การชำระเงินคือโจทย์การเพิ่มประสิทธิภาพหลายขั้นตอน

เพิ่มประสิทธิภาพการชำระเงินมักถูกมองว่าเป็นปัญหาเกี่ยวกับอัตราการอนุมัติ แต่การอนุมัติเป็นเพียงองค์ประกอบส่วนหนึ่งของระบบที่กว้างกว่า ธุรกรรมแต่ละขั้นตอนจะดำเนินการผ่านการชำระเงิน การประเมินการฉ้อโกง การยืนยันตัวตน การอนุมัติ การเคลียร์รายการ และการโต้แย้งการชำระเงิน โดยในแต่ละขั้นตอนจะมีจุดตัดสินใจที่แตกต่างกัน และการตัดสินใจเหล่านี้มีความเชื่อมโยงซึ่งกันและกัน เช่น โมเดลตรวจจับการฉ้อโกงที่บล็อกอัตราการโต้แย้งการชำระเงินมากเกินไปสามารถลดอัตราการโต้แย้งการชำระเงินได้ แต่ก็อาจทำให้อัตราคอนเวอร์ชันลดลง ในขณะเดียวกัน หากใช้กลยุทธ์การตรวจสอบสิทธิ์ลดขั้นตอนโดยไม่คำนึงถึงความเสี่ยง ก็จะทำให้มีการปฏิเสธธุรกรรมและการโต้แย้งการชำระเงินเพิ่มขึ้นได้

Stripe ปรับใช้การเพิ่มประสิทธิภาพในทุกขั้นตอน ตั้งแต่การปรับแต่งแบบฟอร์มการชำระเงิน ขั้นตอนการตัดสินใจว่าจะขอคำถามตรวจสอบสิทธิ์ 3DS หรือใช้ข้อยกเว้น ไปจนถึงการจัดรูปแบบช่องข้อมูลของข้อความการอนุมัติ ตลอดทั้งวงจรการชำระเงิน การเพิ่มประสิทธิภาพเหล่านี้จะช่วยให้ธุรกิจที่ใช้ Stripe สามารถสร้างรายรับเพิ่มขึ้นได้ถึง 27,000 ล้านดอลลาร์สหรัฐต่อปี ซึ่งช่วยลดอัตราการฉ้อโกงได้ 38% โดยเฉลี่ย และลดค่าใช้จ่ายในการประมวลผลได้ถึง 2.8%

1. การชำระเงิน

ธุรกรรมที่ดำเนินการไม่สำเร็จส่วนใหญ่มักไม่ได้รับการอนุมัติ และสิ้นสุดแล้วหายไปในขั้นตอนการชำระเงิน ลูกค้าในเนเธอร์แลนด์ที่ไม่ได้เห็น iDEAL อาจละทิ้งรถเข็นของตน ลูกค้าในบราซิลที่เห็นราคาเป็นสกุลเงินดอลลาร์สหรัฐอาจตัดสินใจไม่ได้เนื่องจากค่าใช้จ่ายสุดท้ายที่มีค่าธรรมเนียม FX นั้นไม่แน่นอน ลูกค้าที่กำลังพิจารณาซื้อสินค้าจำนวนมากโดยไม่มีตัวเลือกในการแบ่งการชำระเงินด้วยผู้ให้บริการ "ซื้อตอนนี้ จ่ายทีหลัง" อาจตัดสินใจที่ไม่ซื้อเลย

การปรับแบบฟอร์มการชำระเงินให้เหมาะกับแต่ละบุคคล

การชำระเงินที่เหมาะสมที่สุดจะแตกต่างกันไปในแต่ละธุรกรรม ชุดวิธีการชำระเงินที่เหมาะสม ลำดับการแสดงผลของรายการ สกุลเงินที่แสดง ช่องข้อมูลที่จำเป็นต้องแสดงในแบบฟอร์ม และการตัดสินใจว่าจะเริ่มมาตรการป้องกันการฉ้อโกง ล้วนขึ้นอยู่กับว่าลูกค้าคือใคร อยู่ที่ไหน กำลังซื้ออะไร และใช้อุปกรณ์ใดอยู่

