การชำระเงินคือโจทย์การเพิ่มประสิทธิภาพหลายขั้นตอน

การเพิ่มประสิทธิภาพการชำระเงินมักถูกมองว่าเป็นปัญหาของอัตราการอนุมัติ กล่าวคือการส่งข้อความในรูปแบบที่ถูกต้องไปยังบริษัทผู้ออกบัตรและเพิ่มโอกาสที่จะได้รับการอนุมัติให้มากที่สุด แต่ในทางปฏิบัติ ขอบเขตของการเพิ่มประสิทธิภาพกว้างกว่านั้นมาก การชำระเงินต้องผ่านหลายขั้นตอน ไม่ว่าจะเป็นการชำระเงิน การประเมินการฉ้อโกง การตรวจสอบสิทธิ์ การอนุมัติ การหักบัญชี และการโต้แย้งการชำระเงิน โดยแต่ละขั้นตอนล้วนเป็นโอกาสในการเพิ่มคอนเวอร์ชัน ลดต้นทุน และป้องกันการฉ้อโกง

Stripe ใช้การเพิ่มประสิทธิภาพในทุกขั้นตอน ตั้งแต่การปรับแบบฟอร์มการชำระเงินให้เหมาะกับแต่ละบุคคล ไปจนถึงการตัดสินใจว่าจะขอคำถามตรวจสอบสิทธิ์ 3DS หรือการยกเว้น และการจัดรูปแบบช่องข้อมูลในข้อความแจ้งการอนุมัติ การแทรกแซงที่เหมาะสมในขั้นตอนหนึ่งมักขึ้นอยู่กับสิ่งที่เกิดขึ้นในอีกขั้นตอนหนึ่ง เช่น โมเดลตรวจจับการฉ้อโกงที่บล็อกอย่างเข้มงวดเกินไปอาจช่วยลดอัตราการโต้แย้ง แต่ส่งผลเสียต่อคอนเวอร์ชัน ขณะที่กลยุทธ์การตรวจสอบสิทธิ์ที่มุ่งลดความยุ่งยากโดยไม่คำนึงถึงระดับความเสี่ยงที่ยอมรับได้ จะก่อให้เกิดการปฏิเสธและการโต้แย้งการชำระเงินเพิ่มขึ้นในขั้นตอนถัดไป ผลลัพธ์ที่ดีที่สุดจะเกิดขึ้นได้ก็ต่อเมื่อเราคำนึงถึงความสัมพันธ์เหล่านี้ และการสร้างระบบในแต่ละขั้นตอนที่ตระหนักถึงผลกระทบต่อขั้นตอนอื่นๆ

คู่มือนี้จะอธิบายวิธีที่ Stripe เพิ่มประสิทธิภาพการชำระเงินในขั้นตอนเหล่านี้ โดยสร้างรายรับเพิ่มขึ้นมากถึง 27,000 ล้านดอลลาร์ต่อปี ช่วยลดการฉ้อโกงลง 38% โดยเฉลี่ย และลดต้นทุนการดำเนินการได้ถึง 2.8% สำหรับธุรกิจ Stripe

1. การชำระเงิน

ธุรกิจต่างๆ ไม่ได้สูญเสียรายรับส่วนใหญ่ไปเพราะถูกบริษัทผู้ออกบัตรปฏิเสธ แต่เป็นเพราะลูกค้าละทิ้งที่ขั้นตอนการชำระเงิน

ลูกค้าในเนเธอร์แลนด์ที่ไม่เห็น iDEAL อาจละทิ้งตะกร้าสินค้าของตน ลูกค้าในบราซิลที่เห็นราคาเป็นดอลลาร์สหรัฐอาจเลิกดำเนินการซื้อกลางคัน เนื่องจากไม่แน่ใจว่าจะมีค่าธรรมเนียม FX ปรากฏในใบแจ้งยอดหรือไม่ และจะเป็นจำนวนเท่าใด ลูกค้าที่พิจารณาการซื้อที่มีมูลค่าสูง แล้วไม่มีตัวเลือกในการแบ่งชำระกับผู้ให้บริการ "ซื้อตอนนี้ จ่ายทีหลัง" อาจตัดสินใจว่าการทำธุรกรรมนั้นไม่คุ้มค่า ปัญหาเหล่านี้พบเจอได้บ่อยกว่าที่ใครๆ คาด การแสดงวิธีการชำระเงินที่ไม่เกี่ยวข้องกับลูกค้าแม้แต่วิธีเดียวก็สามารถลดคอนเวอร์ชันได้ถึง 15%

การปรับแบบฟอร์มการชำระเงินให้เหมาะกับแต่ละบุคคล

การชำระเงินที่เหมาะสมที่สุดจะแตกต่างกันไปในแต่ละธุรกรรม ชุดวิธีการชำระเงินที่เหมาะสมและลำดับการแสดงผล สกุลเงิน ช่องข้อมูลที่จะแสดงในแบบฟอร์ม และการตัดสินใจว่าจะเริ่มมาตรการป้องกันการฉ้อโกงหรือไม่ ล้วนขึ้นอยู่กับว่าลูกค้าคือใคร อยู่ที่ไหน กำลังซื้ออะไร และใช้อุปกรณ์ใด การกำหนดค่าขึ้นมาแบบตายตัวไม่สามารถตามทันได้

Stripe มองกระบวนการนี้เป็นชุดการตัดสินใจแบบเรียลไทม์ ให้คุณลองนึกถึงการเลือกวิธีการชำระเงิน วิธีการแบบดั้งเดิมคือการเลือกกำหนดค่ารูปแบบหนึ่งแล้วใช้ไปตลอด แต่ชุดวิธีการชำระเงินที่เหมาะสมที่สุดจะเปลี่ยนไปตามพฤติกรรมของลูกค้า ความชอบในแต่ละภูมิภาค และความพร้อมใช้งานของวิธีการชำระเงินที่เปลี่ยนแปลงไป นี่คือปัญหาที่เรียกว่า Multiarmed Bandit Problem ซึ่งตั้งชื่อตามการที่นักพนันต้องเผชิญกับสล็อตแมชชีนหลายเครื่องเรียงกันโดยไม่ทราบว่าเครื่องไหนจะให้อัตราการจ่ายเงินสูงกว่ากัน คุณต้องลองตัวเลือกใหม่ๆ อยู่เสมอเพื่อเรียนรู้ว่าตัวเลือกใดให้ผลดีที่สุด ขณะที่ยังคงสร้างรายได้จากตัวเลือกที่ได้ผลอยู่แล้ว โมเดล AI ของ Stripe ผ่านการเทรนด้วยข้อมูลธุรกรรมหลายพันล้านรายการ และจะคอยรักษาสมดุลระหว่างทั้งสองด้านนี้อย่างต่อเนื่อง โดยผสานสัญญาณในเซสชัน เช่น ประเภทอุปกรณ์ ภาษาของเบราว์เซอร์ และความพร้อมใช้งานของวิธีการชำระเงิน ควบคู่กับสัญญาณระดับเครือข่าย เช่น วิธีการชำระเงินที่ธุรกิจที่มีลักษณะคล้ายกันนิยมใช้

