Pagamentos como um problema de otimização em múltiplas etapas

A otimização de pagamentos costuma ser enquadrada como um problema de taxa de autorização, mas a autorização é um único componente de um sistema maior. Cada transação passa pelas etapas de checkout, avaliação de fraude, autenticação, autorização, compensação e contestações, com pontos de decisão diferentes em cada etapa. Essas decisões são interdependentes: um modelo antifraude que bloqueia pagamentos de forma muito agressiva pode reduzir as taxas de contestação, mas também reduzir a conversão, enquanto uma estratégia de autenticação que minimiza o atrito sem levar em conta o risco aumenta os pagamentos recusados e as contestações.

A Stripe aplica otimizações em todas as etapas, desde a personalização do formulário de checkout até a decisão de solicitar um desafio 3DS ou uma isenção, passando pela formatação dos campos de uma mensagem de autorização. Ao longo do ciclo de pagamento, essas otimizações geram até US$ 27 bilhões em receita incremental por ano, reduzem as fraudes em 38%, em média, e diminuem os custos de processamento em até 2,8% para as empresas que utilizam a Stripe.

1. Checkout

A maioria das transações que falham nunca chega à autorização; elas se perdem no checkout. Um cliente na Holanda que não vê a opção iDEAL pode abandonar o carrinho. Um cliente no Brasil que vê os preços em US$ pode hesitar porque o custo final com as taxas de câmbio é incerto. Um cliente que esteja considerando uma compra grande, sem a opção de parcelar o pagamento com um provedor do tipo “compre agora, pague depois”, pode optar por não comprar.

Personalização do formulário de checkout

O processo de checkout ideal varia com cada transação. O conjunto adequado de formas de pagamento, a ordem em que são apresentadas, a moeda utilizada, os campos obrigatórios no formulário e a decisão de iniciar uma intervenção antifraude dependem de quem é o cliente, onde ele está, o que está comprando e qual dispositivo está utilizando.

A Stripe trata essas situações como uma série de decisões em tempo real. A seleção da forma de pagamento é um exemplo: os modelos de IA da Stripe, treinados com bilhões de transações, selecionam quais formas de pagamento exibir em cada sessão de checkout com base em sinais da sessão, como tipo de dispositivo, idioma do navegador e disponibilidade da forma de pagamento, além de sinais da rede, como quais formas de pagamento têm melhor desempenho para empresas e clientes semelhantes. Como o conjunto ideal de formas de pagamento muda de acordo com o comportamento do cliente, as preferências regionais e a disponibilidade das formas de pagamento se alteram, o sistema também explora continuamente o desempenho de novas configurações.

A moeda é outra variável de grande impacto. A maioria dos clientes prefere pagar na sua moeda local, e o Adaptive Pricing da Stripe usa um modelo de IA que prevê a preferência de moeda do cliente, ajudando a impulsionar um aumento de 17,8% na receita internacional.

O efeito de rede das credenciais salvas

Mesmo um checkout otimizado ainda gera atrito se o cliente precisa digitar o número do cartão. Para clientes recorrentes, esse atrito é desnecessário. O Link, uma carteira digital criada pela Stripe, elimina esse problema. Se um cliente tiver uma forma de pagamento salva no Link, a Stripe poderá reconhecê-la usando cookies, dados da conta ou outros sinais de autenticação. O cliente pode, então, fazer checkout mais rápido em qualquer empresa com o Link habilitado, inclusive em locais que ele nunca visitou antes.

Cada nova empresa que adota o Link melhora a experiência dos clientes em toda a rede, e cada credencial adicional aumenta o valor do Link para as empresas. O Link agora possui mais de 200 milhões de formas de pagamento salvas, e empresas com uma grande base de clientes recorrentes observaram um aumento médio de 14% na conversão de usuários recorrentes.

Em conjunto, a ordenação dinâmica das formas de pagamento, o Adaptive Pricing e as credenciais salvas geram um aumento médio de receita de 11,9% para empresas que utilizam o Pacote de Otimização de Checkout.

2. Avaliação de fraude

Após uma tentativa de pagamento, o objetivo muda da conversão para a avaliação da legitimidade da transação, utilizando uma IA treinada com dados de milhões de empresas e mais de um trilhão de dólares em volume anual de pagamentos. Para pagamentos com cartão, há mais de 92% de chance de a Stripe já ter visto um determinado cartão antes. A rede da Stripe vai muito além dos cartões: observamos correlações entre formas de pagamento, dispositivos e padrões de transação que ajudam a diferenciar atividades legítimas de fraudes. Os modelos antifraude da Stripe usam esses sinais agregados para avaliar o risco de cada transação.