Stripe ถือว่าการตัดสินใจเหล่านี้เป็นชุดการตัดสินใจแบบเรียลไทม์ ตัวอย่างหนึ่งคือการเลือกวิธีการชำระเงิน โดยโมเดล AI ของ Stripe ที่เทรนโดยใช้ธุรกรรมหลายพันล้านรายการ จะเลือกวิธีการชำระเงินที่จะแสดงในแต่ละเซสชันการชำระเงินตามสัญญาณภายในเซสชัน เช่น ประเภทอุปกรณ์ ภาษาในเบราว์เซอร์ และความพร้อมใช้งานของวิธีการชำระเงิน รวมถึงสัญญาณระดับเครือข่าย เช่น วิธีการชำระเงินที่มีผลการทำงานที่ดีที่สุดสำหรับธุรกิจและลูกค้าที่คล้ายกัน และเนื่องจากชุดวิธีการชำระเงินที่มีประสิทธิภาพสูงสุดจะเปลี่ยนแปลงไปตามพฤติกรรมของลูกค้า ความต้องการในภูมิภาค และความพร้อมใช้งานของวิธีการชำระเงิน นอกจากนี้ระบบก็คอยสำรวจประสิทธิภาพการกำหนดค่าใหม่ๆ อย่างต่อเนื่อง

สกุลเงินเป็นอีกหนึ่งตัวแปรที่ส่งผลกระทบสูงเป็นพิเศษ ลูกค้าส่วนใหญ่ต้องการชำระเงินในสกุลเงินท้องถิ่นของตน และ Adaptive Pricing ของ Stripe จะใช้โมเดล AI คาดการณ์สกุลเงินที่ลูกค้าต้องการใช้ ซึ่งช่วยผลักดันรายรับข้ามพรมแดนให้เพิ่มขึ้นได้ถึง 17.8%

ปรากฏการณ์เครือข่ายของข้อมูลการชำระเงินที่บันทึกไว้

แม้แต่การชำระเงินที่ได้รับการเพิ่มประสิทธิภาพของ Stripe ก็ยังทำให้เกิดความยุ่งยากหากลูกค้าต้องพิมพ์หมายเลขบัตรเอง แต่สำหรับลูกค้าประจำ ก็ไม่จำเป็นต้องมีความยุ่งยากเหล่านั้นก็ได้ โดย Link เป็นกระเป๋าเงินดิจิทัลที่สร้างขึ้นโดย Stripe ซึ่งช่วยขจัดความยุ่งยากนั้นได้ เมื่อลูกค้ามีวิธีการชำระเงินที่บันทึกไว้กับ Link จะทำให้ Stripeสามารถจดจำวิธีการชำระเงินดังกล่าวได้โดยใช้คุกกี้ รายละเอียดบัญชี หรือสัญญาณการตรวจสอบสิทธิ์อื่นๆ จากนั้นลูกค้าจะสามารถชำระเงินได้เร็วขึ้นกับธุรกิจใดก็ตามที่เปิดใช้งาน Link รวมถึงธุรกิจที่ลูกค้าไม่เข้าชมมาก่อนด้วย

ธุรกิจใหม่แต่ละแห่งที่ปรับใช้ Link จะช่วยปรับปรุงประสบการณ์ของลูกค้าทั่วทั้งเครือข่าย และข้อมูลประจำตัวที่เพิ่มเข้ามาจะช่วยเพิ่มมูลค่าของ Link สำหรับธุรกิจด้วย ปัจจุบันนี้ Link มีวิธีการชำระเงินที่บันทึกไว้มากกว่า 200 ล้านวิธี และธุรกิจที่มีฐานลูกค้าประจำจำนวนมากก็มีอัตราคอนเวอร์ชันของผู้ใช้ที่กลับมาใช้บริการเพิ่มขึ้นโดยเฉลี่ย 14%

เมื่อรวมกันแล้ว การจัดลำดับวิธีการชำระเงินแบบไดนามิก, Adaptive Pricing และข้อมูลการชำระเงินที่บันทึกไว้ จะช่วยผลักดันรายรับเฉลี่ยให้เพิ่มขึ้น 11.9% สำหรับธุรกิจที่ใช้ชุดเครื่องมือด้านการชำระเงินที่เพิ่มประสิทธิภาพ

2. การประเมินการฉ้อโกง

หลังจากพยายามชำระเงิน เป้าหมายจะเปลี่ยนจากการคอนเวอร์ชัน ไปเป็นการประเมินว่าธุรกรรมเป็นรายการจริงหรือไม่ โดยใช้ AI ที่ฝึกจากข้อมูลของธุรกิจหลายล้านรายและข้อมูลจากปริมาณการชำระเงินรวมมากกว่าหนึ่งล้านล้านดอลลาร์ต่อปี สำหรับการชำระเงินด้วยบัตรแล้ว มีโอกาสมากกว่า 92% ที่ Stripe จะเคยเห็นบัตรใบดังกล่าวมาก่อน และเครือข่ายของ Stripe ครอบคลุมช่องทางอื่นๆ ด้วย ไม่ใช่แค่บัตร เราสังเกตเห็นความสัมพันธ์ระหว่างวิธีการชำระเงิน อุปกรณ์ และรูปแบบธุรกรรม ที่ช่วยแยกแยะกิจกรรมสุจริตออกจากการฉ้อโกง โมเดลตรวจจับการฉ้อโกงของ Stripe จะใช้สัญญาณที่รวบรวมจากทั่วเครือข่ายเพื่อประเมินความเสี่ยงของธุรกรรมแต่ละรายการ