สกุลเงินยังเป็นมิติที่ส่งผลกระทบสูงเป็นพิเศษ ลูกค้าส่วนใหญ่ต้องการชำระเงินในสกุลเงินท้องถิ่นของตน และ Adaptive Pricing ของ Stripe จะใช้โมเดล AI คาดการณ์สกุลเงินที่ลูกค้าต้องการใช้จริงๆ ซึ่งช่วยผลักดันรายรับข้ามพรมแดนให้เพิ่มขึ้นได้ถึง 17.8%

เมื่อรวมกันแล้ว การเพิ่มประสิทธิภาพเหล่านี้ อันได้แก่ การจัดลำดับวิธีการชำระเงินแบบไดนามิก, Adaptive Pricing และข้อมูลการชำระเงินที่บันทึกไว้ จะช่วยผลักดันรายรับเฉลี่ยให้เพิ่มขึ้น 11.9% สำหรับธุรกิจที่ใช้ชุดเครื่องมือด้านการชำระเงินที่เพิ่มประสิทธิภาพ

ปรากฏการณ์เครือข่ายของข้อมูลการชำระเงินที่บันทึกไว้

แม้แต่การชำระเงินที่ปรับให้เหมาะกับแต่ละบุคคลอย่างดีที่สุดก็ยังต้องให้ลูกค้าพิมพ์หมายเลขบัตรเอง สำหรับลูกค้าที่กลับมาใช้บริการ นี่คือความยุ่งยากที่ไม่จำเป็น Link ซึ่งเป็นกระเป๋าเงินดิจิทัลที่สร้างโดย Stripe จะขจัดปัญหานี้ออกไป หากลูกค้ามีวิธีการชำระเงินที่บันทึกไว้ใน Link ระบบจะจดจำลูกค้ารายนั้น ไม่ว่าจะผ่านคุกกี้ รายละเอียดบัญชี หรือวิธีการตรวจสอบสิทธิ์อื่นๆ จากนั้นลูกค้าจะสามารถชำระเงินได้เร็วขึ้นกับธุรกิจใดก็ตามที่เปิดใช้ Link บนเครือข่าย Stripe แม้แต่ธุรกิจที่ลูกค้าไม่เคยไปมาก่อน นี่คือปรากฏการณ์เครือข่ายตามความหมายที่แท้จริง ธุรกิจใหม่แต่ละแห่งที่นำ Link มาใช้จะช่วยยกระดับประสบการณ์ลูกค้าในธุรกิจอื่นๆ และได้รับประโยชน์ในทำนองเดียวกัน ปัจจุบัน Link มีวิธีการชำระเงินที่บันทึกไว้มากกว่า 200 ล้านรายการ และธุรกิจที่มีฐานลูกค้าประจำจำนวนมากพบว่าคอนเวอร์ชันของผู้ใช้ที่กลับมาใช้บริการเพิ่มขึ้นโดยเฉลี่ย 14%

2. การประเมินการฉ้อโกง

เมื่อมีการพยายามชำระเงิน ปัญหาจะเปลี่ยนไป คำถามไม่ใช่ว่าลูกค้าจะซื้อหรือไม่อีกต่อไป แต่เป็นคำถามที่ว่าธุรกรรมนั้นถูกต้องแท้จริงหรือไม่ มีโอกาสมากกว่า 92% ที่ Stripe จะเคยเห็นบัตรใบนั้นมาก่อน แต่เครือข่ายของ Stripe ครอบคลุมช่องทางอื่นๆ ด้วย ไม่ใช่แค่บัตร ในกลุ่มธุรกิจหลายล้านราย เครือข่ายของเราสังเกตเห็นความสัมพันธ์ระหว่างวิธีการชำระเงิน อุปกรณ์ และรูปแบบธุรกรรม ที่ช่วยแยกแยะกิจกรรมสุจริตออกจากการฉ้อโกง โมเดลตรวจจับการฉ้อโกงของ Stripe จะใช้สัญญาณที่รวบรวมจากทั่วเครือข่ายเพื่อประเมินความเสี่ยงของธุรกรรมแต่ละรายการ

การประเมินความเสี่ยง

การทดสอบบัตรต้องใช้โมเดลและสัญญาณที่แตกต่างจากการฉ้อโกงด้วยบัตรที่ถูกขโมย ซึ่งบุคคลจริงพยายามซื้อสินค้าด้วยวิธีการชำระเงินของผู้อื่น สำหรับการฉ้อโกงด้วยบัตรที่ถูกขโมยอย่างเดียว Stripe มีการคาดการณ์ที่แตกต่างกันหลายด้าน ได้แก่ บัตรใบนี้น่าจะถูกขโมยหรือไม่ ธุรกรรมนี้จะส่งผลให้เกิดการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงหรือไม่ ธุรกรรมนี้จะกระตุ้นให้เครือข่ายบัตรส่งคำเตือนว่าอาจเป็นการฉ้อโกงหรือไม่ และแม้ว่าธนาคารไม่มีแนวโน้มที่จะโต้แย้ง Stripe เชื่อว่าธุรกรรมนั้นเป็นการฉ้อโกงหรือไม่ การคาดการณ์แต่ละด้านมีผลกระทบที่แตกต่างกันต่อสิ่งที่จะเกิดขึ้นต่อไป

โมเดลอาศัยสัญญาณ 3 ชั้น ชั้นแรกคือเครือข่าย Stripe เอง ซึ่งสังเกตเห็นรูปแบบโดยรวมจากปริมาณการชำระเงินต่อปีมากกว่า 1 ล้านล้านดอลลาร์ ครอบคลุมธุรกิจหลายล้านแห่ง ชั้นที่สองคือข้อมูลภายนอก เช่น ข้อมูลการชำระเงินของบัตรที่ถูกขโมยซึ่งรวบรวมมาจากทั่วอินเทอร์เน็ต ชั้นที่สามคือข้อมูลเฉพาะของธุรกิจ Stripe Radar จะสังเกตรูปแบบที่เป็นปกติของธุรกิจหนึ่งๆ ผ่าน Embedding ประจำธุรกิจที่เรียนรู้แล้ว ขณะที่ยังคงได้รับประโยชน์จากความครอบคลุมของโมเดลระดับโลก

ขอบเขตของการคาดการณ์เหล่านี้กำลังขยายตัวเช่นกัน ในอดีต การฉ้อโกงหมายถึงการขโมยบัตรและการทดสอบบัตร แต่ลูกค้าที่ลงทะเบียนทดลองใช้ฟรีหรือในราคาส่วนลดหลายพันครั้งในทางที่ผิดก็มักจะไม่มีวันสร้างคอนเวอร์ชัน และการทดลองใช้นั้นเองก็ก่อให้เกิดต้นทุนโดยตรงต่อธุรกิจ ปัจจุบัน ลูกค้าที่ใช้แผนเรียกเก็บเงินตามการใช้งานอาจสะสมค่าใช้จ่ายจำนวนมากโดยไม่มีเจตนาจะจ่าย นี่ไม่ใช่รูปแบบการฉ้อโกงการชำระเงินแบบดั้งเดิม แต่ต้องใช้ระเบียบเดียวกัน ได้แก่ การคาดการณ์ที่แตกต่างกันไป เทรนด้วยสัญญาณที่เหมาะสม และนำมาใช้เพื่อกำหนดการตอบสนองที่ถูกต้อง

