Paiements comme problème d’optimisation en plusieurs étapes

L’optimisation des paiements est souvent présentée comme un problème lié au taux d’autorisation, mais l’autorisation n’est qu’un élément parmi d’autres d’un système plus vaste. Chaque transaction passe par les étapes suivantes : paiement, évaluation de la fraude, authentification, autorisation, compensation et litiges, avec des points de décision distincts à chaque étape. Ces décisions sont interdépendantes : un modèle de détection de la fraude trop restrictif peut réduire le taux de litiges, mais aussi diminuer le taux de conversion, tandis qu’une stratégie d’authentification qui minimise les frictions sans tenir compte des risques augmentera le nombre de refus et de litiges.

Stripe met en œuvre des optimisations à chaque étape, de la personnalisation du formulaire de paiement à la décision de demander une authentification 3DS ou une exemption, en passant par la mise en forme des champs d’un message d’autorisation. Tout au long du cycle de paiement, ces optimisations génèrent jusqu’à 27 milliards de dollars par an de revenus supplémentaires, réduisent la fraude de 38 % en moyenne et diminuent les coûts de traitement jusqu’à 2,8 % pour les entreprises utilisant Stripe.

1. Paiement

La plupart des transactions qui échouent n’arrivent jamais au stade de l’autorisation; elles sont perdues dès le paiement. Un client aux Pays-Bas qui ne voit pas l’option iDEAL risque d’abandonner son panier. Un client au Brésil qui voit les prix en dollars américains pourrait hésiter, car le coût final, frais de change compris, est incertain. Un client envisageant un achat important sans possibilité de fractionner le paiement par le biais d’un service de paiement fractionné pourrait décider de ne pas acheter du tout.

Personnalisation du formulaire de paiement

La procédure de paiement optimale varie d’une transaction à l’autre. Le choix des modes de paiement, leur ordre d’affichage, la devise présentée, les champs obligatoires à afficher et la décision de déclencher une procédure anti-fraude dépendent tous de l’identité du client, de sa localisation, de ce qu’il achète et de l’appareil qu’il utilise.

Stripe traite ces éléments comme une série de décisions prises en temps réel. Le choix du mode de paiement en est un exemple : les modèles d’IA de Stripe, entraînés sur des milliards de transactions, sélectionnent les modes de paiement à afficher pour chaque session de paiement en fonction de signaux propres à la session (tels que le type d’appareil, les paramètres régionaux du navigateur et la disponibilité des modes de paiement), ainsi que de signaux au niveau du réseau (tels que les modes de paiement les plus performants pour des entreprises et des clients similaires). Et comme l’ensemble optimal de modes de paiement évolue en fonction des changements de comportement des clients, des préférences régionales et de la disponibilité des modes de paiement, le système explore également en permanence les performances de nouvelles configurations.

La devise est un autre facteur déterminant. La plupart des clients préfèrent payer dans leur devise locale, et la fonctionnalité Adaptive Pricing de Stripe utilise un modèle d’IA qui prédit la devise préférée d’un client, ce qui contribue à une augmentation de 17,8 % des revenus internationaux.

Effet réseau des identifiants enregistrés

Même une procédure de paiement optimisée reste source de friction si le client doit saisir son numéro de carte. Pour les clients fidèles, cette friction est inutile. Link, un portefeuille numérique développé par Stripe, permet de l’éliminer. Si un client a enregistré un mode de paiement dans Link, Stripe peut l’identifier à l’aide de cookies, des informations de son compte ou d’autres signaux d’authentification. Le client peut alors payer plus rapidement dans n’importe quel commerce compatible avec Link, y compris ceux qu’il n’a jamais fréquentés auparavant.

Chaque nouvelle entreprise qui adopte Link améliore l’expérience client sur l’ensemble du réseau, et chaque identifiant supplémentaire renforce la valeur de Link pour les entreprises. Link compte désormais plus de 200 millions de modes de paiement enregistrés, et les entreprises disposant d’une importante clientèle fidèle ont vu le taux de conversion de leurs utilisateurs réguliers augmenter de 14 % en moyenne.

