Betalningar som ett flerstegsoptimeringsproblem
Betalningsoptimering beskrivs ofta som ett problem med auktorisering, men auktorisering är bara en del av ett större system. Varje transaktion går igenom kassan, utvärdering av bedrägerier, autentisering, auktorisering, clearing och tvister, med olika beslutspunkter i varje steg. Dessa beslut är beroende av varandra: en bedrägerimodell som blockerar för aggressivt kan minska tvistfrekvensen men också minska konverteringen, medan en autentiseringsstrategi som minimerar friktionen utan att ta hänsyn till risk kommer att öka antalet nekade betalningar och tvister.
Stripe tillämpar optimeringar i alla skeden, från att anpassa kassan till beslutet om att begära en 3DS-autentiseringsfråga eller ett undantag, till att formatera fälten i ett auktoriseringsmeddelande. Under hela betalningens livscykel ger dessa optimeringar så mycket som 27 miljarder USD per år i ökade intäkter, minskar bedrägerierna med i genomsnitt 38 % och sänker behandlingskostnaderna med upp till 2,8 % för företag på Stripe.
1. Kassan
De flesta misslyckade transaktioner når aldrig auktorisering, de försvinner i kassan. En kund i Nederländerna som inte ser iDEAL kan överge sin kundvagn. En kund i Brasilien som ser priser i USD kan tveka eftersom den slutliga kostnaden med valutaväxlingsavgifter är osäker. En kund som överväger ett stort köp utan möjlighet att dela upp betalningen med en köp nu, betala senare-leverantör kan besluta att inte köpa alls.
Personalisering i kassaformuläret
Den optimala kassan är olika för varje transaktion. Rätt uppsättning med betalningsmetoder och hur de är rangordnade, valutan och vilka fält som visas, och beslutet om att påbörja en bedrägeriåtgärd beror alla på vem kunden är, var hen befinner sig, vad hen köper och vilken enhet hen använder.
Stripe behandlar dessa frågor som en serie realtidsbeslut. Valet av en betalningsmetod är ett exempel: Stripes AI-modeller, som tränats på flera miljarder transaktioner, väljer vilka betalningsmetoder som ska visas per kassasession beroende på signaler på sessionsnivå som enhetstyp, webbläsarspråk och tillgängliga betalningsmetoder, tillsammans med signaler på nätverksnivå som vilka betalningsmetoder som fungerar bäst för liknande företag och kunder. Och eftersom den optimala uppsättningen betalningsmetoder förändras i takt med att kundernas beteende, regionala preferenser och tillgängliga betalningsmetoder förändras, utforskar systemet kontinuerligt prestandan för nya konfigurationer.
Valuta är också ett inslag med hög påverkan. De flesta kunder föredrar att betala i sin lokala valuta, och Stripes Adaptive Pricing använder en AI-modell som förutspår kundens verkliga valutapreferens, vilket bidrar till en ökning av gränsöverskridande intäkter på 17,8 %.
Nätverkseffekten av sparade autentiseringsuppgifter
Även en optimerad kassa skapar fortfarande friktion om kunden måste ange ett kortnummer. För återkommande kunder är den friktionen onödig. Link, en e-plånbok skapad av Stripe, eliminerar den. Om en kund har en sparad betalningsmetod med Link kan Stripe känna igen hen med hjälp av cookies, kontouppgifter eller andra autentiseringssignaler. Kunden kan sedan gå till kassan snabbare hos alla företag med Link aktiverat, inklusive de som hen aldrig har besökt tidigare.
Varje nytt företag som använder Link förbättrar upplevelsen för kunder i hela nätverket och varje ytterligare inloggningsuppgift förbättrar värdet av Link för företag. Link har nu mer än 200 miljoner sparade betalningsmetoder och företag med en stor bas av återkommande kunder har sett konverteringen för återkommande användare öka med i genomsnitt 14 %.
Tillsammans driver dessa optimeringar, dynamisk ordning för betalningsmetoder, Adaptive Pricing och sparade autentiseringsuppgifter, en genomsnittlig intäktsökning på 11,9 % för företag som använder Optimized Checkout Suite.