การประเมินความเสี่ยง

การฉ้อโกงในรูปแบบที่แตกต่างกันต้องใช้รูปแบบและสัญญาณที่แตกต่างกันไป ตัวอย่างเช่น การทดสอบบัตรจะมีลายเซ็นที่ไม่เหมือนกับการฉ้อโกงด้วยบัตรที่ถูกขโมย ซึ่งหมายความว่ามีบุคคลจริงพยายามทำการซื้อสินค้าหรือบริการโดยใช้วิธีการชำระเงินของผู้อื่น แม้แต่ในกรณีที่มีการฉ้อโกงด้วยบัตรที่ถูกขโมย Stripe ก็สามารถคาดการณ์ได้อย่างชัดเจนว่าบัตรนั้นมีแนวโน้มเป็นบัตรที่ถูกขโมยหรือไม่ ธุรกรรมนั้นอาจทำให้เกิดการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงหรือไม่ ธุรกรรมนั้นจะทำให้เครือข่ายบัตรส่งคำเตือนว่าอาจเป็นการฉ้อโกงหรือไม่ และ Stripe จะประเมินธุรกรรมนั้นว่าเป็นการฉ้อโกงหรือไม่ แม้ในกรณีที่ธนาคารอาจไม่ได้โต้แย้งธุรกรรมนั้นก็ตาม

โมเดลการตรวจจับการฉ้อโกงของ Stripe Radar ใช้สัญญาณข้อมูลสามชั้นแรก ชั้นแรกคือเครือข่ายของ Stripe เอง ซึ่งรวบรวมรูปแบบของธุรกิจและธุรกรรมทั้งหมดบน Stripe ชั้นที่สองคือข้อมูลภายนอก ได้แก่ข้อมูลบัตรที่ถูกละเมิดซึ่งรวบรวมมาจากทั่วอินเทอร์เน็ต และชั้นที่สามคือสัญญาณเฉพาะของแต่ละธุรกิจ โดย Radar จะเรียนรู้รูปแบบที่เป็นเอกลักษณ์ของแต่ละธุรกิจ และนำมาใช้เพื่อเปรียบเทียบกิจกรรมใหม่กับพฤติกรรมตามปกติของธุรกิจนั้น

ธุรกิจสามารถใช้การคาดการณ์เหล่านี้ในรูปแบบที่แตกต่างกันออกไป โดยขึ้นอยู่กับระดับความเสี่ยงที่ธุรกิจยอมรับได้ ธุรกิจที่หลีกเลี่ยงความเสี่ยงอย่างจริงจังสามารถเลือกบล็อกการฉ้อโกงที่คาดการณ์ไว้ทั้งหมด ไม่ว่าบริษัทผู้ออกบัตรจะโต้แย้งหรือไม่ก็ตาม ธุรกิจที่มุ่งเพิ่มคอนเวอร์ชันให้สูงสุดอาจจะเลือกบล็อกเฉพาะธุรกรรมที่มีแนวโน้มจะส่งผลให้เกิดการโต้แย้งการชำระเงินที่เป็นการฉ้อโกงเท่านั้น ธุรกิจที่ใกล้เข้าข่ายต้องตรวจสอบของแบรนด์บัตรอาจจะบล็อกทั้งการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงและธุรกรรมที่มีแนวโน้มจะกระตุ้นให้ส่งคำเตือนว่าอาจเป็นการฉ้อโกง

ขอบเขตของการคาดการณ์เหล่านี้กำลังขยายไปเรื่อยๆ ในอดีต โมเดลการฉ้อโกงมุ่งเน้นไปที่บัตรที่ถูกขโมยและการทดสอบบัตร แต่ปัจจุบันก็มีรูปแบบการฉ้อโกงและการละเมิดใหม่ๆ เกิดขึ้น โดยเฉพาะอย่างยิ่งเมื่อมิจฉาชีพมุ่งเป้าไปที่บริการ AI ที่มีต้นทุนในการประมวลผลสูงโดยใช้ประโยชน์จากช่วงทดลองใช้ฟรีหรือสร้างค่าการใช้งานที่ไม่มีวันได้รับชำระเงิน วิธีเหล่านี้ไม่ใช่การฉ้อโกงด้านการชำระเงินในรูปแบบดั้งเดิม แต่เป็นรูปแบบที่ต้องใช้เกณฑ์เดียวกันในการจัดการ ได้แก่ การสร้างการคาดการณ์ที่เฉพาะเจาะจง ฝึกด้วยสัญญาณที่เหมาะสม และนำไปใช้เพื่อกำหนดการตอบสนองที่ถูกต้อง

