos do titular do cartão, na situação da conta e no comportamento em toda a sua carteira. Mas eles não veem o que a Stripe vê: o comportamento do cliente em outras formas de pagamento, ou os padrões de fraude associados a um determinado endereço de e-mail ou endereço de entrega. A Stripe criou a Rede Aprimorada de Emissores — integrações diretas de compartilhamento de dados do Radar com emissores, incluindo Capital One, Discover e American Express — para preencher essa lacuna. Quando a Stripe acredita que uma transação é de baixo risco, compartilhar esse sinal ajuda o emissor a evitar falsas recusas que ele poderia aplicar por conta própria.

A terceira são as credenciais do cartão. Credenciais desatualizadas são uma fonte significativa de recusas desnecessárias. A Stripe usa tokens de rede e atualizador de cartões para manter as credenciais atualizadas, mas a otimização não é simplesmente habilitar essas ferramentas. Tokens de rede geralmente melhoram as taxas de autorização e reduzem custos, mas existem situações em que não, como emissores com suporte ruim a tokens, que prejudicam as taxas de autorização, ou padrões de transação em que aumentam a fraude. A Stripe identifica onde os tokens são eficazes e onde não são, aplicando-os de forma seletiva para maximizar seu benefício.

Retentativas

Algumas recusas são recuperadas. Uma recusa leve baseada em fundos insuficientes ou indisponibilidade temporária do emissor pode ser bem-sucedida em uma segunda tentativa com horário ou rota diferentes. A Stripe realiza retentativas de forma síncrona no momento da cobrança, selecionando um gateway alternativo ou ajustando a mensagem com base no motivo da recusa. Para pagamentos fora de sessão, como assinaturas, a Stripe realiza retentativas de forma assíncrona por meio de cobrança inteligente, utilizando modelos que prevêem quando os fundos provavelmente estarão disponíveis, em vez de tentar novamente em um cronograma fixo.

No total, o Authorization Boost da Stripe, englobando otimizações de direcionamento, mensagem e emissor, além de gestão de credenciais, aumenta, em média, as taxas de aceitação 2,2% e reduz os custos de processamento em até 2,8% para empresas IC+.

5. Compensação​

Uma autorização bem-sucedida não é o fim das oportunidades da otimização. Entre a autorização e o recebimento dos fundos pela empresa, a Stripe otimiza dois aspectos: reduzir o custo de liquidação da transação e identificar fraudes que só se tornam visíveis após a autorização.

Redução de custos

Reembolsar uma transação liquidada é caro. No débito nos EUA, não há devolução de comissão interbancária, o que torna um reembolso após a liquidação de fundos até 24 vezes mais caro do que reverter a autorização antes da compensação. A Stripe prevê quais transações têm probabilidade de serem reembolsadas logo após a captura e, por isso, atrasa sua compensação por um curto período, convertendo reembolsos em reversões. Quase 25% dos reembolsos ocorrem nas primeiras 48 horas, motivo pelo qual até mesmo um atraso breve e direcionado para transações com alta probabilidade de reembolso pode reduzir custos de forma significativa.

Quando são esperadas pequenas alterações no valor de uma transação, como uma gorjeta adicionada a uma cobrança base, a Stripe mantém a autorização aberta e captura o valor total de uma única vez, em vez de incorrer em um segundo conjunto de tarifas. E, para empresas que processam transações com cartões corporativos, o envio de dados detalhados de produtos e impostos no momento da compensação pode qualificar as transações para taxas de intercâmbio mais baixas por meio de programas como o Commercial Enhanced Data Program da Visa.

Redução de fraude

Nas horas após a conclusão de uma transação, a Stripe continua observando sinais de outras transações em toda a rede, como um cartão usado em um ataque de fraude confirmado em outro lugar ou uma impressão digital de dispositivo recentemente vinculada a um padrão de contestações. Esses sinais podem alterar significativamente o quadro de risco de um pagamento já autorizado.

Isso cria uma assimetria que trabalha contra os agentes fraudulentos: cada tentativa subsequente com um cartão roubado coloca suas transações bem-sucedidas anteriores em risco. Um agente mal-intencionado que realiza uma compra bem-sucedida e depois tenta extrair mais valor fornece à Stripe sinais adicionais para identificá-lo e reverter a cobrança anterior antes que ela resulte em um estorno. Quando os sinais de risco se intensificam, a Stripe pode reembolsar ou reverter a cobrança de forma proativa antes que ela resulte em uma contestação.