2. Utvärdering av bedrägerier
Efter ett betalningsförsök ändras fokus från konvertering till att utvärdera om transaktionen är legitim. Detta görs med hjälp av AI som har tränats på data från miljontals företag och över en biljon dollar i årlig betalningsvolym. För kortbetalningar är chansen större än 92 % att Stripe har sett ett visst kort tidigare. Och Stripes nätverk sträcker sig långt bortom kort: vi följer korrelationer mellan betalningsmetoder, enheter och transaktionsmönster som hjälper till att urskilja legitim aktivitet från bedrägerier. Stripes bedrägerimodeller använder dessa aggregerade signaler för att bedöma risken för varje transaktion.
Utvärdera risk
Olika typer av bedrägerier kräver olika modeller och signaler. Carding har till exempel en annan signatur än bedrägeri med stulna kort, där en verklig person försöker köpa något med någon annans betalningsmetod. Även vid bedrägeri med stulna kort har Stripe flera olika prognoser: om kortet sannolikt är stulet, om transaktionen sannolikt kommer att resultera i en tvist p.g.a. bedrägeri, om det sannolikt kommer att utlösa en tidig bedrägerivarning från kortbetalningsnätverket och om Stripe oberoende bedömer transaktionen som bedräglig – även om det är osannolikt att banken kommer att bestrida den.
Stripe Radars modeller för identifiering av bedrägerier bygger på tre signallager. Det första är själva Stripe-nätverket: aggregerade mönster för alla företag och transaktioner på Stripe. Det andra är externa data, inklusive komprometterade kortuppgifter som hämtas från hela internet. I det tredje används företagsspecifika signaler: Radar lär sig mönster som är unika för varje företag och använder dem för att jämföra ny aktivitet med det företagets vanliga beteende.
Företag kan använda dessa prognoser olika beroende på företagets önskade risknivå. Ett mycket riskmedvetet företag kan välja att blockera alla förväntade bedrägerier, oavsett om utfärdaren skulle bestrida det eller inte. Ett företag som fokuserar på att maximera konvertering kan välja att endast blockera transaktioner som sannolikt leder till tvister p.g.a. bedrägeri. Ett företag som närmar sig en gräns för övervakning av kortvarumärken kan blockera både bedrägeritvister och transaktioner som sannolikt utlöser tidiga bedrägerivarningar.
Omfattningen av dessa prognoser utökas hela tiden. Historiskt sett har bedrägerimodeller fokuserat på stulna kort och carding. Men nya bedrägeri- och missbruksmönster håller på att växa fram, särskilt i takt med att hotaktörer i allt högre grad riktar in sig på AI-tjänster med höga beräkningskostnader genom att utnyttja gratis provperioder eller generera användningsfakturor som förblir obetalda. Dessa är inte traditionella former av betalningsbedrägerier, men de kräver samma hanteringsmetoder: distinkta prognoser, tränade på rätt signaler, som används för att driva rätt reaktion.
Att välja rätt ingripande
Riskbedömning specificerar inga ingripandeåtgärder. Det enklaste svaret är att blockera en riskfylld transaktion, men ett falskt positivt resultat innebär förlorade intäkter. Frågan är om det finns ett billigare sätt att minska risken.
Stripe behandlar valet av åtgärder som ett kontextuell-bandit-problem genom att välja mellan en rad åtgärder, som att presentera en CAPTCHA-autentiseringsfråga eller begära 3DS, och modellera det förväntade resultatet av var och en. Effekten varierar beroende på sammanhang: många utfärdare i USA har till exempel låg andel slutförda 3DS-transaktioner, och att lägga till en 3DS-autentiseringsfråga på dessa utfärdare kanske inte minskar bedrägeri, men skadar definitivt konverteringen.
För varje potentiellt ingripande uppskattar Stripe effekten på konverterings-, kostnads- och bedrägerifrekvensen. Modellen väljer det ingripande som maximerar den förväntade vinsten med tanke på transaktionens riskprofil, företagets riskpreferenser och den specifika utfärdare och betalningsmetod som används.
Genom dessa prognoser och interventioner minskar Radar bedrägerier med i genomsnitt 38 % för företag på Stripe samtidigt som färre än 0,05 % av legitima transaktioner blockeras.
3. Autentisering
I föregående avsnitt beskrevs hur Stripe beslutar om att begära autentisering. Det här avsnittet fokuserar på vad som händer när 3DS väljs. 3DS är inte ett enda flöde. Det är en familj av alternativ med olika konsekvenser för konvertering, kostnad och efterlevnad, och rätt val beror på transaktionens risk, gällande regelverk och den specifika utfärdaren.