การเลือกการแทรกแซงที่เหมาะสม

การให้คะแนนความเสี่ยงไม่ได้เป็นการกำหนดนโยบายการแทรกแซงใดๆ การตอบสนองที่ง่ายที่สุดคือการบล็อกธุรกรรมที่มีความเสี่ยง แต่หากมีการตรวจพบที่ผิดพลาดก็จะทำให้สูญเสียรายรับได้ คำถามคือ มีวิธีการลดความเสี่ยงที่ประหยัดต้นทุนหรือไม่

Stripe มองการเลือกมาตรการแทรกแซงว่าเป็น Contextual Bandit Problem กล่าวคือต้องเลือกชุดการดำเนินการ เช่น การแสดงการยืนยัน CAPTCHA หรือการขอใช้ 3DS และสร้างโมเดลเพื่อคาดการณ์ผลลัพธ์ที่คาดหวัง โดยผลกระทบยังแตกต่างกันตามบริบทด้วย ตัวอย่างเช่น บริษัทผู้ออกบัตรในสหรัฐฯ หลายรายมีอัตราการทำ 3DS จนสำเร็จต่ำ และการเพิ่มคำถามตรวจสอบสิทธิ์ 3DS กับบริษัทเหล่านั้นอาจไม่ช่วยลดการฉ้อโกง แต่จะส่งผลเสียต่อคอนเวอร์ชันอย่างแน่นอน

สำหรับการแทรกแซงแต่ละแบบที่ดำเนินการได้ Stripe จะประเมินผลกระทบต่ออัตราคอนเวอร์ชัน ต้นทุน และอัตราการฉ้อโกง จากนั้นโมเดลจะเลือกการแทรกแซงที่เพิ่มผลกำไรที่คาดการณ์ได้สูงสุดตามโปรไฟล์ความเสี่ยงของธุรกรรมนั้นๆ การตั้งค่าด้านความเสี่ยงของธุรกิจ และบริษัทผู้ออกบัตรรายเฉพาะและวิธีการชำระเงินที่เกี่ยวข้อง

จากการคาดการณ์และมาตรการแทรกแซงเหล่านี้ Radar ช่วยลดการฉ้อโกงได้เฉลี่ย 38% สำหรับธุรกิจบน Stripe ในขณะที่บล็อกธุรกรรมที่ถูกต้องแท้จริงน้อยกว่า 0.05%

3. การตรวจสอบสิทธิ์

ส่วนก่อนหน้านี้อธิบายวิธีที่ Stripe จะเป็นผู้ตัดสินใจว่าจะขอการตรวจสอบสิทธิ์หรือไม่ ส่วนนี้จะเน้นไปที่สิ่งที่เกิดขึ้นเมื่อเลือกเส้นทาง 3DS เพราะ 3DS ไม่ได้เป็นโฟลว์รายการเดียว แต่เป็นกลุ่มตัวเลือกที่มีผลกระทบแตกต่างกันในแง่ของคอนเวอร์ชัน ต้นทุน และการปฏิบัติตามข้อกำหนด และตัวเลือกที่เหมาะสมขึ้นอยู่กับความเสี่ยงของธุรกรรม บริบทด้านกฎระเบียบ และบริษัทผู้ออกบัตรที่เกี่ยวข้อง

เราเพิ่มประสิทธิภาพในวัตถุประสงค์ที่แข่งขันกัน 3 ด้านพร้อมกัน ได้แก่ การปฏิบัติตามข้อกำหนด การป้องกันการฉ้อโกง และคอนเวอร์ชัน ซึ่งจำเป็นต้องอาศัยการตัดสินใจในระดับธุรกรรม โดยพิจารณาจากสัญญาณความเสี่ยง บริษัทของอุปกรณ์ และพฤติกรรมของบริษัทผู้ออกบัตร เพื่อเลือกระหว่างคำถามตรวจสอบสิทธิ์เต็มรูปแบบ การยกเว้นโดยไร้อุปสรรค การแลกเปลี่ยนข้อมูลเบื้องหลัง หรือไม่ผ่านการตรวจสอบสิทธิ์เลย