การคาดการณ์เหล่านี้อาจได้รับการนำไปใช้แตกต่างกัน โดยขึ้นอยู่กับระดับความเสี่ยงที่ธุรกิจยอมรับได้ ธุรกิจที่หลีกเลี่ยงความเสี่ยงอย่างจริงจังอาจจะบล็อกการฉ้อโกงที่คาดการณ์ไว้ทั้งหมด ไม่ว่าบริษัทผู้ออกบัตรจะโต้แย้งหรือไม่ก็ตาม ธุรกิจที่มุ่งเพิ่มคอนเวอร์ชันให้สูงสุดอาจจะเลือกบล็อกเฉพาะธุรกรรมที่มีแนวโน้มจะส่งผลให้เกิดการโต้แย้งการชำระเงินที่เป็นการฉ้อโกงเท่านั้น ธุรกิจที่ใกล้เข้าข่ายต้องตรวจสอบของแบรนด์บัตรอาจจะบล็อกทั้งการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงและธุรกรรมที่มีแนวโน้มจะกระตุ้นให้ส่งคำเตือนว่าอาจเป็นการฉ้อโกง

การเลือกการแทรกแซงที่เหมาะสม

การประเมินความเสี่ยงคือการคาดการณ์ว่าธุรกรรมนั้นมีความเสี่ยงเพียงใด แต่ไม่ได้บอกว่าต้องทำอย่างไรกับธุรกรรมนั้น การตอบสนองที่ง่ายที่สุดคือการบล็อกธุรกรรม แต่หากบล็อกผิดก็อาจสูญเสียรายรับ คำถามคือมีวิธีลดความเสี่ยงที่มีต้นทุนน้อยกว่าหรือไม่

Stripe มองการเลือกมาตรการแทรกแซงว่าเป็น Contextual Bandit Problem กล่าวคือต้องเลือกชุดการดำเนินการและสร้างโมเดลเพื่อคาดการณ์ผลลัพธ์ที่คาดหวังของแต่ละตัวเลือก มาตรการแทรกแซงบางอย่างเป็นที่คุ้นเคยกันอยู่แล้ว เช่น การแสดงการยืนยัน CAPTCHA เพื่อกรองบอต หรือการขอใช้ 3DS อันเป็นเพียงตัวอย่างบางส่วนจากชุดมาตรการแทรกแซงที่มีอีกมากมาย ซึ่งแต่ละอย่างส่งผลต่อคอนเวอร์ชัน การฉ้อโกง และต้นทุนแตกต่างกันไป และผลกระทบยังแตกต่างกันตามบริบทด้วย ตัวอย่างเช่น บริษัทผู้ออกบัตรในสหรัฐฯ หลายรายมีอัตราการทำ 3DS จนสำเร็จต่ำ การเพิ่มคำถามตรวจสอบสิทธิ์ 3DS กับบริษัทเหล่านั้นอาจไม่ช่วยลดการฉ้อโกง แต่จะส่งผลเสียต่อคอนเวอร์ชันอย่างแน่นอน

Stripe มีโมเดลสำหรับเรื่องนี้ เราเลือกสรรมาตรการแทรกแซงเหล่านี้โดยประมาณการผลกำไรที่คาดหวัง สำหรับมาตรการแทรกแซงแต่ละอย่างที่พิจารณา Stripe จะประเมินว่าความน่าจะเป็นของคอนเวอร์ชัน ความน่าจะเป็นของการฉ้อโกง และต้นทุนจะเปลี่ยนแปลงไปอย่างไรตามตัวเลือกที่เลือก ธุรกรรมที่ผ่านคำถามตรวจสอบสิทธิ์ 3DS มักมีความน่าจะเป็นเกือบเป็นศูนย์ที่จะเกิดการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกง แต่มีความน่าจะเป็นที่จะเกิดคอนเวอร์ชันต่ำกว่าอย่างเห็นได้ชัด โมเดลจะเลือกมาตรการแทรกแซงที่เพิ่มผลกำไรที่คาดหวังให้สูงสุด โดยพิจารณาจากโปรไฟล์ความเสี่ยงของธุรกรรม ความโน้มเอียงด้านความเสี่ยงของธุรกิจ และบริษัทผู้ออกบัตรและวิธีการชำระเงินที่เกี่ยวข้อง

จากการคาดการณ์และมาตรการแทรกแซงเหล่านี้ Radar ช่วยลดการฉ้อโกงได้เฉลี่ย 38% สำหรับธุรกิจบน Stripe ในขณะที่บล็อกธุรกรรมที่ถูกต้องแท้จริงน้อยกว่า 0.05%

3. การตรวจสอบสิทธิ์

ส่วนก่อนหน้านี้อธิบายวิธีที่ Stripe เลือกมาตรการแทรกแซง รวมถึงการตัดสินใจว่าจะเรียกใช้การตรวจสอบสิทธิ์ 3DS เลยหรือไม่ ส่วนนี้จะเจาะลึกลงไปในสิ่งที่เกิดขึ้นเมื่อเลือกเส้นทาง 3DS เพราะการตัดสินใจไม่ได้จบแค่นั้น 3DS คือกลุ่มตัวเลือกที่มีผลกระทบแตกต่างกันมากในแง่ของคอนเวอร์ชัน ต้นทุน และการปฏิบัติตามข้อกำหนด และตัวเลือกที่เหมาะสมขึ้นอยู่กับความเสี่ยงของธุรกรรม บริบทด้านกฎระเบียบ และบริษัทผู้ออกบัตรที่เกี่ยวข้อง

เรากำลังเพิ่มประสิทธิภาพในวัตถุประสงค์ที่แข่งขันกัน 3 ด้านพร้อมกัน ได้แก่ การปฏิบัติตามข้อกำหนด การป้องกันการฉ้อโกง และคอนเวอร์ชัน คำตอบที่ถูกต้องคือการตัดสินใจที่แตกต่างกันในธุรกรรมแต่ละรายการ โดยใช้ทุกสิ่งที่รู้เกี่ยวกับความเสี่ยงของธุรกรรม อุปกรณ์ของลูกค้า และพฤติกรรมของบริษัทผู้ออกบัตร เพื่อเลือกระหว่างคำถามตรวจสอบสิทธิ์เต็มรูปแบบ การยกเว้นโดยไร้อุปสรรค การแลกเปลี่ยนข้อมูลเบื้องหลัง หรือไม่ผ่านการตรวจสอบสิทธิ์เลย

