Zahlungen als mehrstufiges Optimierungsproblem
Die Zahlungsoptimierung wird oft als Problem der Autorisierungsrate dargestellt, doch die Autorisierung ist nur ein Bestandteil eines größeren Systems. Jede Transaktion durchläuft Bezahlvorgang, Betrugsbewertung, Authentifizierung, Autorisierung, Clearing und Streitfälle – mit jeweils eigenen Entscheidungspunkten in jeder Phase. Diese Entscheidungen sind miteinander verknüpft: Ein Betrugsschutzmodell, das zu aggressiv blockiert, senkt zwar möglicherweise die Anfechtungsrate, führt aber auch zu einer geringeren Konversionsrate, während eine Authentifizierungsstrategie, die Reibungsverluste minimiert, ohne das Risiko zu berücksichtigen, die Anzahl der abgelehnten Transaktionen und Zahlungsanfechtungen erhöht.
Stripe wendet in jeder Phase Optimierungen an, von der Personalisierung des Bezahlformulars über die Entscheidung, ob eine 3DS-Abfrage oder eine Ausnahmegenehmigung angefordert wird, bis hin zur Formatierung der Felder einer Autorisierungsmeldung. Über den gesamten Zahlungszyklus hinweg sorgen diese Optimierungen für zusätzliche Einnahmen in Höhe von bis zu 27 Milliarden USD pro Jahr, reduzieren Betrugsfälle um durchschnittlich 38 % und senken die Abwicklungskosten für die Kundinnen und Kunden von Stripe um bis zu 2,8 %.
1. Bezahlvorgang
Die meisten fehlgeschlagenen Transaktionen gelangen gar nicht erst zur Autorisierung; sie scheitern bereits beim Bezahlvorgang. Eine Kundin bzw. ein Kunde in den Niederlanden, der/dem iDEAL nicht angezeigt wird, könnte den Kaufvorgang abbrechen. Eine Kundin bzw. ein Kunde in Brasilien, der/dem die Preise in USD angezeigt werden, könnte zögern, da die endgültigen Kosten einschließlich Wechselkursgebühren ungewiss sind. Eine Kundin bzw. ein Kunde, die/der einen größeren Kauf in Erwägung zieht, aber keine Möglichkeit hat, die Zahlung über einen „Jetzt kaufen, später bezahlen“-Anbieter aufzuteilen, könnte sich entscheiden, den Kauf ganz abzubrechen.
Personalisierung des Formulars für die Kaufabwicklung
Der optimale Bezahlvorgang ist bei jeder Transaktion unterschiedlich. Die Auswahl der richtigen Zahlungsmethoden, deren Reihenfolge, die angezeigte Währung, die erforderlichen Formularfelder sowie die Entscheidung, ob Maßnahmen zur Betrugsbekämpfung eingeleitet werden sollen, hängen alle davon ab, wer die Kundin bzw. der Kunde ist, wo sie/er sich befindet, was sie/er kauft und welches Gerät sie/er nutzt.
Stripe behandelt dies als eine Reihe von Entscheidungen in Echtzeit. Die Auswahl der Zahlungsmethoden ist ein Beispiel dafür: Die KI-Modelle von Stripe, die auf Milliarden von Transaktionen trainiert wurden, wählen für jeden Bezahlvorgang aus, welche Zahlungsmethoden angezeigt werden sollen. Dabei berücksichtigen sie sowohl sitzungsbezogene Signale wie Gerätetyp, Browser-Lokalisierung und Verfügbarkeit der Zahlungsmethoden als auch Signale auf Netzwerkebene, beispielsweise welche Zahlungsmethoden bei ähnlichen Unternehmen und Kundinnen und Kunden am besten funktionieren. Und da sich die optimale Auswahl an Zahlungsmethoden mit dem Kundenverhalten, regionalen Präferenzen und der Verfügbarkeit von Zahlungsmethoden ändert, untersucht das System zudem kontinuierlich die Leistung neuer Konfigurationen.
Auch die Währungen sind ein besonders wirkungsvoller Faktor. Die meisten Kundinnen und Kunden bevorzugen es, in ihrer Landeswährung zu bezahlen und Adaptive Pricing von Stripe nutzt ein KI-Modell, das die tatsächliche Währungen einer Kundin/eines Kunden vorhersagt – was zu einem Anstieg der grenzüberschreitenden Umsätze um 17,8 % beigetragen hat.
