Betalningar som ett flerstegsoptimeringsproblem
Att optimera betalningar behandlas ofta som ett problem med auktoriseringsgrad: skicka ett välformulerat meddelande till utfärdaren och maximera chansen att det kommer tillbaka som godkänt. I praktiken är optimeringsytan mycket bredare. En betalning går igenom flera faser: kassa, bedrägeriutvärdering, autentisering, auktorisering, clearing och tvister – och varje steg ger möjligheter att öka konverteringen, minska kostnader och förhindra bedrägeri.
Stripe tillämpar optimeringar i varje steg, från att anpassa kassaformuläret, till att avgöra om man ska begära en 3DS-autentiseringsfråga eller ett undantag, till att formatera fälten i ett auktorisationsmeddelande. Rätt ingripande i ett steg beror ofta på vad som hände i ett annat: en bedrägerimodell som blockerar för aggressivt förbättrar tvistfrekvensen men skadar konverteringen, och en autentiseringsstrategi som minimerar friktion utan att ta hänsyn till riskaptit leder till fler avvisningar och tvister längre fram. De bästa resultaten kommer genom att ta hänsyn till dessa interaktioner och bygga system i varje steg som är medvetna om deras påverkan på varandra.
Denna guide beskriver hur Stripe optimerar betalningar över dessa steg och levererar upp till 27 miljarder USD per år i inkrementella intäkter, hjälper till att minska bedrägerier med i genomsnitt 38 % och sänker behandlingskostnaderna med upp till 2,8 % för Stripes företag.
1. Kassan
Majoriteten av intäkterna som företag förlorar avvisas aldrig av en utfärdare. Istället överges dem i kassan.
En kund i Nederländerna som inte ser iDEAL kan överge sin kundvagn. En kund i Brasilien som ser priser i USD kanske inte slutför ett köp eftersom de är osäkra på om eller vilka valutaavgifter som kan hamna på deras kontoutdrag. En kund som överväger ett större köp utan möjlighet att delbetala med en köp nu, betala senare-leverantör kan helt enkelt bestämma att transaktionen inte är värt det. Detta är inga specialfall. Att visa ens en betalningsmetod som inte är relevant för en kund kan minska konverteringen med upp till 15 %.
Personalisering i kassaformuläret
Den optimala kassan är olika för varje transaktion. Rätt uppsättning betalningsmetoder och deras ordning, valutan, vilka fält som visas och om man ska initiera en bedrägeriintervention beror alla på vem kunden är, var de befinner sig, vad de köper och vilken enhet de använder. En statisk konfiguration kan inte hålla jämna steg.
Stripe behandlar detta som en serie beslut i realtid. Överväg att välja betalningsmetod. Det klassiska tillvägagångssättet är att välja en konfiguration och hålla sig till den, men den optimala uppsättningen betalningsmetoder förändras när kundbeteende, regionala preferenser och metodtillgänglighet förändras. Detta är vad som kallas ett problem med flerarmade banditer, uppkallat efter en hasardspelare som står inför en rad spelautomater med okända utbetalningsnivåer. Du behöver fortsätta prova nya alternativ för att lära dig vilka som presterar bäst, samtidigt som du tjänar pengar på det som redan fungerar. Stripes AI-modeller, som tränats på miljarder transaktioner, navigerar kontinuerligt genom denna avvägning och inkluderar signaler under sessioner som enhetstyp, webbläsarens språk och betalningsmetodens tillgänglighet, tillsammans med signaler på nätverksnivå som föredragna betalningsmetoder som används av liknande företag.
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 med 17,8 %.
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.