ข้อยกเว้นและความท้าทาย

เครื่องมือตรวจสอบสิทธิ์ของ Stripe ใช้คะแนนการฉ้อโกงของ Radar เพื่อกำหนดเส้นทางธุรกรรมที่มีสิทธิ์ผ่านเส้นทางที่ยุ่งยากน้อยที่สุดเท่าที่จะเป็นไปได้ ธุรกรรมที่มีความเสี่ยงต่ำซึ่งต่ำกว่าเกณฑ์ด้านกฎระเบียบจะใช้การยกเว้นมูลค่าต่ำ โดยข้ามการตรวจสอบสิทธิ์ไปโดยสิ้นเชิง หากสูงกว่าเกณฑ์ดังกล่าว ระบบจะขอการยกเว้น TRA (หากมี) ธุรกรรมที่มีความเสี่ยงระดับปานกลางจะใช้การตรวจสอบสิทธิ์แบบ Data Only โดยจะแชร์ข้อมูลเอกลักษณ์ของอุปกรณ์และบริบทธุรกรรมกับบริษัทผู้ออกบัตรเบื้องหลัง ทำให้ลูกค้าไม่เห็นคำถามตรวจสอบสิทธิ์ใดๆ คำถามตรวจสอบสิทธิ์ 3DS แบบเต็มรูปแบบจะถูกสงวนไว้สำหรับกรณีที่มีระดับความเสี่ยงสมควรใช้ หรือไม่มีการยกเว้นที่เหมาะสม

คะแนนการฉ้อโกงคือตัวแปรแยกสาขาในทุกโหนด และระบบจะปรับให้เข้ากับพฤติกรรมของบริษัทผู้ออกบัตร บางรายอนุมัติกระบวนการ Data Only อย่างสม่ำเสมอในขณะที่บางรายไม่ และ Stripe จะกำหนดเส้นทางตามนั้น ในกลุ่มธุรกรรมของยุโรป การตรวจสอบสิทธิ์แบบ Data Only เพียงอย่างเดียวสร้างปริมาณการชำระเงินที่ได้รับอนุมัติเพิ่มขึ้น 147 ล้านดอลลาร์ และช่วยประหยัดต้นทุนให้ธุรกิจได้มากกว่า 2.5 ล้านดอลลาร์ต่อเดือน

การเพิ่มประสิทธิภาพการหมดเวลาของการตรวจสอบเอกลักษณ์

การเลือกเส้นทางการยืนยันตัวตนเป็นเพียงส่วนหนึ่งของความท้าทายเท่านั้น รายละเอียดของการปรับใช้ในแต่ละเส้นทางก็มีความสำคัญเช่นกัน ตัวอย่างเช่น การตรวจสอบเอกลักษณ์ซึ่งเป็นขั้นตอนแรกที่เป็นทางเลือกของกระบวนการ 3DS โดยการตรวจสอบเอกลักษณ์ใน 3DS จะรวบรวมข้อมูลอุปกรณ์และเบราว์เซอร์ผ่าน iframe เพื่อช่วยธนาคารที่ออกบัตรประเมินความเสี่ยงของธุรกรรม นี่เป็นขั้นตอนเสริมในโปรโตคอลที่รองรับธุรกรรมบน Stripe ประมาณ 68% และสามารถเพิ่มคอนเวอร์ชันได้เมื่อทำสำเร็จ อย่างไรก็ตาม ขั้นตอนนี้ยังทำให้มีความหน่วงเพิ่มขึ้น ซึ่งอาจทำให้การตรวจสอบสิทธิ์ล้มเหลวโดยสิ้นเชิง

Stripe ทำการทดสอบ A/B แบบหลายตัวแปรเพื่อหาระยะเวลาในการรอตรวจสอบเอกลักษณ์ที่มีประสิทธิภาพที่สุดก่อนที่จะดำเนินการต่อโดยไม่ใช้ข้อมูลนั้น การหาจุดสมดุลนี้เป็นการแลกเปลี่ยนข้อดีข้อเสียโดยตรง คือหากรอนานเกินไปคอนเวอร์ชันก็จะล้มเหลวเพราะความหน่วง หากดำเนินการต่อเร็วเกินไปผู้ออกบัตรก็จะสูญเสียข้อมูลที่อาจช่วยให้บริษัทผู้ออกบัตรตัดสินใจได้ดีขึ้น ระยะหมดเวลาที่เหมาะสมจะแตกต่างกันไปตามอุปกรณ์และบริษัทผู้ออกบัตร ตั้งแต่เดือนมีนาคม 2025 เป็นต้นมา การเพิ่มประสิทธิภาพนี้ได้ช่วยกู้คืนการชำระเงินได้มากกว่า 39 ล้านดอลลาร์

