ปัญหา

Matches Fashion เป็นธุรกิจค้าปลีกที่มีหน้าร้านซึ่งก่อตั้งขึ้นในปี 1987 และเปลี่ยนมาจำหน่ายสินค้าทางออนไลน์ในปี 2007 ทุกวันนี้บริษัทมียอดเข้าชมเว็บไซต์มากกว่า 130 ล้านครั้งต่อปี มียอดขายทางออนไลน์ 95% และมีลูกค้าที่ดาวน์โหลดแอป Matches Fashion กว่า 2 ล้านคน เนื่องจากยอดขายส่วนใหญ่มาจากการทำธุรกิจออนไลน์ การเพิ่มอัตราอนุมัติการชำระเงินจึงเป็นสิ่งสำคัญมาก นอกจากนี้ลูกค้าของ Matches Fashion ยังอยู่ใน 176 ประเทศ ทำให้บริษัทระบุได้ว่าการขยายวิธีการชำระเงินจะช่วยเพิ่มรายรับและมอบประสบการณ์ที่เหนือระดับแก่ลูกค้า

วิธีแก้ปัญหา

Matches Fashion ทำงานร่วมกับ Stripe เพื่อใช้เครือข่ายบัตรทั่วโลก 6 เครือข่าย (Visa, Mastercard, Amex, JCB, CUP, Discover) รวมถึงเครือข่ายบัตรท้องถิ่น (Cartes Bancaires) เพื่อให้ลูกค้าได้รับประสบการณ์การชำระเงินที่มีประสิทธิภาพและปรับเปลี่ยนตามความต้องการที่แตกต่างกันได้ และบริษัทยังเริ่มใช้ฟีเจอร์ระบบอัปเดตข้อมูลบัตรอัตโนมัติ รวมถึงเครื่องมือ Adaptive Acceptance ของ Stripe ที่ใช้แมชชีนเลิร์นนิงในการปรับข้อความอนุมัติการชำระเงินให้เหมาะสมอีกด้วย

สุดท้าย Matches Fashion ก็ได้ประโยชน์จากบริการชำระเงินหลายสกุลเงินที่มีประสิทธิภาพของ Stripe ซึ่งช่วยปกป้องผลกำไรและลดความเสี่ยงต่างๆ เกี่ยวกับสกุลเงินและอัตราแลกเปลี่ยน

ผลลัพธ์

ภายใน 1 ปี Matches Fashion ก็มีอัตราอนุมัติการชำระเงินเพิ่มขึ้น 2.47% ทำให้มีรายรับเพิ่มขึ้นมากกว่า 6 ล้านปอนด์ต่อปี ทั้งยังได้ผลลัพธ์ที่ดีกว่านี้ในตลาดบางแห่งอีกด้วย เช่น การใช้เครือข่ายบัตรท้องถิ่นที่ชื่อว่า Cartes Bancaires ที่ฝรั่งเศสในช่วงแรกทำให้ Matches Fashion มีอัตราอนุมัติการชำระเงินเพิ่มขึ้นเป็นตัวเลขสองหลัก

"เราเพิ่มอัตราการยอมรับได้โดยใช้วิธีการเฉพาะสำหรับตลาดแต่ละแห่งผ่านการผสานการทำงานเพียงหนึ่งเดียว ทำให้สามารถมอบวิธีการการชำระเงินที่คนในท้องถิ่นต้องการ รวมถึงเพิ่มประสิทธิภาพในการชำระเงิน และใช้ 3D Secure ที่สะดวกสำหรับลูกค้า" Lauren Mirynowski ผู้จัดการผลิตภัณฑ์ของ Matches Fashion กล่าว

ข้อมูลแบบละเอียดเกี่ยวกับฟีเจอร์หลักของ Stripe ที่ Matches Fashion ใช้เพื่อเพิ่มรายรับ 2.47% มีดังนี้

