将支付视为多阶段优化问题
支付优化常被简单归结为提升授权通过率，但授权只是庞大系统中的一环。每笔交易需历经结账、欺诈评估、身份核验、授权、清算及争议处理六大流程，各环节均设有独立决策节点。这些决策相互关联：风控模型拦截过严，虽能降低拒付率，却会减少订单转化；身份核验一味简化流程而忽视风险，则将导致拒付与争议增加。
Stripe 在各环节实施优化，涵盖定制化结账表单、决策是否请求发起 3DS 挑战或申请豁免，以及规范授权信息字段格式等。对 Stripe 的商家而言，这些贯穿支付生命周期的优化举措，每年可带来高达 270 亿美元的新增收入、平均降低 38% 的欺诈风险，同时将交易处理成本最高削减 2.8%。
1. 结账
大多数失败交易从未进入授权环节，而是在结账阶段流失。荷兰用户若未看到 iDEAL 支付选项，可能放弃购物车。巴西用户看到美元标价时，或因不确定含外汇手续费的最终总价而犹豫。计划大额消费的用户，若无法使用先买后付分期，可能直接放弃购买。
个性化结账表单
每次交易的最佳结账方式都不同。合适的支付方式组合、排序、展示币种、要显示哪些表单字段，以及是否发起欺诈干预，这些都取决于客户是谁、身处何地、购买什么以及使用什么设备。
Stripe 将这些视为一系列实时决策。支付方式选择即为一例：基于数十亿笔交易训练的 Stripe AI 模型，会依据会话内信号（如设备类型、浏览器区域设置、支付方式可用性）以及网络级信号（如同类商家与用户表现最优的支付方式），为每次结账会话动态选择展示的支付方式。同时，由于最优支付组合会随用户行为、地区偏好及支付渠道可用性动态变化，系统也会持续探索新配置的实际转化表现。
币种是另一项高杠杆优化变量。大多数客户倾向于使用本地货币支付，Stripe 的 Adaptive Pricing 使用 AI 模型预测客户的货币偏好，帮助跨境收入提升了 17.8%。
已保存凭证的网络效应
即使是优化的结账系统，如果客户需要输入银行卡号，仍然会产生摩擦。对于回头客而言，这类摩擦本可避免。由 Stripe 打造的数字钱包 Link 便能彻底消除该痛点。若用户已通过 Link 留存支付方式，Stripe 可依托 Cookie、账户详情或其他身份核验标识识别用户身份。此后，用户在任意启用 Link 的商户平台（含首次访问的陌生商户）均可极速完成结账。
每一家接入 Link 的新商家，都会提升全网用户的支付体验；而每新增一条留存凭证，都会增强 Link 对商家的价值。目前 Link 已保存超 2 亿条支付方式，拥有大量回头客的商家，其复购用户转化率平均提升 14%。
综合来看，动态支付方式排序、Adaptive Pricing 和已保存凭证——为使用结账优化套件的商家平均带来了 11.9% 的收入增长。
2. 欺诈评估
尝试付款后，目标从转化转变为评估交易是否合法，其依托的 AI 基于数百万商家数据及每年超过一万亿美元的支付体量进行训练。对于银行卡支付，Stripe 识别任意一张特定银行卡的概率超过 92%。此外，Stripe 网络覆盖范围远超银行卡：我们能够观察支付方式、设备及交易模式之间的关联，以此区分合法行为与欺诈行为。Stripe 的欺诈模型利用这些聚合信号评估每笔交易风险。
评估风险
不同欺诈模式需要不同的模型与信号。例如，银行卡测试攻击与盗卡交易特征不同，后者指真人冒用他人支付方式购物。即便在盗卡欺诈范畴内，Stripe 也维护多项独立预测：卡片是否疑似被盗、交易是否可能引发欺诈性争议、是否可能触发卡组织早期欺诈预警，以及即便银行大概率不会提出异议，Stripe 是否仍独立判定交易存在欺诈风险。