Pris ensemble, le classement dynamique des modes de paiement, Adaptive Pricing et la sauvegarde des identifiants permettent une augmentation moyenne des revenus de 11,9 % pour les entreprises qui utilisent la suite d’optimisation des paiements.

2. Évaluation de la fraude

Une fois la tentative de paiement effectuée, l’objectif n’est plus la conversion, mais la vérification de la légitimité de la transaction, grâce à une IA entraînée sur des données provenant de millions d’entreprises et représentant plus de mille milliards de dollars de volume de paiement annuel. Pour les paiements par carte, il y a plus de 92 % de chances que Stripe ait déjà rencontré cette carte auparavant. Et le réseau de Stripe s’étend bien au-delà des cartes : nous observons des corrélations entre les modes de paiement, les appareils et les schémas de transaction qui aident à distinguer les activités légitimes de la fraude. Les modèles de détection de la fraude de Stripe utilisent ces signaux agrégés pour évaluer le risque de chaque transaction.

Évaluation des risques

Les différents modes de fraude nécessitent des modèles et des indicateurs distincts. Le test de carte, par exemple, présente une signature différente de celle de la fraude par carte volée, où une personne réelle tente d’effectuer un achat en utilisant le mode de paiement d’une autre personne. Même dans le cas de la fraude par carte volée, Stripe établit plusieurs prévisions distinctes : si la carte est susceptible d’avoir été volée, si la transaction est susceptible de donner lieu à un litige pour fraude, si elle est susceptible de déclencher une alerte de soupçon de fraude de la part du réseau de cartes, et si Stripe évalue de manière indépendante la transaction comme frauduleuse, même si la banque est peu susceptible de la contester.

Les modèles de détection de la fraude de Stripe Radar s’appuient sur trois niveaux de signaux. Le premier est le réseau Stripe lui-même : il s’agit des modèles agrégés issus de l’ensemble des entreprises et des transactions sur Stripe. Le deuxième niveau concerne les données externes, notamment les identifiants de cartes compromises recueillis sur Internet. Enfin, le troisième niveau repose sur des signaux propres à chaque entreprise : Radar apprend les modèles propres à chaque entreprise et les utilise pour comparer les nouvelles activités au comportement habituel de celle-ci.

Les entreprises peuvent exploiter ces prévisions de différentes manières en fonction de leur tolérance au risque. Une entreprise très réticente à prendre des risques peut choisir de bloquer toutes les transactions jugées frauduleuses, que l’émetteur soit susceptible de les contester ou non. Une entreprise cherchant à optimiser son taux de conversion peut choisir de ne bloquer que les transactions susceptibles de donner lieu à des litiges pour fraude. Une entreprise approchant le seuil de surveillance fixé par une marque de carte peut bloquer à la fois les contestations pour fraude et les transactions susceptibles de déclencher des alertes de soupçon de fraude.

La portée de ces prévisions ne cesse de s’étendre. Historiquement, les modèles de détection de la fraude se concentraient sur les cartes volées et les tests de cartes. Mais de nouveaux mécanismes de fraude et d’abus apparaissent, d’autant plus que les malfaiteurs ciblent de plus en plus les services d’IA nécessitant une puissance de calcul importante, en exploitant les essais gratuits ou en accumulant des factures d’utilisation qui restent impayées. Il ne s’agit pas là de formes traditionnelles de fraude aux paiements, mais leur traitement exige la même rigueur : des prévisions précises, entraînées sur les bons signaux, utilisées pour déclencher la réponse appropriée.

Choisir la bonne intervention

La notation des risques ne définit pas de politique d’intervention. La réponse la plus simple consiste à bloquer une transaction à risque, mais un faux positif entraîne une perte de revenus. La question est de savoir s’il existe un moyen moins coûteux d’atténuer ce risque.

Stripe aborde le choix des interventions comme un problème de stratégie contextuelle, en sélectionnant parmi un ensemble d’actions, telles que la présentation d’un CAPTCHA ou la demande d’une authentification 3DS, et en modélisant le résultat attendu de chacune d’entre elles. L’impact varie selon le contexte : de nombreux émetteurs américains, par exemple, affichent de faibles taux de réussite à l’authentification 3DS, et le fait d’imposer une authentification 3DS à ces émetteurs pourrait ne pas réduire la fraude, mais nuirait certainement au taux de conversion.