Avaliação de risco

Diferentes modalidades de fraude exigem modelos e sinais diferentes. O teste de cartões, por exemplo, tem uma assinatura diferente da fraude de cartão roubado, em que uma pessoa real tenta comprar algo usando a forma de pagamento de outra pessoa. Mesmo dentro do contexto da fraude de cartão roubado, a Stripe mantém várias previsões distintas: se o cartão provavelmente foi roubado, se a transação provavelmente resultará em uma contestação por fraude, se provavelmente acionará um alerta antecipado de fraude da rede de cartões e se a Stripe avalia a transação como fraudulenta de forma independente — mesmo que seja improvável que o banco a conteste.

Os modelos de detecção de fraudes do Stripe Radar utilizam três camadas de sinal. A primeira é a própria rede da Stripe: padrões agregados em todas as empresas e transações na Stripe. A segunda são dados externos, incluindo credenciais de cartão comprometidas coletadas na Internet. Em terceiro lugar, utilizam sinais específicos de cada empresa: o Radar aprende padrões exclusivos de cada empresa e os usa para comparar novas atividades com o comportamento usual dessa empresa.

As empresas podem usar essas previsões de maneiras diferentes, dependendo de sua tolerância ao risco. Uma empresa com alta aversão ao risco pode optar por bloquear todas as fraudes previstas, independentemente de o emissor contestá-las ou não. Uma empresa focada em maximizar a conversão pode optar por bloquear apenas as transações com probabilidade de resultar em contestações por fraude. Uma empresa que se aproxima do limite de monitoramento da bandeira do cartão pode bloquear as contestações por fraude e as transações com probabilidade de acionar alertas antecipados de fraude.

O escopo dessas previsões está aumentando. Historicamente, os modelos de fraude focavam em cartões roubados e testes de cartões. Mas novos padrões de fraude e abuso estão surgindo, especialmente porque os criminosos estão cada vez mais mirando serviços de IA com altos custos computacionais, explorando períodos de teste gratuitos ou acumulando faturas de uso não pagas. Essas não são formas tradicionais de fraude em pagamentos, mas exigem a mesma disciplina para serem combatidas: previsões distintas, treinadas com base nos sinais corretos, usadas para gerar a resposta adequada.

Escolha da intervenção certa

A avaliação de risco não especifica uma política de intervenção. A resposta mais simples é bloquear uma transação de risco, mas um falso positivo significa perda de receita. A questão é se existe uma maneira menos custosa de mitigar o risco.

A Stripe trata a seleção de intervenções como um problema de bandit contextual, escolhendo entre um conjunto de ações, como apresentar um desafio CAPTCHA ou solicitar um formulário 3DS, e modelando o resultado esperado de cada uma. O impacto varia de acordo com o contexto: muitos emissores dos EUA, por exemplo, têm baixas taxas de preenchimento do formulário 3DS, e adicionar um desafio 3DS a esses emissores pode não reduzir a fraude, mas certamente prejudicará a conversão.

Para cada possível intervenção, a Stripe estima o impacto nas taxas de conversão, custo e fraude. O modelo seleciona a intervenção que maximiza o lucro esperado, considerando o perfil de risco da transação, as preferências de risco da empresa e o emissor e a forma de pagamento específicos envolvidos.

Em meio a essas previsões e intervenções, o Radar reduz as fraudes em 38%, em média, para as empresas na Stripe, enquanto bloqueia menos de 0,05% das transações legítimas.

3. Autenticação

A seção anterior descreveu como o Stripe decide se deve solicitar autenticação. Esta seção foca no que acontece quando o 3DS é o caminho escolhido. O 3DS não é um fluxo único; é um conjunto de opções com diferentes implicações para conversão, custo e conformidade, e a escolha certa depende do risco da transação, do contexto regulatório e do emissor específico envolvido.

Otimizamos três objetivos concorrentes ao mesmo tempo: conformidade regulatória, prevenção a fraudes e conversão. Isso exige decisões específicas para cada transação, que consideram sinais de risco, contexto do dispositivo e o comportamento do emissor, para escolher entre um desafio completo, uma isenção sem atritos, uma troca de dados em segundo plano ou nenhuma autenticação.