Der Netzwerkeffekt gespeicherter Zugangsdaten
Selbst ein optimierter Bezahlvorgang verursacht immer noch Reibungsverluste, wenn die Kundin bzw. der Kunde ihre/seine Kartennummer eingeben muss. Bei wiederkehrenden Kundinnen und Kunden sind diese Reibungsverluste unnötig. Link, eine von Stripe entwickelte Digital Wallet, beseitigt sie. Wenn eine Kundin bzw. ein Kunde eine Zahlungsmethode bei Link gespeichert hat, kann Stripe dies anhand von Cookies, Kontodaten oder anderen Authentifizierungssignalen erkennen. Die Kundin bzw. der Kunde kann dann bei jedem Unternehmen, das Link unterstützt, schneller bezahlen – auch bei solchen, bei denen sie/er noch nie zuvor eingekauft hat.
Jedes neue Unternehmen, das Link einführt, verbessert das Kundenerlebnis im gesamten Netzwerk und jede weitere Aufnahme von Anmeldedaten steigert den Wert von Link für Unternehmen. Link verfügt mittlerweile über mehr als 200 Millionen gespeicherte Zahlungsmethoden und Unternehmen mit einem großen Stammkundenstamm verzeichnen einen Anstieg der Konversionsrate bei wiederkehrenden Nutzerinnen und Nutzern um durchschnittlich 14 %.
Insgesamt sorgen die dynamische Anordnung der Zahlungsmethoden, Adaptive Pricing und gespeicherte Anmeldedaten bei Unternehmen, die die Suite zur Optimierung des Bezahlvorgangs nutzen, für einen durchschnittlichen Umsatzanstieg von 11,9 %.
2. Betrugsbewertung
Nach einem Zahlungsversuch verlagert sich der Fokus von der Konversion hin zur Überprüfung der Legitimität der Transaktion. Dabei kommt KI zum Einsatz, die auf Daten von Millionen von Unternehmen und einem jährlichen Zahlungsvolumen von über einer Billion Dollar trainiert wurde. Bei Kartenzahlungen liegt die Wahrscheinlichkeit bei über 92 %, dass Stripe eine bestimmte Karte bereits kennt. Und das Netzwerk von Stripe reicht weit über Karten hinaus: Wir beobachten Zusammenhänge zwischen Zahlungsmethoden, Geräten und Transaktionsmustern, die dabei helfen, legitime Aktivitäten von Betrug zu unterscheiden. Die Betrugsmodelle von Stripe nutzen diese aggregierten Signale, um das Risiko jeder Transaktion zu bewerten.
Risikobewertung
Unterschiedliche Betrugsarten erfordern unterschiedliche Modelle und Signale. Kartentests weisen beispielsweise ein anderes Muster auf als Betrug mit gestohlenen Karten, bei dem eine reale Person versucht, mit der Zahlungsmethode einer anderen Person etwas zu kaufen. Selbst innerhalb des Betrugs mit gestohlenen Karten unterhält Stripe mehrere unterschiedliche Vorhersagen: ob die Karte wahrscheinlich gestohlen ist, ob die Transaktion wahrscheinlich zu einer Anfechtung aufgrund von Betrug führt, ob sie wahrscheinlich eine frühzeitige Betrugswarnung des Kartennetzwerks auslöst und ob Stripe die Transaktion unabhängig als betrügerisch einstuft – selbst wenn es unwahrscheinlich ist, dass die Bank sie anficht.
Die Betrugserkennungsmodelle von Stripe Radar stützen sich auf drei Ebenen von Signalen. Die erste Ebene ist das Stripe-Netzwerk selbst: aggregierte Muster, die sich über alle Unternehmen und Transaktionen auf Stripe erstrecken. Die zweite Ebene sind externe Daten, darunter kompromittierte Kartendaten, die aus dem gesamten Internet erfasst werden. Drittens werden unternehmensspezifische Signale herangezogen: Radar lernt die für jedes Unternehmen einzigartigen Muster und nutzt diese, um neue Aktivitäten mit dem üblichen Verhalten des jeweiligen Unternehmens abzugleichen.
Unternehmen können diese Prognosen je nach ihrer Risikobereitschaft unterschiedlich nutzen. Ein sehr risikoscheues Unternehmen kann sich dafür entscheiden, alle als betrügerisch eingestuften Transaktionen zu sperren, unabhängig davon, ob der Kartenaussteller diese anfechten würde. Ein Unternehmen, dessen Schwerpunkt auf der Maximierung der Konversionsrate liegt, kann sich dafür entscheiden, nur Transaktionen zu blockieren, die wahrscheinlich zu Anfechtungen aufgrund von Betrug führen. Ein Unternehmen, das sich dem Überwachungsschwellenwert einer Kreditkartenmarke nähert, kann beide Arten von Transaktionen blockieren: solche, die wahrscheinlich zu Anfechtungen aufgrund von Betrug führen und solche, die voraussichtlich frühzeitige Betrugswarnungen auslösen.