Pour chaque intervention potentielle, Stripe évalue son effet sur les taux de conversion, les coûts et les taux de fraude. Le modèle sélectionne l’intervention qui maximise le bénéfice attendu en fonction du profil de risque de la transaction, des préférences de l’entreprise en matière de risque, ainsi que de l’émetteur et du mode de paiement concernés.

Grâce à ces prévisions et interventions, Radar réduit la fraude de 38 % en moyenne pour les entreprises utilisant Stripe, tout en bloquant moins de 0,05 % des transactions légitimes.

3. Authentification

La section précédente expliquait comment Stripe détermine s’il convient de demander une authentification. Cette section se concentre sur ce qui se passe lorsque 3DS est la méthode choisie. La méthode 3DS n’est pas une procédure unique. Il s’agit d’un ensemble d’options ayant des implications différentes en termes de taux de conversion, de coût et de conformité, et le choix approprié dépend du niveau de risque de la transaction, du contexte réglementaire et de l’émetteur concerné.

Nous optimisons simultanément trois objectifs concurrents : la conformité réglementaire, la prévention de la fraude et la conversion. Cela nécessite de prendre des décisions propres à chaque transaction, en tenant compte des signaux de risque, du contexte de l’appareil et du comportement de l’émetteur, pour choisir entre une authentification complète, une exemption sans friction, un échange de données en arrière-plan ou l’absence totale d’authentification.

Exemptions et défis

Le moteur d’authentification de Stripe utilise les indices de fraude de Radar pour rediriger les transactions éligibles par la voie la plus fluide possible. Les transactions à faible risque situées en dessous du seuil réglementaire bénéficient d’une exemption pour les montants de faible valeur, ce qui permet de contourner complètement l’authentification. Au-delà de ce seuil, le moteur demande une exemption ART, le cas échéant. Les transactions à risque modéré peuvent recourir à l’authentification Data Only, qui partage en arrière-plan les empreintes numériques de l’appareil et le contexte de la transaction avec l’émetteur, de sorte que le client ne voit jamais de demande d’authentification. Un défi 3DS complet est réservé aux cas où le risque le justifie ou lorsqu’aucune exemption n’est disponible.

L’indice de fraude est la variable de bifurcation à chaque nœud, et le moteur s’adapte au comportement des émetteurs. Certains émetteurs approuvent de façon fiable les flux Data Only, d’autres non, et Stripe ajuste l’acheminement en conséquence. Sur l’ensemble du volume européen, l’authentification Data Only à elle seule génère 147 millions de dollars en volume de paiements autorisés supplémentaires et plus de 2,5 millions de dollars d’économies pour les entreprises chaque mois.

Optimisation de l’expiration des empreintes

Le choix d’un parcours d’authentification ne représente qu’une partie du défi. Les détails de mise en œuvre au sein d’un parcours donné sont également importants. Prenons l’exemple de la prise d’empreinte, la première étape facultative de toute procédure 3DS. La prise d’empreinte 3DS collecte des informations sur l’appareil et le navigateur grâce à une iframe pour aider la banque émettrice à évaluer le risque lié à la transaction. Il s’agit d’une étape facultative du protocole, prise en charge par environ 68 % des transactions sur Stripe, et qui peut améliorer le taux de conversion lorsqu’elle aboutit. Mais elle introduit également une latence supplémentaire, susceptible d’entraîner l’échec complet de l’authentification.

Stripe a mené un test A/B multivarié pour déterminer le délai optimal à respecter avant de poursuivre la procédure sans recourir à la prise d’empreinte. Il s’agit d’un compromis direct : si l’on attend trop longtemps, la conversion échoue en raison de la latence; si l’on passe à l’étape suivante trop rapidement, l’émetteur perd les informations qui auraient pu améliorer sa prise de décision. Le délai d’expiration optimal varie selon l’appareil et l’émetteur. Depuis mars 2025, cette optimisation a permis de récupérer plus de 39 millions de dollars de paiements.