Vi optimerar för tre konkurrerande mål samtidigt: regelefterlevnad, bedrägeribekämpning och konvertering. Det kräver transaktionsspecifika beslut som tar hänsyn till risksignaler, enhetskontext och utfärdarens beteende för att välja mellan en fullständig autentiseringsfråga, friktionsfritt undantag, datautbyte bakom kulisserna eller ingen autentisering alls.
Undantag och autentiseringsfrågor
Stripes autentiseringsmotor använder Radars bedrägeripoäng för att dirigera berättigade transaktioner genom vägen med den "lägsta friktion" som finns tillgänglig. Lågrisktransaktioner under den regulatoriska tröskeln får ett undantag för lågt värde, vilket helt hoppar över autentisering. Över denna tröskel begär motorn ett TRA-undantag, där det är tillämpligt. Vid transaktioner med måttlig risk kan enhetens fingeravtryck och transaktionskontext delas med utfärdaren bakom kulisserna via en Data Only-autentisering, så att kunden aldrig får någon autentiseringsfråga. En fullständig 3DS-autentiseringsfråga reserveras för de fall där risken motiverar det eller där inga undantagsmöjligheter finns tillgängliga.
Bedrägeripoängen är den förgrenande variabeln vid varje nod, och motorn anpassar sig till utfärdarens beteende: vissa utfärdare godkänner pålitligt Data Only-flöden medan andra inte gör det, och Stripe dirigerar därefter. Över hela europeiska volymen genererar Data Only-autentisering ensamt 147 miljoner USD i inkrementell auktoriserad betalningsvolym och mer än 2,5 miljoner USD i besparingar för företag varje månad.
Optimering av timeout för fingeravtryck
Att välja en autentiseringsväg är bara en del av autentiseringsfrågan. Implementeringsdetaljerna inom en viss väg är också viktiga. Beakta fingeravtryck, det valfria första steget i alla 3DS-flöden. 3DS-fingeravtryck samlar in enhets- och webbläsarinformation via en iframe för att hjälpa den utfärdande banken att bedöma transaktionsrisken. Det är ett valfritt steg i protokollet, som stöds av cirka 68 % av transaktionerna på Stripe, och det kan förbättra konverteringen när det lyckas. Men det introducerar också ytterligare latens, vilket kan göra att autentiseringen misslyckas helt.
Stripe genomförde ett multidimensionellt A/B-test för att fastställa hur lång tid det tar att vänta på fingeravtryck innan man fortsätter utan det. Det här är en direkt avvägning: vänta för länge och konverteringen misslyckas på grund av latens. Fortsätt vidare för snabbt och utfärdaren kan förlora den information som kan ha förbättrat utfärdarens beslut. Den optimala timeouten varierar beroende på enhet och utfärdare. Sedan mars 2025 har denna optimering tagit igen mer än 39 miljoner USD i betalningar.
3DS som en återförsöksstrategi
De flesta betalningsförmedlare betraktar en riskrelaterad nekad betalning som slutgiltig. Våra tester har överraskande nog visat att om autentisering läggs till i efterhand kan betalningen tas igen. 3DS-autentisering ökar dock latensen, skapar friktion och medför sin egen hanteringskostnad. Så frågan är inte bara: "Skulle 3DS hjälpa till att ta igen den här betalningen?" utan istället: "Överstiger det förväntade värdet av att försöka igen med 3DS kostnaden för att försöka?"
Stripe modellerar detta direkt baserat på en specifik anledning till nekad betalning, utfärdare, korttyp och transaktionsprofil. Vissa koder för nekad betalning är nästan deterministiska (kortet är verkligen ogiltigt och ingen autentiseringstyp kan att ändra på det). Andra signalerar att utfärdaren vill ha en högre försäkran om att kortinnehavaren är närvarande, och en 3DS-autentiseringsfråga ger just det. Modellen lär sig vilka koder som svarar på autentisering för vilka utfärdare och dirigerar återförsök endast där det förväntas att betalningen tas igen som motivering för kostnaden. Denna optimering har ökat den globala auktoriserade betalningsvolymen med över 1 miljard USD årligen.
4. Auktorisering
När en transaktion har utvärderats med avseende på bedrägeri och, i förekommande fall, autentiserats, skickas den till den utfärdande banken för auktorisering. Stripe förbättrar resultaten här genom routing, optimering av auktorisering och nya försök.