6. Contestações

Apesar de tudo que aconteceu nas etapas anteriores, algumas transações serão contestadas. A empresa paga uma tarifa de contestação, arca com o custo operacional de responder e, se perder a contestação, a empresa perde o valor transação. Se a taxa de contestação de uma empresa ultrapassar os limites estabelecidos pelas bandeiras de cartões, a empresa pode ser incluída em um programa de monitoramento com penalidades progressivas. As contestações são caras individualmente e ainda mais caras quando consideradas em conjunto.

Como em todas as outras etapas deste guia, as contestações também apresentam um problema de otimização. Mas a estrutura é diferente. Nas etapas anteriores, o objetivo é maximizar o lucro esperado em cada transação em tempo real. Aqui, o objetivo é minimizar o custo total das contestações entre três possíveis respostas: evitar a contestação no momento da consulta inicial, resolvê-la antes que seja formalmente registrada ou contestá-la após o fato. Cada resposta tem um custo diferente, uma taxa de sucesso diferente e um impacto diferente na posição da empresa perante as redes de cartões. A estratégia correta depende do valor da contestação, do código de motivo, da proximidade da empresa dos limites de monitoramento e da força dos comprovantes disponíveis.

Desvio

A Stripe se integra com ao Verifi, da Visa e ao Ethoca, da Mastercard, para fornecer detalhes aprimorados das transações aos emissores (descrições de compra, dados comerciais e metadados de transações) que ajudam o titular do cartão a reconhecer a cobrança antes de uma contestação seja registrada. Nos casos em que a Stripe consegue estabelecer prova de uma relação anterior entre o titular do cartão e a empresa (correspondência de identificadores do cliente, endereço IP ou endereço de entrega a partir de transações anteriores bem-sucedidas), os dados atendem aos requisitos do que a Visa chama de Compelling Evidence (CE) 3.0. Quando os critérios do CE3.0 são atendidos, o emissor é obrigado a impedir que a contestação seja registrada. A taxa de desvio depende da disponibilidade de dados, mas, para empresas com clientes recorrentes, isso pode ajudar a evitar que contestação por fraude entrem no sistema.

Resolução

Nossas integrações com Verifi e Ethoca também permitem que as empresas resolvam contestações antes que elas entrem formalmente no processo de estorno. Quando o titular do cartão inicia uma contestação, essas redes enviam um alerta para a Stripe antes que o estorno seja solicitado. As empresas podem configurar regras para reembolsar automaticamente contestações qualificadas (por exemplo, todas as contestações de "produto não recebido" abaixo de $ 10). O reembolso resolve a contestação instantaneamente, a empresa evita a tarifa de estorno e, o mais importante, as bandeiras de cartões não contabilizam esse caso na taxa de contestações da empresa, o que ajuda a mantê-la fora de programas de monitoramento.

Essas ferramentas de desvio e resolução reduziram as taxas de contestação em 51%, em média, considerando códigos de motivo de fraude e de não fraude.

Contestação de disputa

Para contestações que avançam para um estorno, o problema de otimização passa da prevenção para a montagem de comprovantes. Quais comprovantes, em qual formato, maximizam a probabilidade de vencer uma determinada contestação? A resposta varia conforme o código de razão, o emissor e o tipo de transação, e qualquer empresa individual provavelmente vê contestações em número insuficiente para aprender esses padrões.

O sistema Smart Disputes da Stripe é treinado com os resultados de contestações em milhões de transações, fornecendo sinais suficientes para identificar o que funciona. O sistema aprende quais combinações são mais eficazes em cada contexto. Ele monta e envia automaticamente um pacote de comprovantes personalizado, e as empresas podem complementá-lo com seus próprios comprovantes antes da submissão. Os primeiros adotantes obtiveram, em média, 13% mais vitórias em estornos.

O futuro da otimização de pagamentos

As otimizações descritas neste guia abrangem todo o ciclo do pagamento e se acumulam. Uma melhor pontuação de fraude pode levar a menos transações fraudulentas chegando à etapa de autorização. Uma autenticação mais robusta significa que mais transações passam a contar com transferência de responsabilidade. E intervenções após a autorização revertem cobranças de alto risco antes que possam ser contestadas. Quando uma transação chega à fase de contestação, ela já passou por várias camadas de otimização.