Nätverkseffekten av sparade autentiseringsuppgifter
Även den bästa personliga kassan kräver fortfarande att kunden skriver in ett kortnummer. För återkommande kunder är detta onödig friktion. Link, en digital plånbok byggd av Stripe, eliminerar detta. Om en kund har en sparad betalningsmetod hos Link känner systemet igen dem – antingen via cookies, kontouppgifter eller andra autentiseringsmetoder. Kunden kan då betala snabbare hos vilket företag som helst med Link aktiverat på Stripe-nätverket – även ett de aldrig besökt tidigare. Detta är en nätverkseffekt i bokstavlig bemärkelse. Varje nytt företag som använder Link gör upplevelsen bättre för kunder på alla andra företag, och vice versa. Link har nu mer än 200 miljoner sparade betalningsmetoder, och företag med en stor återkommande kundbas har sett återkommande användarkonverteringar öka med i genomsnitt 14 %.
2. Bedrägeriutvärdering
När en betalning väl försöks förändras problemet. Frågan är inte längre om kunden kommer att köpa, utan om transaktionen är legitim. Det finns mer än 92 % chans att Stripe har sett kortet tidigare. Men Stripes nätverk sträcker sig långt bortom kort. Över miljontals företag observerar vårt nätverk korrelationer mellan betalningsmetoder, enheter och transaktionsmönster som hjälper till att skilja legitim aktivitet från bedrägeri. Stripes bedrägerimodeller använder dessa aggregerade signaler för att bedöma risken i varje transaktion.
Utvärdera risk
Carding kräver andra modeller och signaler än bedrägeri med stulet kort, där en riktig människa försöker köpa med någon annans betalningsmetod. Endast för bedrägeri med stulet kort har Stripe flera tydliga förutsägelser: är detta kort sannolikt stulet? Kommer denna transaktion att leda till en bedrägeritvist? Kommer det att utlösa en tidig bedrägerivarning från kortnätverket? Och även om banken sannolikt inte kommer att bestrida det, anser Stripe att transaktionen är bedräglig? Varje förutsägelse har olika konsekvenser för vad som bör hända härnäst.
Modellerna använder tre signallager. Det första är själva Stripe-nätverket: aggregerade mönster observerade över mer än en biljon dollar i årlig betalningsvolym, som sträcker sig över miljontals företag. Den andra är externa data, såsom komprometterade kortuppgifter som hämtats från internet. Den tredje är affärsspecifik: genom inlärda affärsinbäddningar fångar Stripe Radar hur det normala ser ut för ett givet företag samtidigt som man drar nytta av den globala modellens bredd.
Formen på dessa förutsägelser expanderar också. Historiskt sett innebar bedrägeri stulna kort och carding. Men en kund som på ett bedrägligt sätt anmäler sig till tusentals kostnadsfria eller rabatterade provperioder kommer sannolikt aldrig att konvertera, och själva provperioden medför direkta kostnader för företaget. Idag kan en kund med en användningsbaserad faktureringsplan dra på sig avgifter de inte har för avsikt att betala. Detta är inte en traditionell form av betalningsbedrägeri, men kräver samma disciplin: distinkta förutsägelser, tränade på rätt signaler, som används för att driva rätt respons.
Dessa prognoser kan användas olika beroende på företagets riskaptit. Ett mycket riskavert företag kan 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 bedrägeritvister. Ett företag som närmar sig en gräns för kortmärkesövervakning kan blockera både bedrägeritvister och transaktioner som sannolikt utlöser tidiga bedrägerivarningar.
Att välja rätt ingripande
En riskbedömning är en förutsägelse av hur farlig en transaktion är, men den berättar inte vad du ska göra åt den. Det enklaste svaret är att blockera transaktionen, men ett falskt positivt resultat innebär förlorade intäkter. Frågan är om det finns ett billigare sätt att minska risken.
Stripe behandlar interventionsval som ett kontextuellt banditproblem, där man väljer från en uppsättning åtgärder och modellerar det förväntade resultatet av varje. Vissa interventioner är bekanta, som att presentera en CAPTCHA-prompt för att filtrera bort botar eller begära 3DS. Detta är några exempel från en bredare uppsättning interventioner, där varje intervention påverkar konvertering, bedrägeri och kostnad på olika sätt, och effekten varierar beroende på sammanhang. Många amerikanska utfärdare har till exempel låga 3DS-slutförandefrekvenser: att lägga till en 3DS-prompt på dessa utfärdare kanske inte minskar bedrägerier, men det skadar definitivt konverteringen.