3DS comme stratégie de nouvelle tentative

La plupart des prestataires de paiement considèrent qu’un rejet lié à un risque est définitif. Étonnamment, nos tests ont montré que le fait d’ajouter une authentification a posteriori permettait de récupérer le paiement. Cela dit, l’authentification 3DS ajoute un temps de latence, crée des frictions et engendre des coûts de traitement supplémentaires. La question n’est donc pas simplement de savoir si la méthode 3DS permettrait de récupérer ce paiement, mais plutôt si la valeur attendue d’une nouvelle tentative avec la méthode 3DS dépasse le coût de cette tentative.

Stripe modélise cela directement en fonction du motif de refus, de l’émetteur, du type de carte et du profil de la transaction. Certains codes de refus sont quasi déterministes (la carte est véritablement invalide, et aucune authentification ne changera cela). D’autres indiquent que l’émetteur souhaite davantage de garanties quant à la présence du titulaire de la carte, et une authentification 3DS répond exactement à ce besoin. Le modèle apprend quels codes, pour quels émetteurs, répondent à l’authentification, et ne redirige les tentatives que lorsque le gain attendu justifie le coût. Cette optimisation a augmenté le volume mondial des paiements autorisés de plus d’un milliard de dollars par an.

4. Autorisation

Une fois qu’une transaction a fait l’objet d’une vérification antifraude et, le cas échéant, d’une authentification, elle est transmise à la banque émettrice pour autorisation. Stripe optimise les résultats à ce stade grâce à l’acheminement, à l’optimisation des messages d’autorisation et aux nouvelles tentatives.

Acheminement

Stripe peut rediriger les paiements à travers plusieurs passerelles et réseaux, comme les réseaux de débit régionaux, et choisir le chemin le plus rentable dès la première tentative. Dans de nombreux cas, les chemins alternatifs nuisent en réalité à la conversion, et les modèles apprennent donc où ces itinéraires réduisent les coûts sans compromettre l’acceptation. Lors des nouvelles tentatives, la logique change : si une transaction par débit avec signature est refusée, l’acheminement de la tentative suivante par les réseaux de débit peut permettre de la récupérer.

Messages d’autorisation

Le contenu du message ISO 8583 que l’émetteur reçoit, ainsi que le contexte qui l’entoure, influent de manière significative sur l’approbation d’un paiement. Stripe optimise ces paramètres sur plusieurs fronts.

Tout d’abord, Stripe mène en permanence des expériences sur la mise en forme et le contenu des champs ISO, en tenant compte des émetteurs, des types de cartes et des zones géographiques. Grâce à l’ampleur du réseau Stripe, même les expériences dont l’effet attendu est modeste atteignent une signification statistique en quelques heures. Bon nombre des changements couronnés de succès sont mineurs, mais à l’échelle du réseau, même les améliorations à faible effet peuvent être mesurées rapidement et générer un impact global de plusieurs dizaines de millions de dollars par an. Stripe mène des dizaines de ces expériences chaque semaine, et les gains s’accumulent au fil du temps.

Ensuite, Stripe partage les signaux de risque de fraude avec les émetteurs. Les émetteurs ont leur propre vision du risque, souvent fondée sur l’historique des dépenses du titulaire de la carte, la situation du compte et le comportement au sein de leur portefeuille. Mais ils n’observent pas les mêmes schémas transversaux au réseau que Stripe, tels que les mécanismes de fraude associés à une adresse courriel ou une adresse de livraison donnée. Stripe a mis en place l’Enhanced Issuer Network, qui permet un partage direct des données Radar avec les émetteurs, notamment Capital One, Discover et American Express, pour combler cette lacune. Lorsque Stripe estime qu’une transaction présente un faible risque, le partage de ce signal permet de réduire les refus injustifiés.

Enfin, Stripe optimise l’utilisation des informations d’identification des cartes. Les informations obsolètes constituent une source importante de refus inutiles. Stripe utilise des jetons réseau et l’outil de mise à jour de carte pour maintenir ces informations à jour, mais le problème d’optimisation ne se résume pas à savoir s’il faut activer ces outils de manière globale. Les jetons réseau améliorent généralement les taux d’autorisation et réduisent les coûts, mais il existe des cas particuliers où ce n’est pas le cas : les émetteurs offrant une prise en charge insuffisante des jetons, ou les modèles de transaction où la jetonisation nuit aux taux d’approbation ou augmente la fraude. Stripe identifie les cas où les jetons sont utiles et ceux où ils ne le sont pas, et les applique de manière sélective.