ข้อยกเว้นและความท้าทาย

เครื่องมือตรวจสอบสิทธิ์ของ Stripe ใช้คะแนนการฉ้อโกงจาก Radar เพื่อกำหนดเส้นทางธุรกรรมที่มีสิทธิ์ผ่านเส้นทางที่ยุ่งยากน้อยที่สุดเท่าที่จะเป็นไปได้ ธุรกรรมที่มีความเสี่ยงต่ำซึ่งต่ำกว่าเกณฑ์ด้านกฎระเบียบจะได้รับการยกเว้นมูลค่าต่ำ โดยข้ามการตรวจสอบสิทธิ์ไปโดยสิ้นเชิง หากสูงกว่าเกณฑ์ ระบบจะขอการยกเว้น TRA (หากมี) เมื่อความเสี่ยงอยู่ในระดับปานกลาง ระบบจะใช้การตรวจสอบสิทธิ์แบบ Data Only โดยแบ่งปันลายนิ้วมือของอุปกรณ์และบริบทธุรกรรมกับบริษัทผู้ออกบัตรเบื้องหลัง ทำให้ลูกค้าไม่เห็นคำถามตรวจสอบสิทธิ์ใดๆ คำถามตรวจสอบสิทธิ์ 3DS แบบเต็มรูปแบบจะถูกสงวนไว้สำหรับกรณีที่มีระดับความเสี่ยงสมควรใช้ หรือไม่มีการยกเว้นที่เหมาะสม

คะแนนการฉ้อโกงคือตัวแปรแยกสาขาในทุกโหนด และระบบจะปรับให้เข้ากับพฤติกรรมของบริษัทผู้ออกบัตร โดยบางรายอนุมัติกระบวนการ Data Only อย่างสม่ำเสมอในขณะที่บางรายไม่ และ Stripe จะกำหนดเส้นทางตามนั้น ในกลุ่มธุรกรรมของยุโรป การตรวจสอบสิทธิ์แบบ Data Only เพียงอย่างเดียวสร้างปริมาณการชำระเงินที่ได้รับอนุมัติเพิ่มขึ้น 147 ล้านดอลลาร์ และช่วยประหยัดต้นทุนให้ธุรกิจได้มากกว่า 2.5 ล้านดอลลาร์ต่อเดือน

การเพิ่มประสิทธิภาพการหมดเวลาของการตรวจสอบเอกลักษณ์

แผนผังการตัดสินใจจะกำหนดเส้นทางการตรวจสอบสิทธิ์ที่ธุรกรรมแต่ละรายการใช้ แต่แม้จะอยู่ในเส้นทางนั้นๆ ก็ยังมีโอกาสเพิ่มประสิทธิภาพได้อีก อย่างการตรวจสอบเอกลักษณ์ซึ่งเป็นขั้นตอนแรกที่เป็นทางเลือกของกระบวนการ 3DS การตรวจสอบเอกลักษณ์ใน 3DS จะรวบรวมข้อมูลอุปกรณ์และเบราว์เซอร์ผ่าน iframe เพื่อช่วยธนาคารผู้ออกบัตรประเมินความเสี่ยงของธุรกรรม นี่เป็นขั้นตอนเสริมในโปรโตคอลที่รองรับธุรกรรมบน Stripe ประมาณ 68% และสามารถเพิ่มคอนเวอร์ชันได้เมื่อทำสำเร็จ แต่กระบวนการนี้ใช้เวลาแตกต่างกันไปในแต่ละอุปกรณ์ และความหน่วงที่เพิ่มขึ้นอาจทำให้การตรวจสอบสิทธิ์ล้มเหลวโดยสิ้นเชิง

ปัญหาประเภทนี้เองที่การวัดผลอย่างแม่นยำจะให้ผลตอบแทนคุ้มค่า Stripe ทำการทดสอบ A/B แบบหลายตัวแปรเพื่อหาระยะเวลาที่เหมาะสมในการรอตรวจสอบเอกลักษณ์ก่อนที่จะดำเนินการต่อโดยไม่ใช้ข้อมูลนั้น การหาจุดสมดุลนี้ต้องอาศัยความแม่นยำสูง รอนานเกินไปก็สูญเสียลูกค้าเพราะความหน่วง ข้ามเร็วเกินไปก็สูญเสียข้อมูลที่จะช่วยให้บริษัทผู้ออกบัตรตัดสินใจได้ดีขึ้น ระยะหมดเวลาที่เหมาะสมจะแตกต่างกันไปตามอุปกรณ์และบริษัทผู้ออกบัตร และการค้นพบค่าที่เหมาะสมนี้ช่วยกู้คืนการชำระเงินได้มากกว่า 39 ล้านดอลลาร์นับตั้งแต่เดือนมีนาคม 2025

3DS ในฐานะกลยุทธ์การลองใหม่

ผู้ประมวลผลส่วนใหญ่ถือว่าการปฏิเสธที่เกี่ยวข้องกับความเสี่ยงเป็นที่สิ้นสุด แต่หนึ่งในการเพิ่มประสิทธิภาพที่สวนทางกับความเคยชินที่เราค้นพบคือ สำหรับการปฏิเสธเหล่านี้ การเพิ่มการตรวจสอบสิทธิ์ในภายหลังสามารถกู้คืนการชำระเงินได้

การตรวจสอบสิทธิ์ 3DS เพิ่มความหน่วง ทำให้เกิดความยุ่งยาก และมีต้นทุนการดำเนินการของตัวเอง ดังนั้นคำถามจึงไม่ใช่แค่ "3DS จะช่วยได้หรือไม่" แต่ "มูลค่าที่คาดหวังจากการลองใช้ 3DS อีกครั้งนั้นเกินต้นทุนในการลองหรือไม่" Stripe สร้างโมเดลประเมินข้อนี้โดยตรง โดยอิงจากเหตุผลในการปฏิเสธ บริษัทผู้ออกบัตร ประเภทบัตร และโปรไฟล์ธุรกรรมที่เฉพาะเจาะจง รหัสปฏิเสธบางรหัสให้ผลลัพธ์ที่แน่นอนเกือบตายตัว (บัตรไม่ถูกต้องจริงๆ และไม่มีการตรวจสอบสิทธิ์ใดเปลี่ยนแปลงได้) รหัสอื่นๆ บ่งชี้ว่าบริษัทผู้ออกบัตรต้องการความมั่นใจมากขึ้นว่ามีเจ้าของบัตรอยู่จริง และคำถามตรวจสอบสิทธิ์ 3DS ตอบสนองความต้องการนั้นได้พอดี โมเดลจะเรียนรู้ว่ารหัสใดและบริษัทผู้ออกบัตรรายใดตอบสนองต่อการตรวจสอบสิทธิ์ และส่งเข้าสู่เส้นทางการลองใหม่เฉพาะในกรณีที่มูลค่าการกู้คืนที่คาดไว้คุ้มค่ากับต้นทุน การเพิ่มประสิทธิภาพนี้ช่วยเพิ่มปริมาณการชำระเงินที่ได้รับอนุมัติทั่วโลกมากกว่า 1,000 ล้านดอลลาร์ต่อปี

4. การอนุมัติ

เมื่อธุรกรรมได้รับการประเมินการฉ้อโกงและตรวจสอบสิทธิ์ตามความเหมาะสม ระบบจะส่งธุรกรรมนั้นไปยังธนาคารผู้ออกบัตรเพื่อขออนุมัติ นี่เป็นอีกโอกาสหนึ่งที่จะปรับปรุงอัตราการอนุมัติ การฉ้อโกง และต้นทุนการดำเนินการ (สำหรับธุรกิจ IC+) Stripe ดำเนินการนี้ใน 3 หมวดหมู่กว้างๆ ได้แก่ การเลือกวิธีกำหนดเส้นทางการชำระเงิน การทำให้ข้อความการอนุมัติวงเงินมีประสิทธิภาพมากที่สุด และการกู้คืนการชำระเงินที่ล้มเหลวในครั้งแรก