3DS ในฐานะกลยุทธ์การลองใหม่

ผู้ประมวลผลส่วนใหญ่จะถือว่า การปฏิเสธการชำระเงินที่เกี่ยวข้องกับความเสี่ยงเป็นข้อสรุปสุดท้าย แต่จากการทดสอบของเรา พบว่าการเพิ่มการตรวจสอบสิทธิ์หลังจากที่เกิดเหตุการณ์นั้นสามารถกู้คืนการชำระเงินได้ อย่างไรก็ตาม การตรวจสอบสิทธิ์ 3DS เพิ่มความหน่วง ทำให้เกิดความยุ่งยาก และมีต้นทุนการดำเนินการของตัวเอง ดังนั้นคำถามจึงไม่ใช่แค่ "3DS จะช่วยกู้คืนการชำระเงินนี้ได้หรือไม่" เท่านั้น แต่จะเป็น "มูลค่าที่คาดหวังจากการลองใช้ 3DS อีกครั้งนั้นเกินต้นทุนในการลองหรือไม่"

Stripe สร้างโมเดลประเมินข้อนี้โดยตรง โดยอิงจากเหตุผลในการปฏิเสธ บริษัทผู้ออกบัตร ประเภทบัตร และโปรไฟล์ธุรกรรมที่เฉพาะเจาะจง รหัสปฏิเสธบางรหัสให้ผลลัพธ์ที่แน่นอนเกือบตายตัว (บัตรไม่ถูกต้องจริงๆ และไม่มีการตรวจสอบสิทธิ์ใดเปลี่ยนแปลงได้) รหัสอื่นๆ บ่งชี้ว่าบริษัทผู้ออกบัตรต้องการความมั่นใจมากขึ้นว่ามีเจ้าของบัตรอยู่จริง และคำถามตรวจสอบสิทธิ์ 3DS ตอบสนองความต้องการนั้นได้พอดี โมเดลจะเรียนรู้ว่ารหัสใดและบริษัทผู้ออกบัตรรายใดตอบสนองต่อการตรวจสอบสิทธิ์ และส่งเข้าสู่เส้นทางการลองใหม่เฉพาะในกรณีที่มูลค่าการกู้คืนที่คาดไว้คุ้มค่ากับต้นทุน การเพิ่มประสิทธิภาพนี้ช่วยเพิ่มปริมาณการชำระเงินที่ได้รับอนุมัติทั่วโลกมากกว่า 1,000 ล้านดอลลาร์ต่อปี

4. การอนุมัติ

เมื่อธุรกรรมได้รับการประเมินการฉ้อโกงและมีการตรวจสอบสิทธิ์แล้ว (ในกรณีที่เหมาะสม) ระบบจะส่งธุรกรรมดังกล่าวไปให้ธนาคารที่ออกบัตรเพื่อรับการอนุมัติ โดย Stripe จะปรับปรุงผลลัพธ์ครั้งนี้ผ่านการกำหนดเส้นทาง การเพิ่มประสิทธิภาพข้อความการอนุมัติ และการลองดำเนินการซ้ำ

การกำหนดเส้นทาง

Stripe สามารถกำหนดเส้นทางการชำระเงินผ่านเกตเวย์และเครือข่ายได้หลายช่องทาง เช่น เครือข่ายเดบิตในภูมิภาค และสามารถเลือกเส้นทางที่คุ้มค่าที่สุดตั้งแต่ครั้งแรก ในหลายกรณี เครือข่ายทางเลือกกลับส่งผลเสียต่อคอนเวอร์ชัน ดังนั้นโมเดลจึงเรียนรู้ว่าเส้นทางเหล่านี้ช่วยลดต้นทุนได้ที่ใดบ้างโดยไม่กระทบอัตราการอนุมัติ เมื่อลองใหม่อีกครั้ง การคำนวณจะเปลี่ยนไป หากธุรกรรมเดบิตแบบลายเซ็นถูกปฏิเสธ การกำหนดเส้นทางการลองใหม่ให้ผ่านเครือข่ายเดบิตอาจสามารถกู้คืนได้

ข้อความการอนุมัติ

เนื้อหาของข้อความ ISO 8583 ที่บริษัทผู้ออกบัตรได้รับ และบริบทโดยรอบจะส่งผลอย่างมีนัยสำคัญต่อการอนุมัติการชำระเงิน Stripe ปรับสิ่งนี้ให้เหมาะสมในหลายด้าน