Relances

Certains refus peuvent être récupérés. Un refus temporaire dû à une insuffisance des fonds ou à une indisponibilité passagère de l’émetteur peut réussir lors d’une deuxième tentative avec un meilleur moment d’exécution ou un acheminement différent. Stripe effectue les nouvelles tentatives de façon synchrone au moment du paiement, en choisissant une passerelle alternative ou en ajustant le message selon le motif du refus. Pour les paiements hors session, comme les abonnements, Stripe effectue les nouvelles tentatives de façon asynchrone par la relance intelligente, en utilisant des modèles qui prédisent quand les fonds seront les plus susceptibles d’être disponibles, plutôt que de réessayer selon un calendrier fixe.

Au total, Authorization Boost de Stripe, qui regroupe les optimisations de l’acheminement, du message et de l’émetteur, ainsi que la gestion des informations de carte, augmente les taux d’acceptation de 2,2 % en moyenne et réduit les coûts de traitement jusqu’à 2,8 % pour les entreprises IC+.

5. Compensation

Une autorisation réussie ne marque pas la fin du travail d’optimisation. Entre l’autorisation et le règlement, Stripe s’attache à optimiser deux aspects : réduire le coût du règlement de la transaction et détecter les fraudes qui n’apparaissent qu’après l’autorisation.

Réduction des coûts

Le remboursement d’une transaction réglée coûte cher. Sur les prélèvements aux États-Unis, il n’y a aucun retour de frais d’interchange, ce qui rend un remboursement après règlement jusqu’à 24 fois plus coûteux que l’annulation de l’autorisation avant compensation. Stripe prédit quelles transactions sont susceptibles d’être remboursées peu de temps après la capture et retarde leur compensation pendant une courte période de temps en conséquence, convertissant les remboursements en annulations. Près de 25 % des remboursements ont lieu dans les 48 premières heures. C’est pourquoi même un délai bref et ciblé pour les remboursements à forte probabilité peut réduire considérablement les coûts.

Lorsque de légères modifications au montant d’une transaction sont prévues, comme un pourboire ajouté à un montant de base, Stripe maintient l’autorisation ouverte et capture le montant total en une seule fois, plutôt que de prélever une deuxième série de frais. Pour les entreprises qui traitent des transactions avec des cartes commerciales, l’envoi de données détaillées sur les produits et les taxes au moment de la compensation peut permettre aux transactions d’être admissibles à des taux d’interchange plus bas, grâce à des programmes comme le Programme commercial de données améliorées de Visa.

Réduction de la fraude

Les signaux de fraude continuent d’apparaître après l’autorisation d’un paiement. Dans les heures qui suivent la finalisation d’une transaction, Stripe peut détecter que la même carte a été utilisée dans le cadre d’une attaque frauduleuse confirmée ailleurs sur le réseau, ou qu’une empreinte numérique d’appareil est désormais associée à une série de litiges. Ces signaux peuvent modifier de manière significative l’évaluation des risques d’un paiement déjà autorisé.

Cela crée une asymétrie qui joue en défaveur des fraudeurs. Chaque tentative ultérieure utilisant une carte volée met en péril leurs transactions précédentes réussies. Un fraudeur qui effectue un achat réussi, puis tente d’en tirer davantage de valeur fournit à Stripe un signal supplémentaire pour le repérer et annuler le prélèvement antérieur avant qu’il n’entraîne une contestation de paiement. Lorsque les signaux de risque post-autorisation s’intensifient, Stripe peut rembourser ou annuler le prélèvement de manière proactive avant qu’il ne donne lieu à un litige.

6. Litiges

Même après une optimisation en amont, certaines transactions feront l’objet d’un litige. L’entreprise paie des frais de litige, prend en charge les coûts opérationnels liés à la réponse et, si elle perd le litige, perd le montant de la transaction. Si le taux de litiges d’une entreprise dépasse les seuils fixés par les réseaux de cartes, celle-ci peut être soumise à un programme de surveillance assorti de sanctions croissantes. Les litiges sont coûteux pris séparément, et le sont encore plus lorsqu’ils sont cumulés.