Routing
Stripe kan dirigera betalningar över flera gateways och spår, såsom regionala debetnätverk, och kan välja den mest kostnadseffektiva vägen vid första försöket. I många fall kan alternativa spår faktiskt skada konverteringen, så modellerna lär sig var dessa vägar minskar kostnaden utan att kompromissa med acceptansen. Vid återförsök ändras beräkningen: om en signaturdebettransaktion avvisas kan återförsöket dirigeras via debetspår för att ta igen den.
Auktoriseringsmeddelanden
Innehållet i ISO 8583-meddelandet som utfärdaren tar emot, och kontexten kring det, påverkar avsevärt om en betalning godkänns. Stripe optimerar detta på flera fronter.
För det första experimenterar Stripe kontinuerligt med ISO-fältens formatering och innehåll för olika utfärdare, korttyper och geografiska områden. Stripes nätverksvolym innebär att även experiment med små förväntade effektstorlekar når statistisk signifikans inom några timmar. Många lyckade ändringar är små, men i nätverksskala kan även förbättringar av storlek med låg effekt mätas snabbt och ge en sammanlagd effekt värd tiotals miljoner dollar årligen. Stripe kör dussintals av dessa experiment varje vecka och vinsterna sätts samman över tid.
För det andra delar Stripe risksignaler om bedrägeri med utfärdare. Utfärdare har sin egen syn på risk, ofta baserad på kortinnehavarens konsumtionshistorik, kontostatus och beteende över portföljen. Men de ser inte det Stripe ser: företagsövergripande nätverksmönster som bedrägerimönster kopplade till en viss e-postadress eller leveransadress. Stripe byggde Enhanced Issuer Network, som är direkta integrationer för Radar-datadelning med utfärdare, inklusive Capital One, Discover och American Express, för att överbrygga detta gap. När Stripe anser att en transaktion har låg risk hjälper signaldelningen att undvika falska avvisningar.
För det tredje optimerar Stripe användningen av kortuppgifter. Gamla uppgifter är en betydande källa till onödiga avvisningar. Stripe använder nätverkstoken och kortuppdaterare för att hålla uppgifterna aktuella, men optimeringen handlar inte bara om att aktivera dessa verktyg globalt. Nätverkstoken förbättrar generellt auktoriseringsgraden och minskar kostnaderna, men det finns trafikfickor där de inte gör det; utfärdare med dåligt tokenstöd eller transaktionsmönster där tokenisering skadar godkännandefrekvensen eller ökar bedrägerierna. Stripe lär sig var token hjälper och var de inte gör det och tillämpar dem selektivt.
Återförsök
Vissa avvisningar kan återhämtas. En mjuk avvisning på grund av otillräckliga medel eller tillfällig otillgänglighet hos utfärdaren kan lyckas vid ett andra försök vid en annan tidpunkt eller med annan routing. Stripe gör återförsök synkront vid debiteringstillfället, väljer en alternativ gateway eller justerar meddelandet baserat på orsaken till avvisning. För betalningar utanför sessionen, såsom abonnemang, försöker Stripe asynkront genom intelligent dunning, med modeller som förutspår när medel troligen är tillgängliga istället för att försöka igen på ett fast schema.
Sammantaget ökar Stripes Authorization Boost – som omfattar routing, optimering av meddelanden och utfärdare samt hantering av autentiseringsuppgifter – acceptansgraden med i genomsnitt 2,2 % och minskar bearbetningskostnaderna med upp till 2,8 % för IC+-företag.
5. Clearing
En lyckad auktorisering är inte slutet på optimeringsytan. Mellan auktorisering och avräkning optimerar Stripe för två saker: att minska kostnaden för att avräkna transaktionen och att upptäcka bedrägerier som bara blir synliga efter auktorisering.
Minska kostnader
Att återbetala en avräknad transaktion är dyrt. På amerikansk debetavgift finns inga returer på interchange-avgifter, vilket gör en återbetalning efter avräkning upp till 24 gånger dyrare än att återföra auktorisationen innan den går igenom. Stripe förutspår vilka transaktioner som sannolikt kommer att återbetalas strax efter registrering och fördröjer deras clearing en kort period därefter, vilket omvandlar återbetalningar till återföringar. Nästan 25 % av återbetalningarna sker inom de första 48 timmarna, vilket är anledningen till att även en kort, riktad fördröjning för återbetalningar med hög sannolikhet kan minska kostnaderna avsevärt.
När mindre förändringar i en transaktions värde förväntas, som en dricks som läggs till en grundavgift, håller Stripe auktoriseringen öppen och registrerar hela beloppet en gång istället för att ådra sig nya avgifter. Och för företag som behandlar kommersiella korttransaktioner kan inlämning av detaljerad produkt- och skattedata vid clearingtidpunkten kvalificera transaktioner för lägre interchange-avgifter genom program som Visas Commercial Enhanced Data Program.