Stripe Radar 的欺诈检测模型依托三层信号来源。第一层为 Stripe 网络本身：汇聚平台全部商家与交易的整体模式。第二层为外部数据，包括全网泄露的被盗银行卡信息。第三层为商家专属信号：Radar 会学习每个商家的独有交易规律，并据此比对新交易行为是否符合该商家常态。
商家可根据自身风险偏好差异化应用这些预测结果。高风险规避型商家可以选择阻止所有预测的欺诈行为，无论发卡行是否会对其提出争议。专注于最大化转化率的商家可以选择只阻止可能导致欺诈性争议的交易。接近卡组织监控阈值的商家可以同时阻止欺诈性争议和可能触发早期欺诈预警的交易。
这些预测的覆盖范围正在扩大。历史上，欺诈模型主要聚焦盗卡与银行卡测试攻击。但新的欺诈与滥用模式不断涌现，尤其是不法分子愈发针对计算成本高昂的 AI 服务，通过利用免费试用或累积未支付的使用费实施攻击。这类行为并非传统支付欺诈形式，但解决此类问题仍需遵循相同原则：依托精准信号训练专属预测模型，进而采取恰当应对措施。
选择正确的干预措施
风险评分并不指定干预策略。最简单的应对是拦截高风险交易，但误判会导致收入损失。问题在于是否存在成本更低的风险缓解方式。
Stripe 将干预选择视为上下文老虎机问题，从一组操作（如呈现 CAPTCHA 挑战、请求 3DS 认证）中进行决策，并对每种操作的预期结果进行建模。干预效果因场景而异：例如，许多美国发卡行的 3DS 完成率较低，对此类发卡行添加 3DS 验证或许无法减少欺诈，却必然会损害转化率。
针对每项潜在干预，Stripe 会评估其对转化率、成本及欺诈率的影响。模型将结合交易风险等级、商家风险偏好，以及具体发卡行与支付方式，选择预期收益最优的干预措施。
通过这些预测和干预措施，Radar 为 Stripe 上的商家平均减少了 38% 的欺诈，同时阻止的合法交易不到 0.05%。
3. 身份验证
上一节阐述了 Stripe 如何决定是否请求身份验证，本节重点介绍选定 3DS 验证路径后的执行流程。3DS 并非单一流程，而是一组差异化选项，在转化率、成本及合规性上影响各异。最优路径需结合交易风险、监管环境及发卡行特性综合判定。
我们同时在三个竞争目标上进行优化：监管合规、欺诈预防和转化率。系统将基于单笔交易风险信号、设备环境及发卡行行为，在全面挑战、无摩擦豁免、幕后数据交换或不进行任何身份验证之间做出选择。
豁免与挑战
Stripe 的身份验证引擎使用 Radar 的欺诈评分，通过最低摩擦的可用路径来引导符合条件的交易。低于监管阈值的低风险交易可获得低价值豁免，从而完全跳过身份验证。高于阈值时，引擎会在适用情况下请求 TRA 豁免。中等风险交易可能会使用“仅数据”验证，在后台与发卡行共享设备指纹和交易上下文，因此客户一直不会遇到挑战。完整的 3DS 挑战则留给风险较高或无法获得豁免的情况。
欺诈评分是每个节点的分支变量，并且引擎会适应发卡行的行为。一些发卡行能够可靠地批准“仅数据”流程，而另一些则不然，Stripe 会据此进行路由。在整个欧洲的交易量中，“仅数据”验证每月就能为商家带来 1.47 亿美元的增量授权支付额，并节省超过 250 万美元的成本。
指纹超时优化
选择验证路径仅是挑战之一，路径内的实施细节同样关键。以指纹识别为例，它是任何 3DS 流程中可选的第一步。3DS 指纹识别通过 iframe 收集设备和浏览器信息，以帮助发卡行评估交易风险。这是协议中的一个可选步骤，在 Stripe 上约 68% 的交易中得到支持，并且成功后可提升转化率。但这也会增加额外延迟，可能导致验证完全失败。