การกำหนดเส้นทาง

Stripe สามารถกำหนดเส้นทางการชำระเงินผ่านเกตเวย์และเครือข่ายได้หลายช่องทาง เช่น เครือข่ายเดบิตในภูมิภาค และสามารถเลือกเส้นทางที่คุ้มค่าที่สุดตั้งแต่ครั้งแรก สำหรับการชำระเงินจำนวนมาก เครือข่ายทางเลือกกลับส่งผลเสียต่อคอนเวอร์ชัน ดังนั้นโมเดลจึงเรียนรู้ว่าเส้นทางเหล่านี้ช่วยลดต้นทุนได้ที่ใดบ้างโดยไม่กระทบอัตราการอนุมัติ เมื่อลองใหม่อีกครั้ง การคำนวณจะเปลี่ยนไป หากธุรกรรมเดบิตแบบลายเซ็นถูกปฏิเสธ การกำหนดเส้นทางการลองใหม่ให้ผ่านเครือข่ายเดบิตจะสามารถกู้คืนได้

ข้อความการอนุมัติ

เนื้อหาของข้อความ ISO 8583 ที่บริษัทผู้ออกบัตรได้รับ และบริบทโดยรอบจะส่งผลอย่างมีนัยสำคัญต่อการอนุมัติการชำระเงิน Stripe ปรับสิ่งนี้ให้เหมาะสมในหลายด้าน

ประการแรกคือตัวข้อความเอง Stripe ทดลองจัดรูปแบบและเนื้อหาของช่องข้อมูล ISO แบบต่างๆ อย่างต่อเนื่อง โดยทดสอบการเปลี่ยนแปลงในกลุ่มบริษัทผู้ออกบัตร ประเภทบัตร และภูมิภาคต่างๆ ปริมาณธุรกรรมของเครือข่าย Stripe หมายความว่าแม้แต่การทดสอบคาดไว้ว่าจะมีขนาดผลกระทบที่คาดหวังเพียงเล็กน้อยก็สามารถเผยนัยสำคัญทางสถิติได้ภายในไม่กี่ชั่วโมง และ Stripe ก็ทำการทดสอบหลายสิบครั้งทุกสัปดาห์ การเปลี่ยนแปลงที่ทดสอบแล้วได้ผลมักเล็กน้อยอย่างน่าแปลกใจ เช่น การปรับเปลี่ยนเล็กน้อยในการเลือกว่าธุรกรรมใดควรส่งเพื่อขออนุมัติ ผลกระทบนี้ยากที่ธุรกิจใดธุรกิจหนึ่งจะแยกแยะออกจากสัญญาณรบกวนมากมายในข้อมูล แต่ในระดับของ Stripe สามารถวัดได้ด้วยความมั่นใจสูงและมีมูลค่ารวมหลายสิบล้านดอลลาร์ต่อปี การปรับปรุงเหล่านี้จะยิ่งสะสมทบทวีกันไปเรื่อยๆ

ประการที่สองคือการแบ่งปันสัญญาณความเสี่ยงการฉ้อโกงกับบริษัทผู้ออกบัตรต่างๆ บริษัทผู้ออกบัตรจะมองความเสี่ยงต่างกันไป ซึ่งมักอิงจากประวัติการใช้จ่ายของเจ้าของบัตร สถานะบัญชี และพฤติกรรมในพอร์ตโฟลิโอของตน แต่บริษัทเหล่านี้ไม่เห็นสิ่งที่ Stripe เห็น ไม่ว่าจะเป็นพฤติกรรมของลูกค้าในวิธีการชำระเงินอื่นๆ หรือรูปแบบการฉ้อโกงที่เกี่ยวข้องกับที่อยู่อีเมลหรือที่อยู่สำหรับจัดส่งหนึ่งๆ Stripe จึงสร้าง Enhanced Issuer Network ซึ่งเป็นการผสานการทำงานแบ่งปันข้อมูล Radar โดยตรงกับบริษัทผู้ออกบัตร รวมถึง Capital One, Discover และ American Express เพื่อลดช่องว่างนี้ เมื่อ Stripe ประเมินว่าธุรกรรมมีความเสี่ยงต่ำ การแบ่งปันสัญญาณดังกล่าวจะช่วยให้บริษัทผู้ออกบัตรหลีกเลี่ยงการปฏิเสธที่ผิดพลาดซึ่งอาจเกิดขึ้นหากตัดสินใจเองโดยไม่มีข้อมูลนี้

ประการที่สามคือข้อมูลการชำระเงินของบัตร ข้อมูลการชำระเงินที่ล้าสมัยเป็นสาเหตุสำคัญของการปฏิเสธการชำระเงินโดยไม่จำเป็น Stripe ใช้โทเค็นเครือข่ายและระบบอัปเดตข้อมูลบัตรอัตโนมัติเพื่อให้ข้อมูลเป็นปัจจุบันอยู่เสมอ แต่การเพิ่มประสิทธิภาพไม่ได้หมายถึงแค่การเปิดใช้งานเครื่องมือเหล่านี้เท่านั้น โดยทั่วไป โทเค็นเครือข่ายจะช่วยเพิ่มอัตราการอนุมัติและลดต้นทุน แต่ก็มีกลุ่มธุรกรรมบางส่วนที่ไม่เป็นเช่นนั้น เช่น บริษัทผู้ออกบัตรที่รองรับโทเค็นได้ไม่ดี ซึ่งกลับส่งผลเสียต่ออัตราการอนุมัติ หรือรูปแบบธุรกรรมที่ทำให้การฉ้อโกงเพิ่มขึ้น Stripe จึงเรียนรู้ว่าโทเค็นช่วยได้และไม่ได้ในกรณีใด เพื่อเลือกใช้อย่างเหมาะสมและเพิ่มประโยชน์ให้สูงสุด

การลองใหม่

การปฏิเสธบางรายการสามารถกู้คืนได้ การปฏิเสธแบบ Soft Decline ที่เกิดจากเงินในบัญชีไม่เพียงพอหรือบริษัทผู้ออกบัตรไม่พร้อมให้บริการชั่วคราว อาจทำรายการสำเร็จในการลองครั้งที่ 2 ในเวลาหรือบนเส้นทางที่แตกต่างกัน Stripe จะลองใหม่แบบซิงโครนัสในขณะที่เรียกเก็บเงิน โดยเลือกเกตเวย์ทางเลือกหรือปรับข้อความตามเหตุผลที่ปฏิเสธ สำหรับการชำระเงินนอกเซสชัน เช่น การชำระเงินตามรอบบิล Stripe จะลองใหม่แบบอะซิงโครนัสผ่านระบบติดตามหนี้อัจฉริยะ โดยใช้โมเดลที่คาดการณ์ว่าเมื่อใดที่มีแนวโน้มว่าจะมีเงินทุนพร้อม แทนที่จะลองใหม่ตามกำหนดเวลาที่ตายตัว