Der Anwendungsbereich dieser Prognosen erweitert sich zunehmend. In der Vergangenheit konzentrierten sich Betrugsmodelle auf gestohlene Karten und Kartentests. Doch es zeichnen sich neue Muster von Betrug und Missbrauch ab, insbesondere da Kriminelle zunehmend KI-Dienste mit hohen Rechenkosten ins Visier nehmen, indem sie kostenlose Testversionen ausnutzen oder Nutzungsrechnungen anhäufen, die nicht beglichen werden. Dabei handelt es sich nicht um traditionelle Formen des Zahlungsbetrugs, doch ihre Bekämpfung erfordert dieselbe Disziplin: spezifische Prognosen, die auf den richtigen Signalen basieren und dazu dienen, die richtige Reaktion auszulösen.
Wahl der richtigen Intervention
Die Risikobewertung legt keine Maßnahmen fest. Die einfachste Reaktion besteht darin, eine riskante Transaktion zu blockieren, doch ein Fehlalarm bedeutet entgangene Umsätze. Die Frage ist, ob es einen kostengünstigeren Weg gibt, das Risiko zu mindern.
Stripe behandelt die Auswahl von Maßnahmen als kontextabhängiges Bandit-Problem, wobei aus einer Reihe von Aktionen – wie beispielsweise der Einblendung eines CAPTCHA oder der Anforderung von 3DS – ausgewählt und das erwartete Ergebnis jeder einzelnen modelliert wird. Die Auswirkungen variieren je nach Kontext: Viele US-Kreditkartenaussteller weisen beispielsweise niedrige 3DS-Abschlussraten auf und die Einführung einer 3DS-Anforderung bei diesen Ausstellern würde den Betrug möglicherweise nicht verringern, aber sicherlich die Konversionsrate beeinträchtigen.
Für jede mögliche Maßnahme schätzt Stripe die Auswirkungen auf die Konversionsrate, die Kosten und die Betrugsquote. Das Modell wählt die Maßnahme aus, die den erwarteten Gewinn unter Berücksichtigung des Risikoprofils der Transaktion, der Risikobereitschaft des Unternehmens sowie des jeweiligen Kartenausstellers und der jeweiligen Zahlungsmethode maximiert.
Durch diese Prognosen und Maßnahmen senkt Radar den Betrugsanteil bei Unternehmen, die Stripe nutzen, um durchschnittlich 38 %, während weniger als 0,05 % der legitimen Transaktionen blockiert werden.
3. Authentifizierung
Im vorigen Abschnitt wurde beschrieben, wie Stripe entscheidet, ob eine Authentifizierung angefordert wird. In diesem Abschnitt geht es darum, was geschieht, wenn 3DS als Verfahren gewählt wird. 3DS ist kein einheitlicher Ablauf. Es handelt sich vielmehr um eine Reihe von Optionen mit unterschiedlichen Auswirkungen auf Konversionsrate, Kosten und Compliance, wobei die richtige Wahl vom Transaktionsrisiko, dem regulatorischen Umfeld und dem jeweiligen Aussteller abhängt.
Wir optimieren gleichzeitig drei miteinander konkurrierende Ziele: Compliance mit gesetzlichen Vorschriften, Betrugsprävention und Konversion. Dies erfordert transaktionsspezifische Entscheidungen, bei denen Risikosignale, der Gerätekontext und das Verhalten des Ausstellers berücksichtigt werden, um zwischen einer vollständigen Überprüfung, einer reibungslosen Ausnahmeregelung, einem Datenaustausch im Hintergrund oder gar keiner Authentifizierung zu wählen.
Ausnahmen und Anfechtungen
Die Authentifizierungs-Engine von Stripe nutzt Radar-Betrugsbewertungen, um berechtigte Transaktionen über den reibungslosesten verfügbaren Weg zu leiten. Transaktionen mit geringem Risiko, die unterhalb der regulatorischen Schwelle liegen, nutzen eine Ausnahmeregelung für Transaktionen mit geringem Wert, wodurch die Authentifizierung vollständig übersprungen wird. Oberhalb dieses Schwellenwerts fordert die Engine gegebenenfalls eine TRA-Ausnahme an. Transaktionen mit mittlerem Risiko können die „Data Only“-Authentifizierung nutzen, bei der Geräte-Fingerabdrücke und Transaktionskontext im Hintergrund an den Aussteller weitergegeben werden, sodass die Kundin bzw. der Kunde niemals eine Sicherheitsabfrage sieht. Eine vollständige 3DS-Sicherheitsabfrage ist für Fälle reserviert, in denen das Risiko dies rechtfertigt oder keine Ausnahme verfügbar ist.