Stripe 开展了多变量 A/B 测试，以确定在不进行指纹采集的情况下，最优等待时长。这是直接的权衡：等待过久，会因延迟导致转化失败；过快跳过则会使发卡行错失可能优化决策的信息。最优超时阈值因设备与发卡行而异。自 2025 年 3 月起，该优化已挽回超过 3900 万美元的支付损失。
将 3DS 作为重试策略
大多数处理商将风险相关拒付视为最终结果。出人意料的是，我们测试发现事后追加验证仍可挽回支付。尽管如此，3DS 验证会增加延迟、引入摩擦并产生处理成本。因此核心问题并非“3DS 能否挽回这笔支付”，而是“3DS 重试的预期收益是否高于尝试成本”。
Stripe 直接基于具体的拒付原因、发卡行、卡类型和交易概况进行建模。某些拒付代码几乎是确定性的（银行卡确实无效，再多的身份验证也无法改变）。其他代码则表明发卡行希望获得持卡人在场的更多保证，而 3DS 挑战恰恰提供了这一点。该模型会学习在哪些发卡行中，哪些代码会对身份验证做出响应，并且仅在预期挽回效果能够证明成本合理的情况下才进行重试路由。此项优化每年使全球授权支付额增加了超过 10 亿美元。
4. 授权
在交易完成欺诈评估并按需完成身份验证后，将提交至发卡行进行授权。Stripe 通过路由、授权信息优化及重试提升授权成功率。
路径
Stripe 可以跨多个网关和通道路径付款，例如区域借记卡组织，并可以在首次尝试时选择最具成本效益的路径。在许多案例中，替代通道实际上会损害转化率，因此模型会学习这些路径在哪些地方可以在不牺牲接受率的情况下降低成本。在重试时，考量因素会发生变化：如果一笔签名借记交易被拒，通过借记通道重试路径可能可以挽回它。
授权消息
发卡行收到的 ISO 8583 消息的内容及其上下文，会显著影响付款是否被批准。Stripe 在几个方面对此进行优化。
首先，Stripe 持续针对不同发卡行、卡种及地区，对 ISO 字段的格式与内容进行实验优化。依托 Stripe 网络的交易体量，即便预期效果微弱的实验，也能在数小时内达到统计显著性。许多优化改动虽细微，但在全网规模下，即便小幅提升也可快速量化，每年累计创造数千万美元收益。Stripe 每周开展数十项此类实验，收益随时间复利累积。
其次是与发卡行共享欺诈风险信号。发卡行对风险有自己的观点，通常基于持卡人的消费历史、账户状况以及其整个产品组合中的行为。但它们无法观测到 Stripe 所掌握的跨商家网络关联模式，例如与特定邮箱地址或收货地址绑定的欺诈形式。Stripe 构建了增强型发卡行网络——与包括 Capital One、Discover 和 American Express 在内的发卡行建立直接的 Radar 数据共享集成——以弥补这一差距。当 Stripe 认为一笔交易是低风险时，共享这个信号有助于降低误拒率。
第三，Stripe 优化银行卡凭证的使用。过时的凭证是不必要拒付的一个重要来源。Stripe 使用网络令牌和银行卡账户更新器来保持凭证的最新状态，但优化问题不仅仅是是否在全球启用这些工具。网络令牌通常会提高授权率并降低成本，但在某些流量情况下并非如此——例如令牌支持不佳的发卡行，或在令牌化会降低通过率、增加欺诈风险的交易模式中。Stripe 会学习令牌化适用与不适用的场景，并选择性加以应用。
重试
有些拒付是可以挽回的。基于资金不足或发卡行暂时不可用而产生的“软拒付”，在第二次尝试时因不同的时机或路由可能获得成功。Stripe 在扣款时同步重试，根据拒付原因选择备选网关或调整消息。对于订阅等会话外付款，Stripe 通过智能催款异步重试，利用预测模型判断资金最可能到位的时间点，而不是按照固定时间重试。