Stripe modellerar detta. Vi väljer mellan dessa interventioner genom att uppskatta förväntad vinst. För varje kandidatintervention uppskattar Stripe hur konverteringssannolikheten, bedrägerisannolikheten och kostnaden förändras beroende på vilken som väljs. En transaktion som går genom en 3DS-prompt har ofta en nära noll sannolikhet för en bedrägeritvist men en mätbart lägre sannolikhet för konvertering. Modellen väljer den intervention som maximerar förväntad vinst med tanke på transaktionens riskprofil, företagets riskpreferenser samt den specifika utfärdaren och betalningsmetoden 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
Det föregående avsnittet beskrev hur Stripe väljer interventioner, inklusive om man ska utlösa 3DS-autentisering överhuvudtaget. Detta avsnitt går djupare in på vad som händer när 3DS är den valda vägen, eftersom beslutet inte slutar där. 3DS är en familj av alternativ med mycket olika konsekvenser för konvertering, kostnad och efterlevnad, och rätt val beror på transaktionens risk, den regulatoriska kontexten och den specifika utfärdaren som är involverad.
Vi optimerar över tre konkurrerande mål samtidigt: regelefterlevnad, bedrägeriförebyggande och konvertering. Det rätta svaret är att fatta olika beslut för varje transaktion, och använda allt du vet om dess risk, kundens enhet och utfärdarens beteende för att välja mellan en fullständig autentiseringsfråga, ett friktionsfritt undantag, ett datautbyte bakom kulisserna eller ingen autentisering alls.
Undantag och autentiseringsfrågor
Stripes autentiseringsmotor använder bedrägeripoängen från Radar för att dirigera berättigade transaktioner genom den lägsta friktionsvägen som finns. Lågrisktransaktioner under den regulatoriska tröskeln får ett undantag för lågt värde, vilket helt hoppar över autentisering. Över tröskeln begär motorn ett TRA-undantag, där det är tillämpligt. När risken är måttlig använder den Data Only-autentisering, där enhetens fingeravtryck och transaktionskontext delas med utfärdaren bakom kulisserna, så kunden ser aldrig någon autentiseringsfråga. En fullständig 3DS-autentiseringsfråga är reserverad för fall där risken motiverar det eller där inget undantag finns.
Bedrägeripoängen är den förgrenande variabeln vid varje nod, och motorn anpassar sig till utfärdarens beteende: vissa utfärdare godkänner Data Only-flöden pålitligt medan andra inte gör det, och Stripe routar därefter. Över hela europeiska volymer 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
Beslutsträdet avgör vilken autentiseringsväg en transaktion tar. Men även inom en given väg finns ytterligare optimeringar. Tänk på fingeravtryck, vilket är det valfria första steget i varje 3DS-flöde. 3DS-fingeravtryck samlar in enhets- och webbläsarinformation via en iframe för att hjälpa den utfärdande banken att bedöma transaktionsrisk. Det är ett valfritt steg i protokollet som stöds av ungefär 68 % av transaktionerna på Stripe, och det kan förbättra konverteringen när det lyckas. Men processen tar varierande lång tid på olika enheter, och den ökade latensen kan göra att autentiseringen misslyckas helt.
Detta är den typen av problem som belönar noggrann mätning. Stripe gjorde ett A/B-test med flera varianter för att avgöra den ideala tiden att vänta på fingeravtryck innan man fortsätter utan det. Detta är en känslig balans: väntar du för länge förlorar du kunder till latens; hoppa över för snabbt så förlorar du informationen som skulle ha förbättrat utfärdarens beslut. Den optimala timeouten varierar beroende på enhet och utfärdare, och att hitta den har återvunnit mer än 39 miljoner USD i betalningar sedan mars 2025.