Adaptive Acceptance ช่วยเพิ่มอัตราอนุมัติการชำระเงินได้ด้วยแมชชีนเลิร์นนิง

Adaptive Acceptance ใช้แมชชีนเลิร์นนิงเพื่อปรับข้อความอนุมัติการชำระเงินให้เหมาะสมและตัดสินใจเรียกเก็บเงินตามแบบแผนล่วงหน้าแบบอัจฉริยะทันที โมเดลแมชชีนเลิร์นนิงของ Stripe ใช้ประโยชน์จากข้อมูลจำนวนมากในช่วงที่ผ่านมาของ Stripe เช่น ประเภทธุรกรรม บริษัทผู้ออกบัตร และประเภทผู้ค้าที่ได้มาจากการประมวลผลการชำระเงินหลายแสนล้านรายการต่อปี ซึ่งมีนักวิทยาศาสตร์และวิศวกรข้อมูลของ Stripe คอยปรับปรุงโมเดลเหล่านี้อยู่เสมอ เพื่อให้ผู้ค้ารับชำระเงินที่ดำเนินการอย่างถูกต้องได้มากที่สุดและมีรายรับเพิ่มขึ้น

ระบบอัปเดตข้อมูลบัตรอัตโนมัติช่วยป้องกันการปฏิเสธบัตรในอนาคต

Stripe ทำงานร่วมกับเครือข่ายบัตรหลายแห่งเพื่ออัปเดตรายละเอียดบัตรที่บันทึกไว้โดยอัตโนมัติทุกครั้งที่ลูกค้าได้รับบัตรใหม่ (เช่น ใช้แทนบัตรที่หมดอายุ สูญหาย หรือถูกขโมย) ซึ่งการดำเนินการนี้สำคัญต่อ Matches Fashion เป็นอย่างมาก เนื่องจากปกติแล้วลูกค้าต้องเสียเวลาอัปเดตข้อมูลบัตรเครดิตที่บันทึกไว้ก่อนหน้าซ้ำๆ ทำให้ทิ้งรถเข็นสินค้ากลางคัน และ/หรือบัตรถูกปฏิเสธ ตลอดจนทำให้บริษัทสูญเสียรายรับ

โซลูชันการฉ้อโกงแบบปรับแต่งได้ ซึ่งสร้างขึ้นร่วมกับ Stripe

สำหรับ Matches Fashion แล้ว การรักษาสมดุลของอัตราอนุมัติการชำระเงินให้อยู่ในระดับสูงโดยมีอัตราการฉ้อโกงต่ำเป็นเป้าหมายที่สำคัญอย่างมาก และบริษัทก็เลือกใช้ Stripe Radar ในการตรวจจับและบล็อกการฉ้อโกงผ่านการใช้แมชชีนเลิร์นนิงที่ฝึกจากข้อมูลของบริษัทหลายล้านแห่งทั่วโลกเพื่อให้บรรลุเป้าหมายนี้ อีกทั้ง Stripe และ Matches Fashion ยังทำงานร่วมกันอย่างใกล้ชิดเพื่อเพิ่มผลลัพธ์ให้ธุรกิจ และนำความคิดเห็นของ Matches Fashion มาต่อยอดผลิตภัณฑ์ Stripe Radar โดยตรงอีกด้วย ซึ่งทำให้เกิดฟีเจอร์ใหม่ๆ ขึ้น เช่น ข้อมูลเชิงลึกด้านความเสี่ยง จำนวนกฎใน Radar ที่เพิ่มขึ้น และความสามารถในการมอบหมายให้ตัวแทนภายในตรวจสอบด้วยตนเอง

Stripe ช่วยให้ Matches Fashion มอบประสบการณ์ที่เหนือระดับแก่ลูกค้าได้สำเร็จ

Matches Fashion เป็นแบรนด์สุดหรูซึ่งมุ่งมั่นที่จะมอบประสบการณ์ที่ดีที่สุดแก่นักช้อปในการชำระเงินทุกขั้นตอน "ลูกค้าของเรามีมูลค่าคำสั่งซื้อเฉลี่ยสูงสุด 500 ปอนด์ และคาดหวังว่าจะทำธุรกรรมได้อย่างราบรื่นบนเว็บไซต์ ไม่ว่าจะอยู่ที่ไหนหรือใช้อุปกรณ์ใดดำเนินการก็ตาม" Mirynowski กล่าว Stripe ไม่เพียงสนับสนุน Matches Fashion ในด้านการชำระเงินเท่านั้น แต่ยังช่วยในการวิเคราะห์พฤติกรรมลูกค้าที่ทำการซื้อกับผู้ค้าทุกรายในระบบของ Stripe อีกด้วย ซึ่งขณะนี้บริษัทวางแผนว่าจะใช้ข้อมูลดังกล่าวในการสร้างประสบการณ์การชำระเงินที่ปรับให้เข้ากับลูกค้ามากขึ้น