ขั้นแรก Stripe ทำการทดลองอย่างต่อเนื่องเกี่ยวกับการจัดรูปแบบและเนื้อหาของช่องข้อมูล ISO ผ่านบริษัทผู้ออกบัตร ประเภทบัตร และภูมิภาคต่างๆ ด้วยขนาดของเครือข่าย Stripe ทำให้แม้แต่การทดลองที่คาดว่าจะให้ผลลัพธ์เพียงเล็กน้อย ก็สามารถมีผลสถิติที่เป็นนัยสำคัญได้ภายในไม่กี่ชั่วโมง การเปลี่ยนแปลงที่ประสบความสำเร็จหลายรายการอาจดูเล็กน้อย แต่เมื่ออยู่ในระดับเครือข่ายแล้ว การเปลี่ยนแปลงที่มีผลกระทบต่ำก็สามารถวัดผลได้อย่างรวดเร็วและสร้างผลลัพธ์รวมที่มีมูลค่าหลายสิบล้านดอลลาร์สหรัฐต่อปี Stripe ดำเนินการทดลองแบบนี้หลายสิบรายการในแต่ละสัปดาห์ และผลลัพธ์เหล่านี้จะสะสมเพิ่มขึ้นอย่างต่อเนื่อง

ขั้นที่สองคือ Stripe แบ่งปันสัญญาณความเสี่ยงการฉ้อโกงกับบริษัทผู้ออกบัตรต่างๆ บริษัทผู้ออกบัตรจะมองความเสี่ยงต่างกันไป ซึ่งมักอิงจากประวัติการใช้จ่ายของเจ้าของบัตร สถานะบัญชี และพฤติกรรมในพอร์ตโฟลิโอของตน แต่พวกไม่มีการมองเห็นรูปแบบข้อมูลข้ามธุรกิจแบบเดียวกับที่ Stripe เห็นได้ เช่น รูปแบบการฉ้อโกงที่เกี่ยวข้องกับที่อยู่อีเมลหรือที่อยู่สำหรับจัดส่งหนึ่งๆ Stripe จึงสร้าง Enhanced Issuer Network ซึ่งเป็นการผสานการทำงานแบ่งปันข้อมูล Radar โดยตรงกับบริษัทผู้ออกบัตร รวมถึง Capital One, Discover และ American Express เพื่อลดช่องว่างนี้ เมื่อ Stripe ประเมินว่าธุรกรรมมีความเสี่ยงต่ำ การแบ่งปันสัญญาณดังกล่าวจะสามารถช่วยลดการปฏิเสธธุรกรรมที่ผิดพลาดได้

ขั้นที่สามคือ Stripe จะเพิ่มประสิทธิภาพของการใช้งานข้อมูลการชำระเงินของบัตร ข้อมูลการชำระเงินที่ล้าสมัยเป็นสาเหตุสำคัญของการปฏิเสธการชำระเงินโดยไม่จำเป็น Stripe ใช้โทเค็นเครือข่ายและระบบอัปเดตข้อมูลบัตรอัตโนมัติเพื่อให้ข้อมูลเป็นปัจจุบันอยู่เสมอ แต่ปัญหาการเพิ่มประสิทธิภาพไม่ได้หมายถึงแค่การตัดสินใจเปิดใช้งานเครื่องมือเหล่านั้นทั่วระบบเท่านั้น โดยทั่วไป โทเค็นเครือข่ายจะช่วยเพิ่มอัตราการอนุมัติและลดต้นทุน แต่ก็มีกลุ่มธุรกรรมบางส่วนที่ไม่เป็นเช่นนั้น เช่น บริษัทผู้ออกบัตรที่รองรับโทเค็นได้ไม่ดี หรือมีรูปแบบธุรกรรมที่ทำให้การแปลงเป็นโทเค็นส่งผลเสียต่ออัตราการอนุมัติ หรือรูปแบบธุรกรรมที่ทำให้การฉ้อโกงเพิ่มขึ้น Stripe จึงเรียนรู้ว่าโทเค็นช่วยได้และไม่ได้ในกรณีใดบ้าง และนำโทเค็นไปเลือกปรับใช้อย่างเหมาะสม

การลองใหม่

การปฏิเสธบางรายการสามารถกู้คืนได้ การปฏิเสธแบบ Soft Decline ที่เกิดจากเงินในบัญชีไม่เพียงพอหรือบริษัทผู้ออกบัตรไม่พร้อมให้บริการชั่วคราว อาจทำรายการสำเร็จในการลองครั้งที่ 2 ในเวลาหรือบนเส้นทางที่แตกต่างกัน Stripe จะลองใหม่แบบซิงโครนัสในขณะที่เรียกเก็บเงิน โดยเลือกเกตเวย์ทางเลือกหรือปรับข้อความตามเหตุผลที่ปฏิเสธ สำหรับการชำระเงินนอกเซสชัน เช่น การชำระเงินตามรอบบิล Stripe จะลองใหม่แบบอะซิงโครนัสผ่านระบบติดตามหนี้อัจฉริยะ โดยใช้โมเดลที่คาดการณ์ว่าเมื่อใดที่มีแนวโน้มว่าจะมีเงินทุนพร้อม แทนที่จะลองใหม่ตามกำหนดเวลาที่ตายตัว