3DS som en återförsöksstrategi
De flesta betalleverantörer betraktar en riskrelaterad avvisning som slutgiltig. En av de mer kontraintuitiva optimeringarna vi utforskade är att man för dessa avvisningar kan lägga till autentisering i efterhand för att återhämta betalningen.
3DS-autentisering ökar latens, introducerar friktion och medför egna bearbetningskostnader. Så frågan är inte bara ”skulle 3DS hjälpa?” utan ”överstiger det förväntade värdet av att försöka igen med 3DS kostnaden för att försöka?” Stripe modellerar detta direkt baserat på en specifik avvisningsorsak, utfärdare, korttyp och transaktionsprofil. Vissa avvisningskoder är nästan deterministiska (kortet är verkligen ogiltigt, och ingen mängd autentisering kommer att ändra på det). Andra signalerar att utfärdaren vill ha mer försäkran på att kortinnehavaren är närvarande, och en 3DS-autentiseringsfråga ger just det. Modellen lär sig vilka koder, på vilka utfärdare, som svarar på autentisering och routar återförsök endast där den förväntade återhämtningen motiverar kostnaden. Denna optimering har ökat den globala auktoriserade betalningsvolymen med över 1 miljard USD årligen.
4. Auktorisering
När en transaktion har utvärderats för bedrägeri och, där det är lämpligt, autentiserats, skickas den till den utfärdande banken för auktorisation. Detta är ytterligare en möjlighet att påverka auktorisationsfrekvenser, bedrägeri och behandlingskostnader (för IC+-företag). Stripe gör detta inom tre breda kategorier: att välja hur betalningen ska dirigeras, att göra auktoriseringsmeddelandet så effektivt som möjligt och att återhämta betalningar som misslyckas vid första försöket.
Routing
Stripe kan dirigera betalningar över flera gateways och spår, såsom regionala debetnätverk, och kan välja den mest kostnadseffektiva vägen vid första försöket. För många betalningar skadar alternativa spår faktiskt konverteringen, så modellerna lär sig var dessa vägar minskar kostnaden utan att kompromissa med acceptans. Vid återförsök ändras kalkylen: om en signaturdebettransaktion avvisas kan routing av återförsöket via debetspår återhämta betalningen.
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.
Det första är själva meddelandet. Stripe experimenterar kontinuerligt med formatering och innehåll i ISO-fält och testar förändringar mellan utfärdare, korttyper och geografier. Volymen i Stripe-nätverket innebär att även experiment med små förväntade effektstorlekar når statistisk signifikans inom några timmar, och Stripe kör dussintals varje vecka. Lyckade experiment är ofta förvånansvärt små: till exempel en mindre ändring av vilka transaktioner skickas för auktorisation. Effekten är svår för något enskilt företag att skilja från brus, men i Stripes skala är den mätbar med hög säkerhet och värd tiotals miljoner dollar årligen. Dessa förbättringar läggs på varandra.
Den andra är att dela bedrägeririsksignaler med utfärdare. Utfärdare har sin egen syn på risk, ofta baserad på kortinnehavarens konsumtionshistorik, kontostatus och beteende i portföljen. Men de ser inte det Stripe ser: kundens beteende över andra betalningsmetoder, eller bedrägerimönstren kopplade till en viss e-postadress eller leveransadress. Stripe byggde Enhanced Issuer Network – vilket är integrationer för direkt Radar-datadelning med utfärdare, inklusive Capital One, Discover och American Express – för att överbrygga detta gap. När Stripe anser att en transaktion är lågrisk hjälper delningen av den signalen utfärdaren att undvika falska avvisningar som den annars skulle kunna utlösa på egen hand.