Minska bedrägeri
Bedrägerisignaler fortsätter att utvecklas efter att en betalning har auktoriserats. Under timmarna efter att en transaktion har slutförts kan det hända att Stripe observerar samma kort användas i en bekräftad bedrägeriattack någon annanstans i nätverket eller med ett enhetsfingeravtryck som nyligen kopplats till ett tvistmönster. Dessa signaler kan väsentligt förändra riskbedömningen för en redan godkänd betalning.
Detta skapar en asymmetri som motverkar bedrägliga aktörer: varje efterföljande försök från ett stulet kort ökar risken för deras tidigare framgångsrika transaktioner. En hotaktör som gör ett lyckat köp och sedan försöker få ut mervärde ger Stripe ytterligare en signal för att fånga hen och upphäva den tidigare debiteringen innan det leder till en återkreditering. När risksignalerna efter auktoriseringen eskalerar kan Stripe proaktivt att återbetala eller upphäva debiteringen innan det leder till en tvist.
6. Tvister
Även efter optimering uppströms kommer vissa transaktioner att bestridas. Företaget betalar en tvistavgift, tar på sig operativa kostnader för att svara, och om de förlorar tvisten förlorar företaget transaktionsbeloppet. Om ett företags tvistfrekvens överstiger kortbetalningsnätverkens trösklar kan företaget hamna i ett övervakningsprogram med ökande påföljder. Enstaka tvister är dyra, och ännu dyrare i grupp.
Hantering av tvister är ett annat optimeringsproblem. För optimering uppströms är målet att maximera den förväntade vinsten på varje transaktion i realtid. Här däremot är målet att minimera den totala kostnaden för tvister över tre möjliga svar: att avleda tvisten vid undersökningspunkten, lösa den innan den lämnas in, eller att bestrida den i efterhand. Varje svar har olika förväntad kostnad, framgångsfrekvens och effekt på företagets ställning hos kortbetalningsnätverken. Rätt strategi beror på beloppet som bestrids, orsakskoden, tillgängliga bevis samt hur nära övervakningströskeln företaget befinner sig.
Avstyrning
Stripe integreras med Visas Verifi och Mastercards Ethoca för att leverera utökad transaktionsinformation till utfärdare innan tvister lämnas in. Köpbeskrivningar, företagsinformation och metadata om transaktionen ökar chanserna att kortinnehavaren känner igen debiteringen och låter bli att eskalera. I fall där Stripe kan bevisa en tidigare relation mellan kortinnehavaren och företaget (som matchar kundidentifierare, IP-adress eller leveransadress från tidigare framgångsrika transaktioner), uppfyller bevisen kraven för Visas Compelling Evidence (CE) 3.0. I dessa fall måste utfärdaren blockera tvisten från att lämnas in. För företag med återkommande kunder kan det förhindra att tvister p.g.a. bedrägeri behandlas i återkrediteringsprocessen
Lösning
Verifi och Ethoca gör det också möjligt att lösa tvister innan återkrediteringen behandlas formellt. När en kortinnehavare inleder en tvist skickar dessa nätverk en varning till Stripe innan återkrediteringen görs. Företag kan konfigurera regler för att automatiskt återbetala tvister som uppfyller kriterierna (till exempel alla tvister av typen "ingen produkt har mottagits" under 10 USD). På så sätt undviks avgiften för återkreditering och, ännu viktigare, händelsen räknas inte in i företagets tvistfrekvens.
Dessa verktyg för avstyrning och lösning har minskat tvistfrekvensen med i genomsnitt 51 % över både orsakskoder med och utan bedrägeri.
Representation
För tvister som går vidare till en återkreditering skiftar optimeringsproblemet från förebyggande till bevisinsamling. Vilka bevis och i vilket format är det som maximerar sannolikheten att vinna en given tvist? Svaret varierar beroende på orsakskod, utfärdare och transaktionstyp, och de flesta enskilda firmor ser sannolikt för få tvister för att tillförlitligt lära sig dessa mönster.
Stripes system Smart Disputes tränas på tvistutfall över miljontals transaktioner och lär sig vilka kombinationer som är mest effektiva i varje sammanhang. Det sammanställer och lämnar automatiskt in ett skräddarsytt bevispaket, och företag kan komplettera det med egna bevis innan inlämning. Tidiga användare har i genomsnitt vunnit 13 % fler återkrediteringar.