Die Betrugsbewertung dient an jedem Knotenpunkt als Entscheidungsvariable und die Engine passt sich dem Verhalten einiger Kartenaussteller an: Während einige Aussteller „Data Only“-Transaktionen zuverlässig genehmigen, tun andere dies nicht und Stripe leitet die Transaktionen entsprechend weiter. Im gesamten europäischen Geschäftsvolumen führt die „Data Only“-Authentifizierung allein jeden Monat zu einem zusätzlichen autorisierten Zahlungsvolumen von 147 Millionen USD und zu Einsparungen von mehr als 2,5 Millionen USD für Unternehmen.
Optimierung der Fingerabdruck-Timeouts
Die Wahl eines Authentifizierungswegs ist nur ein Teil der Herausforderung. Auch die Implementierungsdetails innerhalb eines bestimmten Weges sind wichtig. Betrachten wir das Fingerprinting, den optionalen ersten Schritt jedes 3DS-Ablaufs. Beim 3DS-Fingerprinting werden über einen Iframe Geräte- und Browserinformationen erfasst, um der ausstellenden Bank bei der Bewertung des Transaktionsrisikos zu helfen. Es handelt sich um einen optionalen Schritt im Protokoll, der bei etwa 68 % der Transaktionen auf Stripe unterstützt wird und bei Erfolg die Konversionsrate verbessern kann. Er führt jedoch auch zu einer zusätzlichen Verzögerung, was dazu führen kann, dass die Authentifizierung vollständig fehlschlägt.
Stripe führte einen multivariaten A/B-Test durch, um die optimale Wartezeit für die Fingerabdruckerkennung zu ermitteln, bevor ohne diese fortgefahren wird. Dies ist ein direkter Zielkonflikt: Wartet man zu lange, scheitert die Konvertierung aufgrund von Verzögerungen; fährt man zu schnell fort, gehen dem Aussteller Informationen verloren, die dessen Entscheidung hätten verbessern können. Die optimale Wartezeit variiert je nach Gerät und Aussteller. Seit März 2025 konnten durch diese Optimierung Zahlungen in Höhe von mehr als 39 Millionen USD zurückgewonnen werden.
3DS als Strategie für Wiederholungsversuche
Die meisten Zahlungsabwickler betrachten eine risikobedingte Ablehnung als endgültig. Überraschenderweise haben unsere Tests ergeben, dass sich die Zahlung durch eine nachträgliche Authentifizierung zurückgewinnen lässt. Allerdings verursacht die 3DS-Authentifizierung Verzögerungen, erschwert den Ablauf und ist mit eigenen Bearbeitungskosten verbunden. Die Frage lautet also nicht einfach: „Würde 3DS helfen, diese Zahlung zurückzugewinnen?“, sondern vielmehr: „Übersteigt der erwartete Nutzen eines erneuten Versuchs mit 3DS die Kosten für diesen Versuch?“
Stripe modelliert dies direkt auf der Grundlage des konkreten Ablehnungsgrundes, des Ausstellers, des Kartentyps und des Transaktionsprofils. Einige Ablehnungscodes sind nahezu deterministisch (die Karte ist tatsächlich ungültig und keine noch so gründliche Authentifizierung kann daran etwas ändern). Andere signalisieren, dass der Aussteller mehr Sicherheit darüber haben möchte, dass die/der Karteninhaber/in anwesend ist und eine 3DS-Abfrage bietet genau das. Das Modell lernt, welche Codes bei welchen Ausstellern auf die Authentifizierung reagieren und leitet Wiederholungsversuche nur dort weiter, wo die erwartete Rückgewinnung die Kosten rechtfertigt. Diese Optimierung hat das weltweit autorisierte Zahlungsvolumen um über 1 Milliarde USD jährlich gesteigert.
4. Autorisierung
Sobald eine Transaktion auf Betrug geprüft und gegebenenfalls authentifiziert wurde, wird sie zur Autorisierung an die ausstellende Bank weitergeleitet. Stripe verbessert die Ergebnisse in diesem Bereich durch Routing, die Optimierung von Autorisierungsnachrichten und Wiederholungsversuche.
Routing
Stripe kann Zahlungen über mehrere Gateways und Kanäle, wie beispielsweise regionale Debitkartennetzwerke, leiten und bereits beim ersten Versuch den kostengünstigsten Weg auswählen. In vielen Fällen beeinträchtigen alternative Kanäle die Konversionsrate sogar; daher lernen die Modelle, wo diese Routen die Kosten senken, ohne die Akzeptanz zu beeinträchtigen. Bei einem erneuten Versuch ändert sich die Kalkulation: Wenn eine Debitkartentransaktion mit Unterschrift abgelehnt wird, kann die Weiterleitung des erneuten Versuchs über Debitkartennetzwerke möglicherweise zur Wiederherstellung der Transaktion führen.