Isenções e desafios

O mecanismo de autenticação da Stripe usa as pontuações de fraude do Radar para direcionar as transações elegíveis pelo caminho de menor atrito disponível. Transações de baixo risco, abaixo do limite regulatório, usam uma isenção de baixo valor, dispensando a autenticação por completo. Acima desse limite, o mecanismo solicita uma isenção TRA, quando aplicável. Transações de risco moderado podem usar a autenticação “Somente dados”, que compartilha as impressões digitais do dispositivo e o contexto da transação com o emissor nos bastidores, de modo que o cliente nunca vê um desafio. Um desafio 3DS completo é reservado para casos em que o risco o justifica ou quando nenhuma isenção está disponível.

A pontuação de fraude é a variável de ramificação em cada nó, e o mecanismo se adapta ao comportamento do emissor. Alguns emissores aprovam fluxos somente com dados de forma confiável, enquanto outros não, e a Stripe direciona de acordo. No volume total na Europa, a autenticação “Somente dados” gera US$ 147 milhões em volume incremental de pagamentos autorizados e mais de US$ 2,5 milhões em economia para as empresas a cada mês.

Otimização do tempo de expiração da impressão digital

Escolher um caminho de autenticação é apenas parte do desafio. Os detalhes de implementação dentro de um determinado caminho também são importantes. Considere a coleta de impressões digitais, a primeira etapa opcional de qualquer fluxo 3DS. A coleta de impressões digitais 3DS coleta informações do dispositivo e do navegador por meio de um iframe para ajudar o banco emissor a avaliar o risco da transação. É uma etapa opcional no protocolo, compatível com aproximadamente 68% das transações na Stripe, e pode melhorar a conversão quando bem-sucedida. Mas também introduz latência adicional, o que pode fazer com que a autenticação falhe completamente.

A Stripe realizou um teste A/B multivariado para determinar o tempo ideal de espera para a coleta da impressão digital antes de prosseguir sem ela. Trata-se de uma relação de compromisso direta: esperar muito tempo resulta em falha na conversão decorrente da latência; prosseguir muito rápido faz com que o emissor perca informações que poderiam ter refinado sua decisão. O tempo limite ideal varia de acordo com o dispositivo e o emissor. Desde março de 2025, essa otimização já recuperou mais de US$ 39 milhões em pagamentos.

3DS como estratégia de nova tentativa

A maioria dos processadores considera um pagamento recusado relacionado a risco como definitivo. Surpreendentemente, nossos testes mostraram que adicionar autenticação depois pode recuperar o pagamento. Dito isso, a autenticação 3DS adiciona latência, introduz atrito e acarreta seu próprio custo de processamento. Portanto, a questão não é simplesmente "O 3DS ajudaria a recuperar este pagamento?", mas sim "O valor esperado de tentar novamente com 3DS supera o custo da tentativa?".

O Stripe modela isso diretamente com base no motivo específico do pagamento recusado, emissor, tipo de cartão e perfil da transação. Alguns códigos de pagamento recusado são quase determinísticos (o cartão é realmente inválido e nenhuma autenticação mudará isso). Outros indicam que o emissor deseja mais garantias de que o titular do cartão está presente, e um desafio 3DS fornece exatamente isso. O modelo aprende quais códigos, em quais emissores, respondem à autenticação e direciona novas tentativas apenas quando a recuperação esperada justifica o custo. Essa otimização aumentou o volume global de pagamentos autorizados em mais de US$ 1 bilhão anualmente.

4. Autorização

Após uma transação ser avaliada em busca de fraude e, quando apropriado, autenticada, ela é enviada ao banco emissor para autorização. A Stripe aprimora os resultados nesse processo por meio de roteamento, otimização da mensagem de autorização e novas tentativas.

Direcionamento

A Stripe pode direcionar pagamentos por meio de múltiplos gateways e redes, como redes regionais de débito, e pode selecionar o caminho mais econômico na primeira tentativa. Em muitos casos, redes alternativas na verdade prejudicam a conversão, então os modelos aprendem onde essas direções reduzem custos sem sacrificar a aceitação. Na nova tentativa, o cálculo muda: se uma transação de débito com assinatura for recusada, direcionar a nova tentativa pelas redes de débito pode recuperá-la.

Mensagens de autorização

O conteúdo da mensagem ISO 8583 que o emissor recebe e o contexto ao seu redor afetam significativamente a aprovação de um pagamento. A Stripe otimiza isso em vários aspectos.