La gestion des litiges constitue un autre problème d’optimisation. En amont, l’objectif est de maximiser le bénéfice attendu sur chaque transaction en temps réel. Ici, cependant, l’objectif est de minimiser le coût total des litiges en choisissant parmi trois réponses possibles : rejeter le litige dès la demande d’information, le résoudre avant qu’il ne soit déposé, ou le contester a posteriori. Chaque réponse présente un coût attendu, un taux de réussite et un impact sur la réputation de l’entreprise auprès des réseaux de cartes différents. La stratégie appropriée dépend du montant du litige, du code de motif, de la disponibilité des preuves et de la proximité de l’entreprise par rapport aux seuils de surveillance.

Évitement

Stripe s’intègre aux solutions Verifi de Visa et Ethoca de Mastercard pour fournir aux émetteurs des informations détaillées sur les transactions avant que des litiges ne soient déposés. Les descriptions des achats, les informations sur l’entreprise et les métadonnées des transactions augmentent les chances que le titulaire de la carte reconnaisse le débit et ne le conteste pas. Lorsque Stripe est en mesure d’établir la preuve d’une relation antérieure entre le titulaire de la carte et l’entreprise (correspondance des identifiants client, de l’adresse IP ou de l’adresse de livraison avec des transactions antérieures réussies), les éléments de preuve ainsi obtenus peuvent satisfaire aux critères Compelling Evidence (CE) 3.0 de Visa. Dans ces cas, l’émetteur est tenu de bloquer le dépôt du litige. Pour les entreprises ayant des clients réguliers, cela permet d’empêcher les litiges pour fraude d’entrer dans la procédure de contestation de paiement.

Résolution

Verifi et Ethoca permettent également de résoudre les litiges avant qu’ils n’entrent officiellement dans la procédure de contestation de paiement. Lorsqu’un titulaire de carte lance un litige, ces réseaux envoient une alerte à Stripe avant que la contestation de paiement ne soit déposée. Les entreprises peuvent configurer des règles pour rembourser automatiquement les litiges éligibles (par exemple, tous les litiges de type « produit non reçu » d’un montant inférieur à 10 $). Cela permet d’éviter les frais de contestation de paiement et, surtout, d’empêcher que cet incident ne soit pris en compte dans le taux de litiges de l’entreprise.

Ces outils d’évitement et de résolution ont permis de réduire les taux de litige de 51 % en moyenne sur les codes de motif fraude et non-fraude.

Représentation

Pour les litiges qui aboutissent à une contestation de paiement, le défi ne consiste plus à prévenir le litige, mais à rassembler des preuves. Quels éléments de preuve, sous quel format, maximisent les chances de gagner un litige donné? La réponse varie en fonction du code de motif, de l’émetteur et du type de transaction. La plupart des entreprises individuelles ne traitent pas suffisamment de litiges pour identifier ces tendances de manière fiable.

Le système Smart Disputes de Stripe a été formé à partir des résultats de litiges issus de millions de transactions et apprend quelles combinaisons sont les plus efficaces dans un contexte donné. Il rassemble et soumet automatiquement un dossier de preuves sur mesure, que les entreprises peuvent compléter avec leurs propres éléments avant l’envoi. Les premiers utilisateurs ont gagné en moyenne 13 % de contestations de paiement supplémentaires.

L’avenir de l’optimisation des paiements

Les optimisations décrites ici sont propres à chaque étape, mais leurs effets se cumulent tout au long du cycle de vie du paiement. Une meilleure évaluation du risque de fraude peut réduire le nombre de transactions frauduleuses qui parviennent jusqu’à l’autorisation. Une authentification plus rigoureuse signifie que davantage de transactions sont soumises au transfert de responsabilité. Et les interventions post-autorisation permettent d’annuler les débits à haut risque avant qu’ils ne fassent l’objet d’un litige. Lorsqu’une transaction atteint la phase de litige, elle a déjà franchi plusieurs niveaux d’optimisation.

