Utmaning

Ben & Frank är Latinamerikas mest populära glasögonmärke som säljer direkt till konsumenter. Hos sin tidigare betaltjänstleverantör hade Ben & Frank begränsat bedrägeriskydd och få rapporteringsfunktioner, vilket gjorde att de inte kunde optimera sin auktoriseringsprestation. Anledningen till detta är att den mexikanska marknaden bjuder på en rad utmaningar:
- Latinamerika är känt för att ha ett specialanpassat och lokaliserat betalningsekosystem, vilket gör det svårt att nå framgångar utan tillgång till skräddarsydda betalningssystem eller nära relationer med större utfärdare.
- Andelen bedrägliga transaktioner är jämförelsevis hög. Detta innebär en utmaning när man ska implementera effektiva strategier för tvisthantering och hantering av misstänkta debiteringar.
- Det finns ett begränsat stöd för e-handelsfunktioner i Mexiko. Till exempel kan det vara svårt för företag att bevisa för utfärdare att återkommande kunder med sparade kortuppgifter utgör en lägre risk än en kund som handlar för första gången.

Följaktligen var Ben & Franks konverteringsgrad låg, vilket skapade en dålig kundupplevelse för de som fick sin transaktion nekad av misstag.

Lösning

Ben & Frank jämförde Stripe med sin befintliga betaltjänstleverantör genom att mäta auktoriseringsfrekvensen i olika kortnätverk. John Campbell, verksamhetschef på Ben & Frank, berättar: ”Vi hade tre mätbara kriterier för utvärderingen av vår nya betaltjänst: godkännandefrekvens, bedrägerifrekvens och NPS-värde för vår kundtjänst.”

Ben & Frank kunde integrera och lansera testprocessen för Stripe på så lite som två veckor. Leonardo Alonso, mjukvarutekniker på Ben & Frank, säger: ”Stripe har ett fantastiskt team som står redo att uppfylla våra behov. De har ett av de bästa arbetsflödena för utvecklare på marknaden och dokumentationen är lättanvänd med ingående klientbibliotek och kopiera-och-klistra-exempel.”

Efter en provperiod på tre månader beslutade Ben & Frank att Stripe var den överlägset bästa betallösningen för dem. Tack vare Stripes lyhörda support och moderna produktsvit med betalningsoptimering och bedrägeriidentifiering skulle företaget kunna förbättra konverteringsgraden och driva framtida tillväxt.

Resultat

Efter bara tre månader med Stripe i Mexiko ökade Ben & Frank sin konverteringsgrad med 10 % jämfört med den tidigare betallösningen. Ökningen möjliggjordes av:

Stripes nära samarbete med regionala betalleverantörer och utfärdare
Stripe anlitar tiotals lokala betalexperter och utvecklare för att bygga starka samarbeten som är förankrade i hela det mexikanska betalningsekosystemet, inklusive de lokala betalningsväxlarna Prosa och eGlobal, Banco de México och CNBV, samt större utfärdare som BBVA och Santander. För att etablera förtroende mellan Stripe och de lokala utfärdarna träffas de ofta för att implementera iterativa ändringar till auktoriserings- och bedrägerilogiken, vilket räddar intäkter som annars skulle ha gått förlorade.

Lägre bedrägeriaktivitet och kortare åtgärdandetid
Eftersom Radar är byggt ovanpå Stripe Payments behöver Ben & Frank inte längre märka bedrägliga transaktioner manuellt. Istället förlitar sig företaget i dag på Stripes maskininlärning för att utvärdera risknivån för varje betalning i realtid. Maskininlärningsmodellen utvecklas och uppdateras ständigt genom att analysera kundernas inköpsmönster, medan Ben & Franks bedrägeriteam kan använda manuella åsidosättanden och skräddarsydda bedrägeriregler för att implementera en lokal strategi som proaktivt förebygger bedrägeri och håller nere antalet återkrediteringar (chargebacks) i Mexiko.

Då bedrägerifrekvensen är fem gånger så hög i Latinamerika som i USA och EMEA hjälper Radar Ben & Frank att skilja på bedragare och kunder och minska antalet bedrägerier i större omfattning. Lourdes García, produktchef på Ben & Frank, berättar: ”Tack vare Stripes maskininlärning och anpassade bedrägeriregler har vi sett en minskning av antalet bedrägerier och återkrediteringar. Vi har till och med upplevt att kundnöjdheten har ökat eftersom våra team löser tvister snabbare nu när de slipper gå igenom en manuell process.”

Auktoriseringsfrekvensen optimerad av maskininlärning
Banker är inte alltid konsekventa vad gäller vilka transaktioner de godkänner. Det enda sättet att förbättra auktoriseringsfrekvensen är att bakåtkompilera reglerna i Stripes nätverk med hjälp av maskininlärning. I detta syfte byggde Stripe Adaptive Acceptance, en maskininlärningsteknik som optimerar kundernas auktoriseringsmeddelanden. Stripes dataexperter och utvecklare jobbar hela tiden för att förbättra dessa maskininlärningsmodeller och hjälpa företag att ta emot så många legitima transaktioner som möjligt.