Em primeiro lugar, a Stripe conduz testes contínuos com a formatação e o conteúdo dos campos ISO em diferentes emissores, tipos de cartão e regiões. O volume da rede da Stripe permite que até mesmo experimentos com pequenos impactos esperados atinjam significância estatística em poucas horas. Muitas mudanças bem-sucedidas são pequenas, mas, em escala de rede, mesmo melhorias de baixo impacto podem ser medidas rapidamente e gerar um impacto agregado de dezenas de milhões de dólares por ano. A Stripe conduz dezenas de experimentos assim por semana, e os ganhos se acumulam ao longo do tempo.

Em segundo lugar, a Stripe compartilha sinais de risco de fraude com os emissores. Os emissores têm sua própria visão de risco, geralmente baseada no histórico de gastos do titular do cartão, na situação da conta e no comportamento no portfólio. Mas eles não observam os mesmos padrões de rede interdepartamentais que a Stripe, como os padrões de fraude associados a um determinado endereço de e-mail ou endereço de entrega. A Stripe criou a Rede Aprimorada de Emissores — integrações diretas de compartilhamento de dados do Radar com emissores, incluindo Capital One, Discover e American Express — para preencher essa lacuna. Quando a Stripe acredita que uma transação é de baixo risco, compartilhar esse sinal pode reduzir pagamentos recusados falsos.

Em terceiro lugar, a Stripe otimiza o uso das credenciais do cartão. Credenciais desatualizadas são uma fonte significativa de pagamentos recusados desnecessários. A Stripe usa tokens de rede e um atualizador de cartões para manter as credenciais atualizadas, mas o problema da otimização não se resume a habilitar ou não essas ferramentas globalmente. Os tokens de rede costumam melhorar as taxas de autorização e reduzem os custos, mas existem nichos de tráfego onde isso não acontece: emissores com suporte limitado a tokens ou padrões de transação em que a tokenização prejudica as taxas de aprovação ou aumenta a fraude. A Stripe aprende onde os tokens são úteis e onde não são, e os aplica de forma seletiva.

Novas tentativas

Alguns pagamentos recusados são recuperáveis. Um pagamento recusado temporário, baseado em fundos insuficientes ou indisponibilidade temporária do emissor, pode ser bem-sucedido em uma segunda tentativa com um momento ou direcionamento diferente. A Stripe tenta novamente de forma síncrona no ato da cobrança, selecionando um gateway alternativo ou ajustando a mensagem com base no motivo do pagamento recusado. Para pagamentos fora da sessão, como assinaturas, a Stripe tenta novamente de forma assíncrona por meio de cobrança inteligente, usando modelos que preveem quando os fundos provavelmente estarão disponíveis, em vez de tentar novamente em um cronograma fixo.

No total, o Authorization Boost da Stripe, englobando otimizações de direcionamento, mensagem e emissor, além de gestão de credenciais, aumenta, em média, as taxas de aceitação 2,2% e reduz os custos de processamento em até 2,8% para empresas IC+.

5. Compensação​

Uma autorização bem-sucedida não é o fim das oportunidades da otimização. Entre a autorização e a liquidação de fundos, a Stripe otimiza dois aspectos: reduzir o custo de liquidação da transação e identificar fraudes que só se tornam visíveis após a autorização.

Redução de custos

Reembolsar uma transação liquidada é caro. No débito nos EUA, não há devolução de comissão interbancária, o que torna um reembolso após a liquidação de fundos até 24 vezes mais caro do que reverter a autorização antes da compensação. A Stripe prevê quais transações têm probabilidade de serem reembolsadas logo após a captura e, por isso, atrasa sua compensação por um curto período, convertendo reembolsos em reversões. Quase 25% dos reembolsos ocorrem nas primeiras 48 horas, motivo pelo qual até mesmo um atraso breve e direcionado para transações com alta probabilidade de reembolso pode reduzir custos de forma significativa.

Quando são esperadas pequenas alterações no valor de uma transação, como uma gorjeta adicionada a uma cobrança base, a Stripe mantém a autorização aberta e captura o valor total de uma única vez, em vez de incorrer em um segundo conjunto de tarifas. E, para empresas que processam transações com cartões corporativos, o envio de dados detalhados de produtos e impostos no momento da compensação pode qualificar as transações para taxas de intercâmbio mais baixas por meio de programas como o Commercial Enhanced Data Program da Visa.