โดยรวมแล้ว ฟีเจอร์การเพิ่มการอนุมัติของ Stripe ซึ่งครอบคลุมการกำหนดเส้นทาง การเพิ่มประสิทธิภาพข้อความและบริษัทผู้ออกบัตร และการจัดการข้อมูลการชำระเงิน ช่วยเพิ่มอัตราการอนุมัติโดยเฉลี่ย 2.2% และลดต้นทุนการดำเนินการได้ถึง 2.8% สำหรับธุรกิจ IC+

5. การหักบัญชี

การอนุมัติสำเร็จไม่ใช่จุดสิ้นสุดของการเพิ่มประสิทธิภาพ ในกระบวนการระหว่างการอนุมัติกับเมื่อธุรกิจได้รับเงินทุน Stripe จะเพิ่มประสิทธิภาพใน 2 ด้าน ได้แก่ การลดต้นทุนในการชำระธุรกรรม และการตรวจจับการฉ้อโกงที่ปรากฏให้เห็นหลังการอนุมัติเท่านั้น

ลดต้นทุน

การต้องคืนเงินธุรกรรมที่ชำระแล้วมีต้นทุนสูง สำหรับบัตรเดบิตในสหรัฐฯ จะไม่มีการคืนค่าธรรมเนียมธุรกรรมผ่านบัตรระหว่างธนาคารเลย ทำให้การคืนเงินหลังการชำระบัญชีมีต้นทุนสูงกว่าการปรับคืนการอนุมัติก่อนหักบัญชีถึง 24 เท่า Stripe คาดการณ์ว่าธุรกรรมใดมีแนวโน้มที่จะได้รับการคืนเงินหลังหักยอดไม่นาน และชะลอการหักบัญชีออกไปในช่วงเวลาสั้นๆ เพื่อเปลี่ยนการคืนเงินให้เป็นการปรับคืนแทน เกือบ 25% ของการคืนเงินเกิดขึ้นภายใน 48 ชั่วโมงแรก ด้วยเหตุนี้เอง แม้แต่การดึงเวลาไว้เพียงช่วงสั้นๆ สำหรับรายการที่มีความน่าจะเป็นสูงที่จะมีการคืนเงิน ก็สามารถลดต้นทุนได้อย่างมีนัยสำคัญ

เมื่อคาดว่าจะมีการเปลี่ยนแปลงมูลค่าของธุรกรรมเพียงเล็กน้อย เช่น ทิปที่เพิ่มเข้ามาในยอดเรียกเก็บหลัก Stripe จะเปิดการอนุมัติค้างไว้และหักยอดเงินเต็มจำนวนเพียงครั้งเดียว แทนที่จะเสียค่าธรรมเนียมชุดที่สอง สำหรับธุรกิจที่ดำเนินธุรกรรมบัตรเชิงพาณิชย์ การส่งข้อมูลผลิตภัณฑ์และภาษีโดยละเอียด ณ เวลาหักบัญชี สามารถทำให้ธุรกรรมมีสิทธิ์ได้รับอัตราค่าธุรกรรมระหว่างธนาคารต่ำกว่าผ่านโปรแกรมต่างๆ เช่น Commercial Enhanced Data Program ของ Visa

ลดการฉ้อโกง

ภายในไม่กี่ชั่วโมงหลังจากธุรกรรมเสร็จสมบูรณ์ Stripe จะยังคอยสังเกตสัญญาณจากธุรกรรมอื่นๆ ทั่วเครือข่าย เช่น บัตรที่ถูกใช้ในการโจมตีที่เกี่ยวข้องกับการฉ้อโกงและได้รับการยืนยันในที่อื่น หรือเอกลักษณ์ของอุปกรณ์ที่เพิ่งถูกเชื่อมโยงกับรูปแบบการโต้แย้งหนึ่งๆ สัญญาณเหล่านี้สามารถเปลี่ยนภาพรวมความเสี่ยงของการชำระเงินที่ได้รับการอนุมัติไปแล้วได้อย่างมีนัยสำคัญ

ลักษณะนี้สร้างความไม่สมดุลที่ขัดขวางนักฉ้อโกง ทุกครั้งที่มีการพยายามใช้บัตรที่ถูกขโมยอีกครั้ง ธุรกรรมที่ผ่านมาก่อนหน้านี้ก็จะตกอยู่ในความเสี่ยง ผู้ไม่ประสงค์ดีที่ทำการซื้อสำเร็จ 1 ครั้งแล้วพยายามฉกฉวยประโยชน์เพิ่ม จะยิ่งให้สัญญาณแก่ Stripe ในการตรวจจับพวกเขา และปรับคืนรายการเรียกเก็บเงินก่อนหน้าก่อนที่จะนำไปสู่การดึงเงินคืน เมื่อสัญญาณความเสี่ยงชัดเจนขึ้น Stripe จะคืนเงินหรือปรับคืนรายการเรียกเก็บเงินในเชิงรุกก่อนที่จะนำไปสู่การโต้แย้ง

6. การโต้แย้ง

แม้จะผ่านการเพิ่มประสิทธิภาพในทุกขั้นตอนที่ผ่านมาแล้ว ธุรกรรมบางรายการก็ยังถูกโต้แย้ง ธุรกิจต้องจ่ายค่าธรรมเนียมการโต้แย้ง แบกรับต้นทุนการดำเนินงานในการตอบสนอง และหากแพ้การโต้แย้ง จำนวนเงินในธุรกรรมนั้นจะหลุดมือไป หากอัตราการโต้แย้งของธุรกิจเกินเกณฑ์ที่เครือข่ายบัตรกำหนด ธุรกิจอาจถูกจัดให้อยู่ในโปรแกรมการตรวจสอบซึ่งจะยกระดับบทลงโทษขึ้นเรื่อยๆ การโต้แย้งแต่ละครั้งมีต้นทุนสูงอยู่แล้ว และยิ่งขึ้นไปอีกเมื่อนำมาคิดรวมกัน

เช่นเดียวกับขั้นตอนอื่นๆ ในคู่มือนี้ การโต้แย้งก็เป็นหนึ่งในโจทย์การเพิ่มประสิทธิภาพเช่นกัน แต่มีโครงสร้างที่แตกต่างออกไป ในขั้นตอนก่อนหน้า เป้าหมายคือการเพิ่มผลกำไรที่คาดหวังให้สูงสุดจากแต่ละธุรกรรมแบบเรียลไทม์ แต่ในขั้นตอนนี้ เป้าหมายคือการลดต้นทุนรวมของการโต้แย้งผ่านแนวทางตอบสนองที่เป็นไปได้ 3 แบบ ได้แก่ การป้องกันไม่ให้เกิดข้อโต้แย้ง ณ จุดที่ลูกค้าสอบถามข้อมูล การแก้ไขก่อนที่ลูกค้าจะยื่นเรื่อง หรือการแก้ต่างหลังลูกค้าโต้แย้งแล้ว แต่ละแนวทางล้วนแตกต่างกันในแง่ของต้นทุน อัตราความสำเร็จ และผลกระทบต่อสถานะของธุรกิจจากมุมของเครือข่ายบัตร กลยุทธ์ที่เหมาะสมขึ้นอยู่กับจำนวนเงินที่โต้แย้ง รหัสเหตุผล ระยะห่างของธุรกิจจากเกณฑ์การตรวจสอบ และความหนักแน่นของหลักฐานที่มีอยู่