总的来说，Stripe 的 Authorization Boost——涵盖路径、消息和发卡行优化以及凭证管理——使接受率平均提高 2.2%，并为 IC+ 商家降低高达 2.8% 的处理成本。
5. 清算
成功的授权并不是优化的终点。在授权和结算之间，Stripe 针对两件事进行优化：降低结算交易的成本，以及捕获仅在授权后才变得明显的欺诈行为。
降低成本
对已完成结算的交易进行退款，成本很高。对于美国借记卡，没有交换费返还，这使得结算后退款的成本最高可达在清算前撤销授权的 24 倍。Stripe 预测哪些交易可能在捕获后不久被退款，并相应地将其清算延迟一小段时间，从而将退款转化为撤销。近 25% 的退款发生在最初 48 小时内，因此即使是对高概率退款进行短暂、有针对性的清算延迟也能显著降低成本。
当预期的交易金额有微小变化时，例如在基础费用上添加小费，Stripe 会保持授权开放并一次性捕获全额，而不是产生第二轮费用。对于处理商务卡交易的商家，在清算时提交详细的产品和税务数据，可以通过 Visa 的商业增强数据计划等项目使交易符合较低交换费的条件。
减少欺诈
欺诈信号在支付授权通过后仍会持续变化。交易完成后的数小时内，Stripe 可能观测到同一张卡片在网络其他位置发生已确认欺诈，或某条设备指纹新增关联拒付模式。这类信号会显著改变对已授权交易的风险评估。
这形成了一种对欺诈行为者不利的不对称局面：每一次使用被盗卡进行的后续尝试，都会使其之前的成功交易面临风险。一个不良行为者进行一次成功购买，然后试图获取更多价值，会为 Stripe 提供抓住他们的额外信号，并可在导致拒付之前撤销之前的扣款。当授权后风险信号升级时，Stripe 可以在导致争议之前主动退款或撤销扣款。
6. 争议
尽管上游采取了诸多措施，仍会有一些交易被发起争议。商家需支付争议费用，承担应对的操作成本，而如果争议败诉还将损失交易金额。如果商家的争议率超过卡组织设定的阈值，该商家可能会被纳入监控计划，并面临不断升级的处罚。争议单独处理成本很高，而累计起来则代价更为巨大。
争议处理是另一项优化难题。在上游，目标是实时最大化每笔交易的预期利润。但在这里，目标是通过三种可能的响应方式最小化争议总成本：在查询阶段规避争议、在正式提交前解决争议，或在事后进行抗辩。每种响应方式的预期成本不同，成功率不同，对商家在卡组织中地位也有不同的影响。正确的策略取决于争议金额、原因代码、证据可用性、商家与监控阈值的接近程度。
规避
Stripe 与 Visa 的 Verifi 及 Mastercard 的 Ethoca 集成，在拒付发起前向发卡行提供增强交易详情。交易描述、公司信息及交易元数据可提高持卡人识别扣款的概率，避免争议升级。当 Stripe 能够证明持卡人与商家存在过往交易关系（如匹配历史成功交易的客户标识、IP 地址或收货地址），所生成的证据或可满足 Visa 强力证据 (CE) 3.0 标准。在这种情况下，发卡行必须阻止该笔拒付立案。对于拥有复购客户的商家，此举可避免欺诈性争议进入争议流程。
解决方案
Verifi 和 Ethoca 还允许在争议正式进入拒付流程之前解决争议。当持卡人发起争议时，这些卡组织会在拒付正式提交前向 Stripe 发送警报。商家可以配置规则，自动为符合条件的争议退款（例如，所有金额低于 10 美元的“未收到商品”争议）。这不仅可免除拒付手续费，更重要的是能防止事件计入商家的争议率。