Autorisierungsmeldungen
Der Inhalt der ISO 8583-Nachricht, die die Absenderin bzw. der Absender erhält, sowie der damit verbundene Kontext haben erheblichen Einfluss darauf, ob eine Zahlung genehmigt wird. Stripe optimiert diesen Prozess in mehrfacher Hinsicht.
Erstens führt Stripe kontinuierlich Experimente zur Gestaltung und zum Inhalt von ISO-Feldern durch, die verschiedene Aussteller, Kartentypen und Regionen umfassen. Aufgrund des Umfangs des Stripe-Netzwerks erreichen selbst Experimente mit geringem erwarteten Effekt innerhalb weniger Stunden statistische Signifikanz. Viele erfolgreiche Änderungen sind zwar klein, doch auf Netzwerkebene lassen sich selbst Verbesserungen mit geringem Effekt schnell messen und führen zu einer Gesamtwirkung im Wert von mehreren zehn Millionen Dollar pro Jahr. Stripe führt jede Woche Dutzende solcher Experimente durch und die Gewinne summieren sich im Laufe der Zeit.
Zweitens teilt Stripe Signale für Betrugsrisiken mit den Kartenausstellern. Diese haben ihre eigene Risikoeinschätzung, die häufig auf der Ausgabengeschichte, dem Kontostatus und dem Verhalten einer Karteninhaberin bzw. eines Karteninhabers innerhalb ihres Portfolios basiert. Sie erkennen jedoch nicht dieselben geschäftsübergreifenden Netzwerkstrukturen wie Stripe, beispielsweise Betrugsmuster, die mit einer bestimmten E-Mail-Adresse oder Versandadresse in Verbindung stehen. Um diese Lücke zu schließen, hat Stripe das „Enhanced Issuer Network“ aufgebaut – direkte Radar-Integrationen zum Datenaustausch mit Kartenausstellern wie Capital One, Discover und American Express. Wenn Stripe eine Transaktion als risikoarm einstuft, kann die Weitergabe dieses Signals Fehlablehnungen reduzieren.
Drittens optimiert Stripe die Verwendung von Kartendaten. Veraltete Kartendaten sind eine wesentliche Ursache für vermeidbare Ablehnungen. Stripe nutzt Netzwerk-Token und den Kartenaktualisierer, um die Kartendaten aktuell zu halten, doch bei der Optimierung geht es nicht nur darum, diese Tools pauschal zu aktivieren. Netzwerk-Token verbessern im Allgemeinen die Autorisierungsraten und senken die Kosten, doch es gibt Bereiche, in denen dies nicht der Fall ist: Aussteller mit schlechter Token-Unterstützung oder Transaktionsmuster, bei denen die Tokenisierung die Genehmigungsraten beeinträchtigt oder Betrugsfälle erhöht. Stripe erkennt, wo Token helfen und wo nicht und setzt sie gezielt ein.
Wiederholungsversuche
Manche Ablehnungen lassen sich beheben. Eine sanfte Ablehnung aufgrund unzureichender Deckung oder vorübergehender Nichtverfügbarkeit des Zahlungsanbieters kann bei einem zweiten Versuch mit einem anderen Zeitpunkt oder einer anderen Routenführung erfolgreich sein. Stripe unternimmt zum Zeitpunkt der Abbuchung einen synchronen Wiederholungsversuch, wobei je nach Ablehnungsgrund ein alternatives Zahlungsgateway ausgewählt oder die Meldung angepasst wird. Bei Zahlungen außerhalb der Sitzung, wie beispielsweise bei Abonnements, führt Stripe asynchrone Wiederholungsversuche mittels intelligenter Mahnverfahren durch, wobei Modelle zum Einsatz kommen, die vorhersagen, wann die Deckung am ehesten verfügbar ist, anstatt Wiederholungsversuche nach einem festen Zeitplan durchzuführen.
Insgesamt steigert der Authorization Boost von Stripe – der Optimierungen in den Bereichen Routing, Nachrichtenübermittlung, Kartenaussteller sowie die Verwaltung von Zugangsdaten umfasst – die Akzeptanzraten bei IC+-Unternehmen um durchschnittlich 2,2 % und senkt die Bearbeitungskosten um bis zu 2,8 %.
5. Clearing
Eine erfolgreiche Autorisierung ist noch nicht das Ende des Optimierungsprozesses. Zwischen Autorisierung und Abwicklung optimiert Stripe zwei Aspekte: die Senkung der Kosten für die Transaktionsabwicklung und die Aufdeckung von Betrugsfällen, die erst nach der Autorisierung sichtbar werden.