Redução de fraude

Os sinais de fraude continuam a surgir mesmo após a autorização de um pagamento. Nas horas seguintes à conclusão de uma transação, a Stripe pode observar o mesmo cartão sendo usado em um ataque de fraude confirmado em outra parte da rede, ou uma impressão digital de dispositivo recentemente associada a um padrão de contestações. Esses sinais podem alterar significativamente a avaliação de risco de um pagamento já autorizado.

Isso gera uma assimetria que funciona contra agentes fraudulentos. Cada tentativa subsequente usando um cartão roubado coloca em risco as transações bem-sucedidas anteriores. Um agente mal-intencionado que faz uma compra e, em seguida, tenta extrair mais valor, fornece à Stripe um sinal adicional para detectá-lo e anular a cobrança anterior antes que resulte em um estorno. Quando os sinais de risco pós-autorização aumentam, a Stripe pode reembolsar ou reverter a cobrança proativamente antes que ela resulte em uma contestação.

6. Contestações

Mesmo após a otimização de transações, algumas transações serão contestadas. A empresa paga uma tarifa contestada, absorve o custo operacional de responder e, se a contestação for perdida, perde o valor da transação. Se a taxa de contestação de uma empresa exceder os limites das bandeiras de cartão, algumas transações poderão ser colocadas em um programa de monitoramento com custos crescentes.

O gerenciamento de contestações é outro problema de otimização. A montante, o objetivo é maximizar o lucro esperado em cada transação em tempo real. Aqui, no entanto, o objetivo é minimizar o custo total das contestações em três possíveis respostas: rejeitar a contestação no momento da consulta, resolvê-la antes que seja registrada ou contestá-la posteriormente. Cada resposta tem um custo esperado, uma taxa de sucesso e um impacto diferentes na reputação da empresa junto às bandeiras de cartão. A estratégia correta depende do valor da contestação, do código de motivo, da disponibilidade de evidências e da proximidade da empresa aos limites de monitoramento.

Desvio

A Stripe integra-se com o Verifi da Visa e o Ethoca da Mastercard para fornecer detalhes de transação aprimorados aos emissores antes que as contestações sejam abertas. Descrições de compras, dados comerciais e metadados de transações aumentam a probabilidade de o titular do cartão reconhecer a cobrança e não contestá-la. Nos casos em que a Stripe consegue comprovar um relacionamento prévio entre o titular do cartão e a empresa (correspondência de identificadores de clientes, endereço IP ou endereço de entrega de transações anteriores bem-sucedidas), as evidências resultantes podem atender aos critérios de Compelling Evidence (CE) 3.0 da Visa. Nesses casos, o emissor é obrigado a bloquear a abertura da contestação. Para empresas com clientes recorrentes, isso pode impedir que contestações por fraude entrem no processo de estorno.

Resolução

Os recursos Verifi e Ethoca também permitem que as contestações sejam resolvidas antes de entrarem formalmente no processo de estorno. Quando um titular de cartão inicia uma contestação, essas redes enviam um alerta para a Stripe antes que o estorno seja registrado. As empresas podem configurar regras para reembolsar automaticamente as contestações elegíveis (por exemplo, todas as contestações de “produto não recebido” com valor inferior a US$ 10). Isso evita a tarifa de estorno e, ainda mais importante, impede que o evento seja contabilizado na taxa de contestações da empresa.

Essas ferramentas de desvio e resolução reduziram as taxas de contestação em 51%, em média, considerando códigos de motivo de fraude e de não fraude.

Contestação de disputa

No caso de contestações que avançam para um estorno, o problema de otimização passa da prevenção para a coleta de provas. Quais provas, em qual formato, maximizam a probabilidade de sucesso em uma determinada contestação? A resposta varia de acordo com o código de motivo, o emissor e o tipo de transação. A maioria das empresas não acompanha contestações suficientes para identificar esses padrões com precisão.

O sistema Smart Disputes da Stripe é treinado com base nos resultados de contestações em milhões de transações e aprende quais combinações são mais eficazes em um determinado contexto. Ele reúne e envia automaticamente um pacote de evidências personalizado, e as empresas podem complementá-lo com suas próprias evidências antes do envio. Os primeiros usuários obtiveram, em média, 13% mais estornos.