Framtiden för betalningsoptimering
Optimeringarna som beskrivs här är fasspecifika, men deras effekter sätts samman över hela betalningslivscykeln. Bättre bedrägeripoäng kan leda till att färre bedrägliga transaktioner når auktorisering. Starkare autentisering innebär att fler transaktioner omfattas av ansvarsförskjutning. Och åtgärder efter auktorisering upphäver högriskdebiteringar innan de kan bestridas. När en transaktion når tviststadiet har den redan gått igenom flera optimeringslager.
Sammansatt prognoser
Ju fler utfall Stripe kan förutsäga korrekt, desto bättre blir varje beslut nedströms. Vi investerar i att modellera sannolikheten för återbetalning vid debiteringstiden för att optimera avräkningstidpunkten. Vi bygger bättre prognoser av förväntade nätverkskostnader, så att routingmodeller kan göra kostnads-noggrannhetsavvägningar med högre precision.
Varje ny prognos förbättrar hela betalningslivscykeln. Det är här sammansättningen av optimeringen i flera steg är som tydligast.
Mer detaljerade målfunktioner
Optimeringskvaliteten beror på hur exakt Stripe kan representera vad ett företag faktiskt bryr sig om. Idag låter verktyg som Radars riskpreferenser företag uttrycka sin bedrägeritolerans. Men detta är en startpunkt. Ett företag som säljer digitala varor med 60 % marginal bör tolerera bedrägerier på en helt annan nivå än ett företag som säljer fysiska varor med 8 % marginal, och vissa företag säljer båda. Bedrägerimodellen, autentiseringsmotorn och auktoriseringsoptimeraren bör alla känna till detta och anpassa sig därefter.
Vissa företag bryr sig bara om tvister p.g.a bedrägeri, andra vill minimera all risk, inklusive förstapartsbedrägerier och policymissbruk. Vissa är villiga att acceptera en högre mängd bedrägerier i utbyte mot att maximera konverteringen under en kampanjperiod. Ju mer precist Stripe kan få grepp om ett företags faktiska ekonomi och prioriteringar, desto bättre kan varje utvecklad modell optimera för företagets räkning.
Större modeller
Stripes modeller blir både bredare och djupare. Vi skalade nyligen upp uppsättningen träningsdata för vår bedrägerimodell från ungefär 800 miljoner till över 11 miljarder historiska transaktioner, vilket täcker ett mycket bredare spektrum av geografier, produkter och bedrägerimönster. Våra neurala nätverk för djupinlärning kan lära sig av denna datavolym på sätt som traditionella modeller inte kan, och vi tar dem steget längre. Vi bygger multitaskingmodeller som förutsäger flera utfall samtidigt, vilket gör att modellerna kan dela representationer mellan uppgifter, så att signalen från en prognos stärker en annan.
Agenter för ostrukturerade problem
De flesta betalningsoptimeringar tillämpas på strukturerade data som transaktionsbelopp, avvisningskoder, enhetsfingeravtryck och bedrägeripoäng. Men några av de mest värdefulla betalningsproblemen involverar ostrukturerad information. Tvistrepresentation är en naturlig matchning som kräver att ett vinnande bevispaket sätts ihop, nätverksregler läses (Visa och Mastercard publicerar båda hundratals sidor med tvistregler som ändras regelbundet), rätt bevistyp matchas till specifika orsakskod och utfärdare, samt att transaktionsdata sammanfattas till en sammanhängande berättelse. Stripe bygger agenter som kan tolka nätverksregler direkt och kan kombinera denna förståelse med AI-modeller som förutsäger vilka bevis som är mest övertygande för ett givet tvistscenario, och hanterar fall som regelbaserade system inte kan.
Experimenterande
Bakom allt detta ligger kontinuerligt experimenterande. Stripe genomför experiment under hela betalningens livscykel och mäter effekterna på auktoriseringsfrekvenser, bedrägerier behandlingskostnader och interchange. Nya idéer testas kontinuerligt och de som lyckas levereras automatiskt till företag på Stripe. Under de senaste två åren har experimenttakten ökat med mer än fyra gånger.
Företag som tillhandahåller mer ingående data, t.ex. marginaldata, justeringar för riskpreferenser och produktmetadata, utökar optimeringsytan ytterligare. Kontakta oss vi vill gärna samarbeta.