Previsões cumulativas

Quanto mais resultados a Stripe puder prever com precisão, melhores se tornam todas as decisões posteriores. Estamos investindo em modelos que preveem a probabilidade de reembolso no momento da cobrança para otimizar o momento da compensação. Também estamos desenvolvendo previsões mais precisas dos custos esperados das redes, para que os modelos de roteamento possam fazer compensações mais exatas entre custo e taxa de aprovação.

Cada nova previsão melhora todo o ciclo do pagamento. É aí que o efeito cumulativo da otimização multiestágio se torna mais visível.

Funções-objetivo mais avançadas

Os modelos de otimização da Stripe são tão bons quanto o entendimento deles sobre o que uma empresa realmente valoriza. Hoje, ferramentas como as preferências de risco do Radar permitem que as empresas expressem sua tolerância à fraude. Mas isto é apenas um ponto de partida. Uma empresa que vende bens digitais com margens de 60% deve tolerar um nível de risco de fraude muito diferente de uma empresa que vende bens físicos com margens de 8%, e algumas empresas vendem ambos. O modelo de fraude, o mecanismo de autenticação e o otimizador de autorização devem saber disso, e devem ajustar de acordo.

Algumas empresas se preocupam especificamente com contestações por fraude; outras querem minimizar todo risco, incluindo fraude de primeira parte e abuso de políticas. Algumas estão dispostas a aceitar níveis mais altos de fraudes em troca de maximizar a conversão durante um período promocional. Quanto mais precisamente a Stripe conseguir capturar a economia e as prioridades reais de uma empresa, melhor cada modelo em desenvolvimento pode otimizar em nome dessa empresa.

Modelos maiores

Os modelos da Stripe estão se tornando mais amplos e mais profundos. Recentemente, ampliamos o conjunto de dados de treinamento do nosso modelo de fraude de aproximadamente 800 milhões para mais de 11 bilhões de transações históricas, cobrindo uma gama muito mais ampla de geografias, produtos e padrões de fraude. Nossas redes neurais profundas conseguem aprender com esse volume de dados de maneiras que os modelos tradicionais não conseguem, e estamos levando isso ainda mais adiante. Estamos desenvolvendo modelos multitarefa que preveem vários resultados simultaneamente, o que permite que os modelos compartilhem representações entre diferentes tarefas, de modo que o sinal de uma previsão fortaleça outra.

Agentes para problemas não estruturados

A maioria das otimizações descritas neste guia opera sobre dados estruturados, como valores de transação, códigos de recusa, impressões digitais de dispositivos e pontuações de fraude. Mas alguns dos problemas de maior valor em pagamentos envolvem informações não estruturadas. A contestação de disputas é um exemplo claro, pois exige montar um conjunto de comprovantes convincente, interpretar regras das redes (a Visa e a Mastercard publicam, cada uma, centenas de páginas de regulamentos de contestações que são atualizados regularmente), relacionar o tipo correto de comprovante ao código de motivo específico e ao emissor, e sintetizar os dados da transação em uma narrativa coerente. Estamos desenvolvendo agentes capazes de interpretar diretamente os regulamentos das redes e combinar esse entendimento com modelos de IA que preveem quais comprovantes são mais persuasivos para um determinado cenário de contestação, lidando com casos que sistemas baseados em regras não conseguem resolver.

Experimentação

Além de qualquer iniciativa individual, a Stripe realiza experimentos continuamente ao longo de toda a jornada de pagamento. Todo experimento no ciclo do pagamento é instrumentado para medir o impacto nas taxas de autorização, na fraude, nos custos de processamento e no intercâmbio. Toda semana, novas ideias são testadas, e as que têm sucesso são enviadas automaticamente para as empresas da Stripe. Cada otimização neste guia foi descoberta, testada e implantada por meio desse processo, e o ritmo de experimentação aumentou mais de 4 vezes nos últimos 2 anos.

E, para empresas que querem ir além, compartilhando dados de margem, ajustando preferências de risco, fornecendo informações mais detalhadas sobre produtos e testando novas ideias, as possibilidades de otimização só aumentam. Entre em contato conosco; teremos o prazer em colaborar.