Den tredje är kortuppgifter. Gamla uppgifter är en betydande källa till onödiga avvisningar. Stripe använder nätverkstokens och kortuppdaterare för att hålla uppgifterna uppdaterade, men optimeringen handlar inte bara om att aktivera dessa verktyg. Nätverkstokens förbättrar generellt auktorisationsgraden och minskar kostnaderna, men det finns trafikfickor där de inte gör det, som bland utfärdare med dåligt tokenstöd där de påverkar auktorisationsnivåerna, eller transaktionsmönster där de ökar bedrägeri. Stripe lär sig var tokens är användbara och var de inte är det, och använder dem selektivt för att maximera deras nytta.
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 prenumerationer, 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 auktorisation är inte slutet på optimeringsytan. Mellan auktorisation och att företaget tar emot medel optimerar Stripe för två saker: att minska kostnaden för att avräkna transaktionen och att upptäcka bedrägerier som bara blir synliga efter auktorisation.
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 auktorisationen öppen och fångar hela beloppet en gång istället för att ådra sig nya avgifter. Och för företag som hanterar 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
Under timmarna efter att en transaktion slutförts fortsätter Stripe att observera signaler från andra transaktioner över nätverket, såsom ett kort som använts i en bekräftad bedrägeriattack någon annanstans eller ett enhetsfingeravtryck som nyligen kopplats till ett mönster av tvister. Dessa signaler kan väsentligt förändra risken för en redan godkänd betalning.
Detta skapar en asymmetri som motverkar bedrägliga aktörer: varje efterföljande försök från ett stulet kort riskerar deras tidigare framgångsrika transaktioner. En bedragare som gör ett lyckat köp och sedan försöker extrahera mer värde ger Stripe ytterligare en signal för att fånga dem och reverserar den tidigare debiteringen innan det leder till en återkreditering. När risksignalerna eskalerar kan Stripe proaktivt återbetala eller återföra debiteringen innan det leder till en tvist.
6. Tvister
Trots allt uppströms kommer vissa transaktioner att bestridas. Företaget betalar en tvistavgift, tar på sig operativa kostnader för att svara, och om tvisten förloras förlorar företaget transaktionsbeloppet. Om ett företags tvistfrekvens överstiger kortnätverkets trösklar kan företaget sättas i ett övervakningsprogram med ökande påföljder. Tvister är dyra på egen hand, och ännu dyrare i grupp.
Precis som i alla andra steg i denna guide utgör tvister ett optimeringsproblem. Men strukturen är annorlunda. Uppströms är målet att maximera den förväntade vinsten på varje transaktion i realtid. Här är målet att minimera den totala kostnaden för tvister med tre möjliga svar: att avleda tvisten vid undersökningspunkten, lösa den innan den lämnas in, eller att bestrida den i efterhand. Varje svar har olika kostnader, olika framgångsfrekvens och olika effekt på företagets ställning hos kortnätverken. Rätt strategi beror på tvistens storlek, orsakskoden, företagets närhet till övervakningströskeln och styrkan på tillgängliga bevis.
Avstyrning
Stripe integreras med Visas Verifi och Mastercards Ethoca för att leverera utökade transaktionsdetaljer till utfärdare (köpbeskrivningar, företagsinformation och transaktionsmetadata) som hjälper kortinnehavaren att känna igen avgiften innan en tvist lämnas in. 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 datan kraven för det Visa kallar Compelling Evidence (CE) 3.0. När CE3.0-kriterierna är uppfyllda måste utfärdaren blockera att tvisten alls kan lämnas in. Avstyrningsgraden beror på datatillgänglighet, men för företag med återkommande kunder kan det hjälpa till att förebygga bedrägeritvister från att någonsin kommer in i systemet.
Lösning
Våra integrationer med Verifi och Ethoca gör det också möjligt för företag att lösa tvister innan de formellt går in i återkrediteringsprocessen. När en kortinnehavare initierar en tvist skickar dessa nätverk en varning till Stripe innan återkrediteringen lämnas in. Företag kan konfigurera regler för att automatiskt återbetala kvalificerande tvister (till exempel alla ”produkt ej mottagen”-tvister under 10 USD). Återbetalningen löser tvisten omedelbart, företaget undviker återkrediteringsavgiften och viktigast av allt, kortnätverken räknar inte in den i företagets tvistfrekvens, vilket hjälper till att hålla företaget borta från övervakningsprogram.