Kostenreduzierung
Die Rückerstattung einer bereits abgewickelten Transaktion ist kostspielig. Bei US-Debitkarten gibt es überhaupt keine Rückerstattung von Abwicklungsgebühren, wodurch eine Rückerstattung nach der Abwicklung bis zu 24-mal teurer sein kann als die Stornierung der Autorisierung vor der Abrechnung. Stripe prognostiziert kurz nach der Erfassung, welche Transaktionen wahrscheinlich zurückerstattet werden und verzögert deren Abrechnung entsprechend für einen kurzen Zeitraum, wodurch Rückerstattungen in Stornierungen umgewandelt werden. Fast 25 % der Rückerstattungen erfolgen innerhalb der ersten 48 Stunden, weshalb bereits eine kurze, gezielte Verzögerung bei Transaktionen mit hoher Rückerstattungswahrscheinlichkeit die Kosten erheblich senken kann.
Wenn geringfügige Änderungen am Transaktionswert zu erwarten sind, wie beispielsweise ein Trinkgeld, das zum Grundpreis hinzukommt, hält Stripe die Autorisierung offen und zieht den Gesamtbetrag in einem einzigen Schritt ein, anstatt dass eine zweite Gebührenerhebung anfällt. Und für Unternehmen, die Transaktionen mit Firmenkreditkarten abwickeln, kann die Übermittlung detaillierter Produkt- und Steuerdaten zum Zeitpunkt der Abrechnung dazu führen, dass Transaktionen im Rahmen von Programmen wie dem „Commercial Enhanced Data Program“ von Visa für niedrigere Abwicklungsgebühren in Frage kommen.
Betrugsbekämpfung
Auch nach der Autorisierung einer Zahlung treten weiterhin Betrugssignale auf. In den Stunden nach Abschluss einer Transaktion kann Stripe feststellen, dass dieselbe Karte an anderer Stelle im Netzwerk bei einem bestätigten Betrugsangriff verwendet wurde oder dass ein Gerätefingerabdruck neu mit einem Muster von Zahlungsanfechtungen in Verbindung gebracht wird. Diese Signale können die Risikobewertung einer bereits autorisierten Zahlung erheblich verändern.
Dadurch entsteht eine Asymmetrie, die Betrügerinnen und Betrügern entgegenwirkt. Jeder weitere Versuch mit einer gestohlenen Karte gefährdet ihre zuvor erfolgreichen Transaktionen. Eine Betrügerin bzw. ein Betrüger, die/der einen erfolgreichen Kauf tätigt und anschließend versucht, weiteren Wert zu erlangen, liefert Stripe zusätzliche Anhaltspunkte, um sie/ihn zu entlarven und die frühere Belastung rückgängig zu machen, bevor es zu einer Rückbuchung kommt. Wenn sich die Risikosignale nach der Autorisierung verschärfen, kann Stripe die Belastung proaktiv erstatten oder rückgängig machen, bevor es zu einer Zahlungsanfechtung kommt.
6. Zahlungsanfechtungen
Selbst nach einer vorgelagerten Optimierung kommt es bei einigen Transaktionen zu Anfechtungen. Das Unternehmen zahlt eine Anfechtungsgebühr, trägt die operativen Kosten für die Bearbeitung und verliert – wenn die Zahlungsanfechtung verloren geht – den Transaktionsbetrag. Wenn die Anfechtungsquote eines Unternehmens die Schwellenwerte der Kartennetzwerke überschreitet, kann das Unternehmen in ein Überwachungsprogramm mit steigenden Sanktionen aufgenommen werden. Zahlungsanfechtungen sind einzeln betrachtet kostspielig und in der Summe noch kostspieliger.
Die Bearbeitung von Zahlungsanfechtungen stellt ein weiteres Optimierungsproblem dar. Im Vorfeld besteht das Ziel darin, den erwarteten Gewinn bei jeder Transaktion in Echtzeit zu maximieren. Hier hingegen besteht das Ziel darin, die Gesamtkosten für Zahlungsanfechtungen unter Berücksichtigung von drei möglichen Vorgehensweisen zu minimieren: die Anfechtung bereits bei der Anfrage abzuwehren, sie zu klären, bevor sie eingereicht wird oder sie im Nachhinein abzuwehren. Jede Reaktion ist mit unterschiedlichen erwarteten Kosten, Erfolgsraten und Auswirkungen auf das Ansehen des Unternehmens bei den Kartennetzwerken verbunden. Die richtige Strategie hängt von der Höhe des Werts der angefochtenen Zahlung, dem Grundcode, der Verfügbarkeit von Beweisen und der Nähe des Unternehmens zu den Überwachungsschwellenwerten ab.