Prédictions complexes

Plus Stripe peut prédire avec précision les résultats, meilleures deviennent toutes les décisions prises en aval. Nous investissons dans la modélisation de la probabilité de remboursement au moment du débit pour optimiser le moment de la compensation. Nous développons aussi de meilleures prédictions des frais de réseau attendu, afin que les modèles d’acheminement puissent effectuer des compromis plus précis entre les coûts et la précision.

Chaque nouvelle prévision améliore l’ensemble du cycle de paiement. C’est là que l’effet cumulatif de l’optimisation en plusieurs étapes se manifeste le plus clairement.

Fonctions objectives plus riches

La qualité de l’optimisation dépend de la précision avec laquelle Stripe parvient à refléter ce qui importe réellement à une entreprise. Aujourd’hui, des outils tels que les préférences de risque de Radar permettent aux entreprises d’exprimer leur tolérance à la fraude. Mais ce n’est que le point de départ. Une entreprise vendant des biens numériques avec une marge de 60 % devrait tolérer un niveau de risque de fraude très différent de celui d’une entreprise vendant des biens physiques avec une marge de 8 %, et certaines entreprises vendent les deux. Le modèle de fraude, le moteur d’authentification et l’optimiseur d’autorisation devraient tous en tenir compte et s’adapter en conséquence.

Certaines entreprises se soucient particulièrement des litiges pour fraude alors que d’autres veulent limiter le plus possible tous les risques, y compris la fraude directe et les violations de politiques. Certaines sont prêtes à accepter un niveau de fraude plus élevé en échange de la maximisation de la conversion pendant une période de promotion. Plus Stripe peut capturer l’économie et les priorités d’une entreprise avec précision, mieux chaque modèle dans le pipeline peut optimiser au nom de l’entreprise.

Modèles plus grands

Les modèles Stripe sont de plus en plus étendus et profonds. Nous avons récemment fait passer l’ensemble des données d’entraînement de notre modèle de fraude d’environ 800 millions à plus de 11 milliards de transactions historiques, couvrant un éventail beaucoup plus large de zones géographiques, de produits et de mécanismes de fraude. Nos réseaux neuronaux profonds peuvent apprendre de ce volume de données d’une manière que les modèles traditionnels ne peuvent pas, et nous les poussons plus loin. Nous créons des modèles multitâches qui prédisent plusieurs résultats simultanément, ce qui permet aux modèles de partager des représentations entre les tâches, afin que le signal d’une prédiction renforce une autre.

Agents pour les problèmes non structurés

La plupart des optimisations des paiements reposent sur des données structurées, comme les montants des transactions, les codes de refus, les empreintes d’appareil et les indices de fraude. Toutefois, certains des problèmes les plus importants dans le domaine des paiements impliquent de l’information non structurée. La représentation d’une contestation en est un bon exemple. Elle consiste à constituer un dossier de preuve convaincant, à interpréter les règles des réseaux de cartes (comme celles publiées par Visa et MasterCard, qui publient chacune des centaines de pages de règlements sur les contestations et les mettent régulièrement à jour), à associer le bon type de preuve au code de motif et à l’émetteur concernés, puis à transformer les données de transaction en un récit cohérent. Stripe développe des agents capables d’interpréter directement les règlements des réseaux et de combiner cette compréhension avec des modèles d’intelligence artificielle qui prédisent quels éléments de preuve sont les plus convaincants pour un scénario de contestation donné, pour traiter des cas que les systèmes fondés uniquement sur des règles ne peuvent pas gérer.

Expérimentation

Tout cela repose sur une expérimentation permanente. Stripe mène des expériences tout au long du cycle de vie des paiements et en mesure les effets sur les taux d’autorisation, la fraude, les coûts de traitement et les commissions d’interchange. De nouvelles idées sont testées en permanence, et celles qui s’avèrent efficaces sont automatiquement déployées auprès des entreprises utilisant Stripe. Au cours des deux dernières années, le rythme des expérimentations a été multiplié par plus de quatre.

Les entreprises qui fournissent des données plus détaillées, telles que des données sur les marges, des paramètres de préférences en matière de risque et des métadonnées sur les produits, élargissent encore davantage le champ d’optimisation. Contactez-nous, nous serions ravis de collaborer avec vous.