这些规避与解决工具已将欺诈和非欺诈原因代码的争议率平均降低了 51%。
抗辩
对于那些确实进入拒付流程的争议，优化问题从预防转向证据整理。哪些证据、以何种格式能够最大化赢得特定争议的概率？答案因原因代码、发卡行和交易类型而异。大多数独立商户无法观测到足够数量的拒付，从而可靠地习得这些规律。
Stripe 的 Smart Disputes 系统基于数百万笔交易的争议结果进行训练，并学习在给定情境下最有效的组合。它会自动汇编并提交量身定制的证据包，而商家也可以在提交前补充自己的证据。早期采用者平均多赢得了 13% 的拒付抗辩。
支付优化的未来
上述优化虽针对各独立阶段，但其成效将在全支付生命周期内叠加累积。更精准的欺诈评分，可以让更少的欺诈交易进入授权环节。更强的身份验证意味着更多的交易带有责任转移。而授权后干预措施则在高风险交易可能被争议之前将其撤销。当一笔交易到达争议阶段时，它已经历了多层优化。
复合性预测
Stripe 能够准确预测的结果越多，每个下游决策就变得越好。我们正在投资构建在扣款时预测退款概率的模型，以优化清算时机。我们致力于更准确地预测预期的卡组织费用，以便路径模型可以做出更精确的成本与准确性权衡。
每一次新的预测都会改善整个支付生命周期。这正是多阶段优化效果叠加最显著之处。
更丰富的目标函数
优化质量取决于 Stripe 能否精准体现商家真正在意的核心诉求。如今，Radar 的风险偏好等功能让商家能明确自己的欺诈容忍水平。但这只是一个起点。一个销售数字商品、利润率为 60% 的商家，应该承受与一个销售实体商品、利润率为 8% 的商家截然不同的欺诈风险水平，而有些商家同时销售上述两类商品。欺诈模型、身份验证引擎和授权优化器都应该掌握这些情况，并相应地进行调整。
一些商家只会狭隘地关注欺诈性争议；另一些则希望尽可能减少所有风险，包括第一方欺诈和政策滥用。有些商家愿意为了在促销期间最大化转化率而接受更高的欺诈率。Stripe 越能精确地捕获商家的经济状况和优先事项，流程中的每个模型就越能代表商家进行优化。
更大的模型
Stripe 的模型正变得既广泛又深入。我们最近将欺诈模型的训练数据集从大约 8 亿笔历史交易扩展到超过 110 亿笔，涵盖了更广泛的地理范围、产品和欺诈形式。我们的深度神经网络能够以传统模型无法做到的方式从大量数据中学习，并且我们正在进一步推动它们。我们正在构建能够同时预测多个结果的多任务模型，这让模型能够在任务之间共享表征，因此一项预测的信号可以加强另一项预测。
针对非结构化问题的智能体
本指南中的大多数支付优化都作用于结构化数据，例如交易金额、拒付代码、设备指纹和欺诈评分。但支付中一些最高价值的问题涉及非结构化信息。争议抗辩是一个天然的适用场景，它需要组装一份能胜诉的证据包、解读卡组织规则（Visa 和 Mastercard 各自发布数百页并会定期更新的争议规定）、将正确的证据类型与特定的原因代码和发卡行匹配，并将交易数据综合成一个连贯的叙述。Stripe 正在构建能够直接解读网络规定的智能体，并且能够将这些理解与 AI 模型相结合，以预测在特定争议情境下哪些证据最有说服力，从而处理基于规则的系统无法处理的情况。
实验
所有优化的底层基石是持续实验。Stripe 在完整支付生命周期内开展各类实验，评估其对授权通过率、欺诈风险、处理成本及交换费的影响。新方案持续测试，成功的优化自动上线至 Stripe 商家。过去两年，实验频次提升超过四倍。
提供更丰富信息（如利润率数据、风险偏好调整、商品元数据）的商家，可进一步扩大优化空间。联系我们；期待合作。