Umleitung
Stripe ist mit Verifi von Visa und Ethoca von Mastercard integriert, um den Kartenausstellern noch vor Einreichung von Anfechtungen detailliertere Transaktionsdaten zur Verfügung zu stellen. Kaufbeschreibungen, Unternehmensinformationen und Transaktionsmetadaten erhöhen die Wahrscheinlichkeit, dass ein/e Karteninhaber/in die Belastung erkennt und keine Reklamation einreicht. In Fällen, in denen Stripe einen Nachweis für eine frühere Beziehung zwischen der/dem Karteninhaber/in und dem Unternehmen erbringen kann (übereinstimmende Kundenkennungen, IP-Adresse oder Lieferadresse aus früheren erfolgreichen Transaktionen), könnten die daraus resultierenden Beweise die Kriterien von Visa Compelling Evidence (CE) 3.0 erfüllen. In diesen Fällen ist der Kartenaussteller verpflichtet, die Einreichung der Beanstandung zu blockieren. Für Unternehmen mit wiederkehrenden Kundinnen und Kunden kann dies verhindern, dass Anfechtungen aufgrund von Betrug in den Rückbuchungsprozess gelangen.
Beilegung
Verifi und Ethoca ermöglichen es zudem, Zahlungsanfechtungen zu klären, bevor sie offiziell in den Rückbuchungsprozess gelangen. Wenn ein/e Karteninhaber/in eine Zahlungsanfechtung einleitet, senden diese Netzwerke eine Benachrichtigung an Stripe, noch bevor die Rückbuchung eingereicht wird. Unternehmen können Regeln festlegen, um berechtigte Zahlungsanfechtungen automatisch zu erstatten (zum Beispiel alle Anfechtungen wegen „nicht erhaltener Ware“ unter 10 USD). Dadurch wird die Rückbuchungsgebühr vermieden und – was noch wichtiger ist – verhindert, dass der Vorfall in die Anfechtungsquote des Unternehmens einfließt.
Diese Instrumente zur Konfliktvermeidung und -beilegung haben die Anfechtungsquote bei Betrugs- und Nicht-Betrugs-Ursachencodes um durchschnittlich 51 % gesenkt.
Representment
Bei angefochtenen Zahlungen, die tatsächlich zu einer Rückbuchung führen, verlagert sich das Optimierungsproblem von der Prävention hin zur Beweissammlung. Welche Beweise in welchem Format maximieren die Wahrscheinlichkeit, eine bestimmte Zahlungsanfechtung zu gewinnen? Die Antwort hängt vom Grundcode, vom Kartenaussteller und von der Art der Transaktion ab. Die meisten einzelnen Unternehmen verzeichnen nicht genügend Zahlungsanfechtungen, um diese Muster zuverlässig zu erkennen.
Das Smart Disputes-System von Stripe wurde anhand der Ergebnisse von angefochtenen Zahlungen aus Millionen von Transaktionen trainiert und verfügt somit über genügend Daten, um zu erkennen, welche Kombinationen im jeweiligen Kontext am effektivsten sind. Es stellt automatisch ein maßgeschneidertes Beweispaket zusammen und reicht es ein; Unternehmen können dieses vor der Einreichung durch eigene Beweise ergänzen. Frühe Anwender haben im Durchschnitt 13 % mehr Rückbuchungen für sich entschieden.
Die Zukunft der Zahlungsoptimierung
Die hier beschriebenen Optimierungsmaßnahmen sind phasenspezifisch, ihre Wirkung summiert sich jedoch über den gesamten Zahlungslebenszyklus hinweg. Eine bessere Betrugsbewertung kann dazu führen, dass weniger betrügerische Transaktionen die Autorisierung erreichen. Eine stärkere Authentifizierung bedeutet eine zunehmende Haftungsverlagerung bei Transaktionen. Und Maßnahmen nach der Autorisierung können risikoreiche Belastungen rückgängig machen, bevor sie angefochten werden. Wenn eine Transaktion die Anfechtungsphase erreicht, hat sie bereits mehrere Optimierungsebenen durchlaufen.
Kombinierte Prognosen
Je mehr Ergebnisse Stripe präzise vorhersagen kann, desto besser werden alle nachfolgenden Entscheidungen. Wir investieren in die Modellierung der Wahrscheinlichkeit der Rückerstattung zum Zeitpunkt der Abbuchung, um den Zeitpunkt der Abrechnung zu optimieren. Wir entwickeln verbesserte Prognosen für die zu erwartenden Netzwerkkosten, damit Routing-Modelle präzisere Kompromisse zwischen Kosten und Genauigkeit finden können.
