挑战

Ben & Frank 是拉丁美洲最受欢迎的眼镜直销品牌。与之前的支付服务商合作时，Ben & Frank 的欺诈控制和支付报告功能比较有限，因此无法持续优化授权表现。这是因为墨西哥市场存在一些独特的挑战：

• 拉丁美洲以其高度定制化和本地化的支付生态系统而闻名，如果无法提供定制化的用户支付系统或与主要发卡行建立紧密联系，就很难取得成功。
  
• 按照全球标准，这里的买家欺诈率很高，因此很难制定出有效管理可疑收款和争议的方法。
  
• 墨西哥对电商功能的支持有限。例如，商家很难向发卡机构证明，使用已保存卡凭证的复购客户比首次购买的客户风险更低。
  

因此，Ben & Frank 的转化率很低，这给那些遭遇误拒的客户带来了糟糕的体验。

解决方案

Ben & Frank 通过比较各银行卡网络的授权率，将 Stripe 与其现有支付服务商进行了对比。Ben & Frank 的运营总监 John Campbell 说：“在评估新的支付服务商时，我们主要关注三个可衡量的目标：支付成功率、欺诈率以及用户对我们客服体验的净推荐值 (NPS)。”

Ben & Frank 仅用两周就完成了 Stripe 的集成与上线，开始进行测试。Ben & Frank 的软件工程师 Leonardo Alonso 表示：“Stripe 拥有一支出色的团队，可随时满足我们的需求。它拥有最好的开发工作流程之一，文档清晰易用，并提供丰富的客户端库和可直接复制粘贴的示例代码。”

经过三个月的试用，Ben & Frank 认定 Stripe 是提升转化率并推动其持续增长的更优支付解决方案，这得益于 Stripe 响应迅速的支持服务，以及包含支付优化和欺诈检测的现代化解决方案套件。

成果

Ben & Frank 在墨西哥使用 Stripe 短短三个月后发现，其转化率比使用之前的处理商时提升了 10%。Ben & Frank 能实现这一提升的原因在于：

Stripe 与区域处理商及发卡行维持着密切的关系

Stripe 雇用了数十名本地支付专家和开发人员，目的是在整个墨西哥的支付生态系统中建立牢固的合作伙伴关系，包括 Prosa 和 eGlobal 等本地转接网络、墨西哥银行 (Banco de México) 和墨西哥国家银行与证券委员会 (CNBV)，以及 BBVA 和 Santander 等大型发卡行。为了建立与本地发卡行间的信任，Stripe 经常与发卡行会面，反复修改授权和欺诈逻辑，帮助企业挽回有可能会损失的营收。

减少欺诈活动，缩短争议处理时间

由于 Radar 建立于 Stripe Payments 之上，因此 Ben & Frank 无需再手动标记欺诈性交易。而是可以依靠 Stripe 的机器学习实时评估每笔付款的风险级别。机器学习模型会不断从新的客户购买模式中学习，同时 Ben & Frank 的风控团队也可使用手动规则覆盖功能和自定义欺诈规则，通过本地化策略主动管理墨西哥的欺诈和拒付率。

拉丁美洲的欺诈率是美国及欧洲、中东和非洲地区的 5 倍，Radar 可帮助 Ben & Frank 区分欺诈者与真实客户，从而更有效地降低欺诈率。Ben & Frank 的产品经理 Lourdes García 说：“通过利用 Stripe 的机器学习和自定义欺诈规则，我们发现欺诈率和拒付率都下降了。我们甚至还发现客户满意度也提高了，因为我们的团队现在花在管理人工流程上的时间更少了，可以更快速地解决客户争议。”

通过机器学习优化授权率

不同的银行在接受交易方面有着不同的决策规则。提高接受率的唯一方法是利用机器学习，在 Stripe 网络中逆向解析这些规则。为此，Stripe 构建了 Adaptive Acceptance，这是一种机器学习技术，可以代客户优化授权消息。Stripe 的数据科学家和工程师不断改进这些机器学习模型，帮助企业接受尽可能多的合法交易并提高营收。