การสกัดกั้น

Stripe ผสานการทำงานกับ Verifi ของ Visa และ Ethoca ของ Mastercard เพื่อส่งรายละเอียดธุรกรรมเพิ่มเติมให้กับบริษัทผู้ออกบัตร (คำอธิบายการซื้อ ข้อมูลธุรกิจ และข้อมูลเมตาของธุรกรรม) ซึ่งช่วยให้เจ้าของบัตรจดจำรายการเรียกเก็บเงินได้ก่อนที่จะยื่นขอโต้แย้ง ในกรณีที่ Stripe สามารถพิสูจน์ได้ว่าเจ้าของบัตรและธุรกิจเคยมีความสัมพันธ์กันมาก่อน (เช่น มีตัวระบุลูกค้า, ที่อยู่ IP หรือที่อยู่สำหรับจัดส่งตรงกับธุรกรรมที่สำเร็จก่อนหน้านี้) ข้อมูลดังกล่าวจะเป็นไปตามข้อกำหนดของ Visa ที่เรียกว่า Compelling Evidence (CE) 3.0 เมื่อตรงตามเกณฑ์ CE3.0 บริษัทผู้ออกบัตรจะต้องปิดกั้นไม่ให้มีการยื่นขอโต้แย้งโดยเด็ดขาด อัตราการสกัดกั้นการโต้แย้งขึ้นอยู่กับความครบถ้วนของข้อมูล แต่สำหรับธุรกิจที่มีลูกค้าประจำ การสกัดกั้นสามารถช่วยป้องกันไม่ให้การโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงเข้าสู่ระบบได้เลย

การแก้ไขปัญหา

การผสานการทำงานกับ Verifi และ Ethoca ยังช่วยให้ธุรกิจสามารถแก้ไขการโต้แย้งก่อนที่จะเข้าสู่ขั้นตอนการดึงเงินคืนอย่างเป็นทางการ เมื่อเจ้าของบัตรเริ่มโต้แย้งรายการ เครือข่ายเหล่านี้จะส่งการแจ้งเตือนไปยัง Stripe ก่อนที่จะมีการยื่นขอดึงเงินคืน ธุรกิจสามารถกำหนดกฎเพื่อคืนเงินให้กับการโต้แย้งที่เข้าเกณฑ์โดยอัตโนมัติ (เช่น การโต้แย้งกรณี "ไม่ได้รับสินค้า" ทั้งหมดที่มีมูลค่าต่ำกว่า 10 ดอลลาร์) การคืนเงินจะแก้ไขการโต้แย้งได้ทันที ธุรกิจไม่ต้องเสียค่าธรรมเนียมในการดึงเงินคืน และที่สำคัญที่สุดคือเครือข่ายบัตรจะไม่รวมกรณีเช่นนี้ในอัตราการโต้แย้งของธุรกิจ ซึ่งช่วยให้ธุรกิจไม่ต้องเข้าสู่โปรแกรมการตรวจสอบ

เครื่องมือสกัดกั้นและแก้ไขการโต้แย้งเหล่านี้ช่วยลดอัตราการโต้แย้งโดยเฉลี่ย 51% ทั้งในกรณีรหัสเหตุผลที่เกี่ยวข้องและไม่เกี่ยวข้องกับการฉ้อโกง

การตอบโต้

สำหรับการโต้แย้งการชำระเงินที่ดำเนินไปจนถึงขั้นตอนการดึงเงินคืน โจทย์การเพิ่มประสิทธิภาพจะเปลี่ยนจากการป้องกันมาเป็นการรวบรวมหลักฐาน หลักฐานชิ้นใด ในรูปแบบใด ที่จะเพิ่มโอกาสในการชนะการโต้แย้งแต่ละกรณีได้มากที่สุด คำตอบจะแตกต่างกันไปตามรหัสเหตุผล บริษัทผู้ออกบัตร และประเภทธุรกรรม และธุรกิจแต่ละแห่งมักเผชิญกับการโต้แย้งน้อยเกินกว่าที่จะพบคำตอบเหล่านี้ได้

ระบบ Smart Disputes ของ Stripe ได้รับการเทรนจากผลลัพธ์ของการโต้แย้งในธุรกรรมหลายล้านรายการ ทำให้มีข้อมูลเพียงพอที่จะระบุได้ว่าแนวทางใดได้ผล ระบบจะเรียนรู้ว่าการผสมผสานหลักฐานแบบใดมีประสิทธิภาพมากที่สุดในแต่ละบริบท จากนั้นจะรวบรวมและส่งชุดหลักฐานที่ปรับให้เหมาะกับแต่ละกรณีโดยอัตโนมัติ และธุรกิจสามารถเพิ่มเติมหลักฐานของตนเองได้ก่อนส่ง ผู้ที่เริ่มใช้งานในช่วงแรกชนะการดึงเงินคืนเพิ่มขึ้นโดยเฉลี่ย 13%

อนาคตของการเพิ่มประสิทธิภาพการชำระเงิน

การเพิ่มประสิทธิภาพในคู่มือนี้ครอบคลุมวงจรการชำระเงินทั้งหมด และสะสมทบทวีกัน การให้คะแนนการฉ้อโกงที่แม่นยำขึ้นช่วยลดจำนวนธุรกรรมที่เกี่ยวข้องกับการฉ้อโกงซึ่งผ่านไปถึงขั้นตอนการอนุมัติ การตรวจสอบสิทธิ์ที่เข้มแข็งขึ้นหมายความว่าธุรกรรมจำนวนมากขึ้นมีการโอนความรับผิดชอบ และมาตรการแทรกแซงหลังการอนุมัติจะปรับคืนรายการเรียกเก็บเงินที่มีความเสี่ยงสูงก่อนที่จะถูกโต้แย้ง เมื่อธุรกรรมมาถึงขั้นตอนการโต้แย้ง ธุรกรรมนั้นได้ผ่านการเพิ่มประสิทธิภาพมาแล้วหลายชั้น

การคาดการณ์สะสม

ยิ่ง Stripe สามารถคาดการณ์ผลลัพธ์ได้อย่างแม่นยำมากเท่าใด การตัดสินใจในทุกๆ ขั้นตอนถัดไปก็จะยิ่งดีขึ้นเท่านั้น เรากำลังลงทุนสร้างโมเดลความน่าจะเป็นในการคืนเงิน ณ เวลาที่เรียกเก็บเงิน เพื่อเพิ่มประสิทธิภาพช่วงเวลาในการหักบัญชี และกำลังพัฒนาการคาดการณ์ค่าใช้จ่ายสำหรับเครือข่ายที่คาดหวังให้แม่นยำขึ้น เพื่อให้โมเดลการกำหนดเส้นทางสามารถสร้างสมดุลระหว่างต้นทุนกับความแม่นยำได้ดียิ่งขึ้น

การคาดการณ์ใหม่แต่ละครั้งจะช่วยปรับปรุงวงจรการชำระเงินทั้งหมด นี่คือจุดที่ผลสะสมของการเพิ่มประสิทธิภาพแบบหลายขั้นตอนจะปรากฏให้เห็นมากที่สุด