O futuro da otimização de pagamentos

As otimizações descritas aqui são específicas de cada etapa, mas seus efeitos se acumulam ao longo de todo o ciclo de pagamento. Uma melhor avaliação de fraudes pode levar a um menor número de transações fraudulentas que chegam à autorização. Uma autenticação mais robusta significa que mais transações acarretam a transferência de responsabilidade. E as intervenções pós-autorização anulam cobranças de alto risco antes que possam ser contestadas. Quando uma transação chega à fase de contestação, ela já passou por diversas camadas de otimização.

Previsões cumulativas

Quanto mais resultados a Stripe puder prever com precisão, melhores se tornam todas as decisões posteriores. Estamos investindo em modelos que preveem a probabilidade de reembolso no momento da cobrança para otimizar o momento da compensação. Também estamos desenvolvendo previsões mais precisas dos custos de rede esperados para que os modelos de direcionamento possam fazer compensações mais exatas entre custo e taxa de aprovação.

Cada nova previsão melhora todo o ciclo de pagamento. É aqui que a otimização em várias fases mostra-se mais evidente.

Funções-objetivo mais avançadas

A qualidade da otimização depende da precisão com que a Stripe consegue representar o que realmente importa para uma empresa. Hoje, ferramentas como as preferências de risco do Radar permitem que as empresas expressem sua tolerância à fraude. Mas isso é apenas o começo. Uma empresa que vende produtos digitais com uma margem de 60% deve tolerar um nível de risco de fraude muito diferente de uma empresa que vende produtos físicos com uma margem de 8%, e algumas empresas vendem os dois. O modelo de fraude, o mecanismo de autenticação e o otimizador de autorização devem estar cientes disso e se ajustar de acordo.

Algumas empresas se preocupam especificamente com contestações por fraude; outras querem minimizar todo risco, incluindo fraude de primeira parte e abuso de políticas. Algumas estão dispostas a aceitar níveis mais altos de fraudes em troca de maximizar a conversão durante um período promocional. Quanto mais precisamente a Stripe conseguir capturar a economia e as prioridades reais de uma empresa, melhor cada modelo em desenvolvimento poderá ser otimizado em benefício da empresa.

Modelos maiores

Os modelos da Stripe estão se tornando mais amplos e mais profundos. Recentemente, ampliamos o conjunto de dados de treinamento do nosso modelo de fraude de aproximadamente 800 milhões para mais de 11 bilhões de transações históricas, cobrindo uma gama muito mais ampla de regiões, produtos e padrões de fraude. Nossas redes neurais profundas conseguem aprender com esse volume de dados de maneiras que os modelos tradicionais não conseguem, e estamos levando isso ainda mais adiante. Estamos desenvolvendo modelos multitarefa que preveem vários resultados simultaneamente, o que permite que os modelos compartilhem representações entre diferentes tarefas, de modo que o sinal de uma previsão fortaleça outra.

Agentes para problemas não estruturados

A maioria das otimizações de pagamento opera com dados estruturados, como valores de transação, códigos de pagamentos recusados, impressões digitais de dispositivos e pontuações de fraude. Mas alguns dos problemas mais importantes em pagamentos envolvem informações não estruturadas. A contestação de pagamentos é uma área que se encaixa perfeitamente, exigindo a coleta de um conjunto de provas convincente, a leitura das regras da rede (Visa e Mastercard publicam centenas de páginas de regulamentos de contestação que estão sujeitos a alterações frequentes), a correspondência do tipo de evidência correto com o código de motivo e emissor específicos e a síntese dos dados da transação em uma narrativa coerente. A Stripe está desenvolvendo agentes que podem interpretar os regulamentos da rede diretamente e combinar esse conhecimento com modelos de IA que preveem qual evidência é mais persuasiva para um determinado cenário de contestação, lidando com casos que os sistemas baseados em regras não conseguem.

Experimentação

Na base de tudo isso está a experimentação contínua. A Stripe realiza experimentos em todo o ciclo de pagamento e mede os efeitos nas taxas de autorização, fraudes, custos de processamento e taxas de intercâmbio. Novas ideias são testadas continuamente e aquelas que têm sucesso são implementadas automaticamente para empresas que utilizam a plataforma Stripe. Nos últimos dois anos, o ritmo de experimentação aumentou mais de 4x.

Empresas que fornecem informações mais detalhadas, como dados de margem, preferências de risco ajustáveis ​​e metadados de produtos, ampliam ainda mais as possibilidades de otimização. Fale conosco; adoraríamos colaborar.