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, i vilket format, maximerar sannolikheten att vinna en given tvist? Svaret varierar beroende på orsakskod, utfärdare och transaktionstyp, och varje enskilt företag ser sannolikt för få tvister för att lära sig dessa mönster.
Stripes Smart Disputes-systemet tränas på tvistutfall över miljontals transaktioner, vilket ger tillräckliga signaler för att identifiera vad som fungerar. Systemet 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 i denna guide täcker hela betalningslivscykeln och de ackumuleras på flera sätt. Bättre bedrägeripoäng kan leda till färre bedrägliga transaktioner som når auktorisering. Starkare autentisering innebär att fler transaktioner omfattas av ansvarsförskjutning. Och interventioner efter auktorisation återför 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 den sammansatta effekten av flerstegsoptimering blir mest synlig.
Mer detaljerade målfunktioner
Stripes optimeringsmodeller är bara så bra som deras förståelse för 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 en helt annan nivå av bedrägeririsk än ett företag som säljer fysiska varor med 8 % marginal, och vissa företag säljer båda. Bedrägerimodellen, autentiseringsmotorn och auktorisationsoptimeraren bör alla känna till detta och anpassa sig därefter.
Vissa företag bryr sig bara litegrann om bedrägeritvister, andra vill minimera all risk, inklusive förstapartsbedrägerier och policymissbruk. Vissa är villiga att acceptera högre bedrägeriantal i utbyte mot att maximera konverteringen under en kampanjperiod. Ju mer precist Stripe kan fånga ett företags faktiska ekonomi och prioriteringar, desto bättre kan varje modell i pipelinen optimera för företagets räkning.
Större modeller
Stripes modeller blir både bredare och djupare. Vi skalade nyligen upp träningsdataset för vår bedrägerimodell från ungefär 800 miljoner till mer än 11 miljarder historiska transaktioner, vilket täcker ett mycket bredare spektrum av geografier, produkter och bedrägerimönster. Våra djupa neurala nätverk 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 förutsägelse stärker en annan.
Agenter för ostrukturerade problem
De flesta optimeringarna i denna guide bygger på strukturerade data som transaktionsbelopp, avvisningskoder, enhetsfingeravtryck och bedrägeripoäng. Men några av de mest värdefulla problemen i betalningar involverar ostrukturerad information. Tvistrepresentation är en naturlig matchning som kräver att man sätter ihop ett vinnande bevispaket, läser nätverksregler (Visa och Mastercard publicerar båda hundratals sidor med tvistregler som kan ändras regelbundet), matchar rätt bevistyp till den specifika orsakskoden och utfärdaren, samt sammanfattar transaktionsdata till en sammanhängande berättelse. Vi bygger agenter som kan tolka nätverksregler direkt och kan kombinera den förståelsen med AI-modeller som förutsäger vilka bevis som är mest övertygande för ett givet tvistscenario, och hanterar fall som regelbaserade system inte kan.
Experimenterande
Utöver enskilda initiativ genomför Stripe experiment kontinuerligt under hela betalningsresan. Varje experiment i betalningslivscykeln är instrumenterat för att mäta påverkan på auktorisationsfrekvenser, bedrägerier, bearbetningskostnader och interchange. Varje vecka testas nya idéer, och de som lyckas skickas automatiskt till företag på Stripe. Varje optimering i denna guide upptäcktes, testades och implementerades genom denna process, och tempot i experimenteringen har ökat mer än fyra gånger under de senaste två åren.
Och för företag som vill gå längre genom att dela marginaldata, justera riskpreferenser, tillhandahålla mer detaljerad produktinformation och testa nya idéer, blir optimeringsytan bara större. Kontakta oss – vi samarbetar gärna.