ฟังก์ชันวัตถุประสงค์ที่สมบูรณ์ยิ่งขึ้น

โมเดลการเพิ่มประสิทธิภาพของ Stripe จะดีเพียงใดขึ้นอยู่กับความเข้าใจว่าธุรกิจให้ความสำคัญกับอะไรจริงๆ ปัจจุบัน เครื่องมืออย่างการตั้งค่าความเสี่ยงของ Radar ช่วยให้ธุรกิจกำหนดระดับการยอมรับการฉ้อโกงได้ แต่ก็เป็นเพียงจุดเริ่มต้น ธุรกิจที่ขายสินค้าดิจิทัลที่ส่วนต่างกำไร 60% ควรยอมรับความเสี่ยงจากการฉ้อโกงในระดับที่แตกต่างมากจากธุรกิจที่ขายสินค้าที่จับต้องได้ที่ส่วนต่างกำไร 8% และบางธุรกิจก็ขายทั้งสองอย่าง โมเดลตรวจจับการฉ้อโกง ระบบตรวจสอบสิทธิ์ และเครื่องมือเพิ่มประสิทธิภาพการอนุมัติ ควรรับรู้ข้อมูลเหล่านี้และปรับเปลี่ยนให้เหมาะสม

ธุรกิจบางแห่งให้ความสำคัญเฉพาะกับการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกง ในขณะที่ธุรกิจอื่นๆ ต้องการลดความเสี่ยงทุกรูปแบบให้น้อยที่สุด รวมถึงการฉ้อโกงโดยผู้ใช้จริงและการใช้นโยบายในทางที่ผิด ธุรกิจบางแห่งยินดียอมรับการฉ้อโกงในระดับที่สูงขึ้นเพื่อแลกกับการเพิ่มคอนเวอร์ชันให้สูงสุดในช่วงโปรโมชัน ยิ่ง Stripe สามารถเข้าใจโครงสร้างทางเศรษฐกิจและลำดับความสำคัญที่แท้จริงของธุรกิจได้อย่างแม่นยำมากเท่าใด ทุกโมเดลในไปป์ไลน์ก็จะสามารถเพิ่มประสิทธิภาพในนามของธุรกิจได้ดียิ่งขึ้นเท่านั้น

โมเดลที่ใหญ่ขึ้น

โมเดลของ Stripe กำลังพัฒนากว้างขึ้นและลึกลงไปพร้อมๆ กัน เมื่อไม่นานมานี้เราได้ขยายชุดข้อมูลสำหรับเทรนโมเดลตรวจจับการฉ้อโกง จากประมาณ 800 ล้านรายการเป็นธุรกรรมในอดีตมากกว่า 11,000 ล้านรายการ ครอบคลุมพื้นที่ทางภูมิศาสตร์ ผลิตภัณฑ์ และรูปแบบการฉ้อโกงที่หลากหลายกว่าเดิมมาก Deep Neural Network ของเราสามารถเรียนรู้จากข้อมูลปริมาณนี้ในแบบที่โมเดลแบบดั้งเดิมไม่สามารถทำได้ และเรากำลังผลักดันให้ก้าวล้ำยิ่งขึ้นไปอีก เรากำลังสร้างโมเดล Multitask ที่คาดการณ์ผลลัพธ์หลายอย่างพร้อมกัน ซึ่งช่วยให้โมเดลแบ่งปันการรับรองข้ามงานต่างๆ เพื่อให้สัญญาณจากการคาดการณ์หนึ่งเสริมความแข็งแกร่งให้กับการคาดการณ์อื่นๆ

เอเจนต์สำหรับปัญหาที่ไม่มีโครงสร้าง

การเพิ่มประสิทธิภาพส่วนใหญ่ในคู่มือนี้ทำงานกับข้อมูลที่มีโครงสร้าง เช่น จำนวนเงินในธุรกรรม รหัสการปฏิเสธ เอกลักษณ์ของอุปกรณ์ และคะแนนการฉ้อโกง แต่ปัญหาที่มีมูลค่าสูงที่สุดในการชำระเงินบางอย่างเกี่ยวข้องกับข้อมูลที่ไม่มีโครงสร้าง การตอบโต้การโต้แย้งเป็นตัวอย่างที่ชัดเจน ซึ่งต้องอาศัยการรวบรวมชุดหลักฐานที่มีน้ำหนักเพียงพอ การอ่านกฎของเครือข่าย (Visa และ Mastercard ต่างก็เผยแพร่กฎระเบียบการโต้แย้งยาวหลายร้อยหน้าซึ่งอาจมีการเปลี่ยนแปลงเป็นประจำ) การจับคู่ประเภทหลักฐานที่เหมาะสมกับรหัสเหตุผลและบริษัทผู้ออกบัตรที่เฉพาะเจาะจง และการสังเคราะห์ข้อมูลธุรกรรมให้เป็นเรื่องราวที่สอดคล้องกัน เรากำลังสร้างเอเจนต์ AI ที่สามารถตีความกฎระเบียบของเครือข่ายได้โดยตรง และผสานความเข้าใจนั้นเข้ากับโมเดล AI ที่คาดการณ์ว่าหลักฐานใดมีน้ำหนักโน้มน้าวมากที่สุดสำหรับสถานการณ์การโต้แย้งแต่ละกรณี รวมถึงจัดการกรณีที่ระบบซึ่งใช้กฎตายตัวไม่สามารถแก้ไขได้

การทดลอง

นอกเหนือจากทำโครงการต่างๆ เป็นรายโครงการไปแล้ว Stripe ยังทำการทดสอบอย่างต่อเนื่องตลอดเส้นทางการชำระเงินทั้งหมด ทุกการทดลองในวงจรการชำระเงินล้วนมีการวัดผลกระทบต่ออัตราการอนุมัติ การฉ้อโกง ต้นทุนการดำเนินการ และธุรกรรมระหว่างธนาคาร ทุกสัปดาห์จะมีการทดสอบแนวคิดใหม่ๆ และแนวคิดที่เข้าทีจะได้รับการส่งมอบให้กับธุรกิจบน Stripe โดยอัตโนมัติ การเพิ่มประสิทธิภาพแต่ละรายการในคู่มือนี้ผ่านการค้นพบ ทดสอบ และนำไปใช้ด้วยกระบวนการนี้ และความเร็วในการทดลองเพิ่มขึ้นมากกว่า 4 เท่าในช่วง 2 ปีที่ผ่านมา

และสำหรับธุรกิจที่ต้องการก้าวไปอีกขั้นด้วยการแบ่งปันข้อมูลส่วนต่างกำไร ปรับแต่งการตั้งค่าความเสี่ยง ให้ข้อมูลผลิตภัณฑ์ที่สมบูรณ์ยิ่งขึ้น และทดสอบแนวคิดใหม่ๆ ขอบเขตการเพิ่มประสิทธิภาพมีแต่จะยิ่งกว้างขึ้นไปอีก โปรดติดต่อเรา เรายินดีอย่างยิ่งที่จะได้ร่วมมือกับคุณ