Jede neue Prognose verbessert den gesamten Zahlungszyklus. Hier kommt der Effekt der mehrstufigen Optimierung am deutlichsten zum Tragen.
Umfangreichere Zielfunktionen
Die Optimierungsqualität hängt davon ab, wie genau Stripe die tatsächlichen Prioritäten eines Unternehmens abbilden kann. Heute ermöglichen Tools wie die Risikopräferenzen von Radar es Unternehmen, ihre Betrugstoleranz anzugeben. Dies ist jedoch nur ein Ausgangspunkt. Ein Unternehmen, das digitale Produkte mit einer Marge von 60 % verkauft, sollte ein ganz anderes Maß an Betrugsrisiko tolerieren als ein Unternehmen, das physische Güter mit einer Marge von 8 % verkauft – und manche Unternehmen verkaufen beides. Das Betrugsschutzmodell, die Authentifizierungs-Engine und der Autorisierungsoptimierer sollten dies alle berücksichtigen und sich entsprechend anpassen.
Manche Unternehmen konzentrieren sich ausschließlich auf Anfechtungen aufgrund von Betrug; andere möchten alle Risiken minimieren, einschließlich Eigenbetrug und Missbrauch von Versicherungsbedingungen. Wieder andere sind bereit, ein höheres Betrugsrisiko in Kauf zu nehmen, um im Gegenzug die Konversionsrate während eines Aktionszeitraums zu maximieren. Je genauer Stripe die wirtschaftliche Situation und die Prioritäten eines Unternehmens erfassen kann, desto besser können alle Modelle in der Pipeline im Interesse des Unternehmens optimiert werden.
Größere Modelle
Die Modelle von Stripe werden sowohl umfangreicher als auch komplexer. Wir haben kürzlich den Trainingsdatensatz unseres Betrugsschutzmodells von rund 800 Millionen auf über 11 Milliarden historische Transaktionen erweitert, wodurch ein wesentlich breiteres Spektrum an Regionen, Produkten und Betrugsmustern abgedeckt wird. Unsere tiefen neuronalen Netze können aus dieser Datenmenge auf eine Weise lernen, die traditionellen Modellen nicht möglich ist und wir treiben diese Entwicklung weiter voran. Wir entwickeln Multitask-Modelle, die mehrere Ergebnisse gleichzeitig vorhersagen. Dadurch können die Modelle Darstellungen zwischen den Aufgaben austauschen, sodass das Signal einer Prognose eine andere verstärkt.
Agenten für unstrukturierte Probleme
Die meisten Zahlungsoptimierungen beziehen sich auf strukturierte Daten wie Transaktionsbeträge, Ablehnungscodes, Gerätefingerabdrücke und Betrugsbewertungen. Einige der wichtigsten Probleme im Zahlungsverkehr betreffen jedoch unstrukturierte Informationen. Die Nachreichung von Beweismitteln bei Streitfällen ist ein naheliegendes Beispiel: Hierfür muss ein überzeugendes Beweismittelpaket zusammengestellt, müssen Netzwerkregeln gelesen werden (Visa und Mastercard veröffentlichen jeweils Hunderte von Seiten mit Anfechtungsbestimmungen, die regelmäßig geändert werden), muss die richtige Art von Beweismittel dem spezifischen Ursachencode und dem Aussteller zugeordnet werden und müssen Transaktionsdaten zu einer schlüssigen Darstellung zusammengefasst werden. Stripe entwickelt Agenten, die Netzwerkvorschriften direkt interpretieren und dieses Verständnis mit KI-Modellen kombinieren können, welche vorhersagen, welche Beweise für ein bestimmtes Anfechtungsszenario am überzeugendsten sind und so Fälle bearbeiten, die regelbasierte Systeme nicht bewältigen können.
Experimentation
All dem liegt kontinuierliches Experimentieren zugrunde. Stripe führt Experimente über den gesamten Zahlungszyklus hinweg durch und misst die Auswirkungen auf Autorisierungsraten, Betrugsfälle, Verarbeitungskosten und Verrechnungsgebühren. Neue Ideen werden fortlaufend getestet und diejenigen, die sich bewähren, werden automatisch an die Unternehmen auf Stripe weitergegeben. In den letzten zwei Jahren hat sich das Tempo der Experimente mehr als vervierfacht.
Unternehmen, die umfangreichere Daten bereitstellen, wie beispielsweise Margendaten, angepasste Risikopräferenzen und Produktmetadaten, erweitern den Optimierungsspielraum noch weiter. Kontaktieren Sie uns; wir würden uns über eine Zusammenarbeit freuen.