โดยรวมแล้ว ฟีเจอร์การเพิ่มการอนุมัติของ Stripe ซึ่งครอบคลุมการกำหนดเส้นทาง การเพิ่มประสิทธิภาพข้อความและบริษัทผู้ออกบัตร และการจัดการข้อมูลการชำระเงิน ช่วยเพิ่มอัตราการอนุมัติโดยเฉลี่ย 2.2% และลดต้นทุนการดำเนินการได้ถึง 2.8% สำหรับธุรกิจ IC+

5. การหักบัญชี

การอนุมัติสำเร็จไม่ใช่จุดสิ้นสุดของการเพิ่มประสิทธิภาพ ในกระบวนการระหว่างการอนุมัติกับการชำระเงิน Stripe จะเพิ่มประสิทธิภาพใน 2 ด้าน ได้แก่ การลดต้นทุนในการชำระธุรกรรม และการตรวจจับการฉ้อโกงที่ปรากฏให้เห็นหลังการอนุมัติเท่านั้น

ลดต้นทุน

การต้องคืนเงินธุรกรรมที่ชำระแล้วมีต้นทุนสูง สำหรับบัตรเดบิตในสหรัฐฯ จะไม่มีการคืนค่าธรรมเนียมธุรกรรมผ่านบัตรระหว่างธนาคารเลย ทำให้การคืนเงินหลังการชำระบัญชีมีต้นทุนสูงกว่าการปรับคืนการอนุมัติก่อนหักบัญชีถึง 24 เท่า Stripe คาดการณ์ว่าธุรกรรมใดมีแนวโน้มที่จะได้รับการคืนเงินหลังหักยอดไม่นาน และชะลอการหักบัญชีออกไปในช่วงเวลาสั้นๆ เพื่อเปลี่ยนการคืนเงินให้เป็นการปรับคืนแทน เกือบ 25% ของการคืนเงินเกิดขึ้นภายใน 48 ชั่วโมงแรก ด้วยเหตุนี้เอง แม้แต่การดึงเวลาไว้เพียงช่วงสั้นๆ สำหรับรายการที่มีความน่าจะเป็นสูงที่จะมีการคืนเงิน ก็สามารถลดต้นทุนได้อย่างมีนัยสำคัญ

เมื่อคาดว่าจะมีการเปลี่ยนแปลงมูลค่าของธุรกรรมเพียงเล็กน้อย เช่น ทิปที่เพิ่มเข้ามาในยอดเรียกเก็บหลัก Stripe จะเปิดการอนุมัติค้างไว้และหักยอดเงินเต็มจำนวนเพียงครั้งเดียว แทนที่จะเสียค่าธรรมเนียมชุดที่สอง สำหรับธุรกิจที่ดำเนินธุรกรรมบัตรเชิงพาณิชย์ การส่งข้อมูลผลิตภัณฑ์และภาษีโดยละเอียด ณ เวลาหักบัญชี สามารถทำให้ธุรกรรมมีสิทธิ์ได้รับอัตราค่าธุรกรรมระหว่างธนาคารต่ำกว่าผ่านโปรแกรมต่างๆ เช่น Commercial Enhanced Data Program ของ Visa

ลดการฉ้อโกง

สัญญาณการฉ้อโกงจะประมวลผลต่อไปหลังจากอนุญาตการชำระเงินแล้ว ภายในไม่กี่ชั่วโมงหลังจากธุรกรรมเสร็จสมบูรณ์ Stripe อาจสังเกตการณ์บัตรเดียวกันที่ถูกใช้ในการโจมตีที่เกี่ยวข้องกับการฉ้อโกงและได้รับการยืนยันในเครือข่ายที่อื่น หรือเอกลักษณ์ของอุปกรณ์ที่เพิ่งถูกเชื่อมโยงกับรูปแบบการโต้แย้งหนึ่งๆ สัญญาณเหล่านี้สามารถเปลี่ยนการประเมินความเสี่ยงของการชำระเงินที่ได้รับการอนุมัติไปแล้วได้อย่างมีนัยสำคัญ

ลักษณะนี้สร้างความไม่สมดุลที่ขัดขวางนักฉ้อโกง ทุกครั้งที่มีการพยายามที่จะใช้บัตรที่ถูกขโมยอีกครั้ง ธุรกรรมที่ผ่านมาก่อนหน้านี้ก็จะตกอยู่ในความเสี่ยง ผู้ไม่ประสงค์ดีที่ทำการซื้อสำเร็จ 1 ครั้งแล้วพยายามฉกฉวยประโยชน์เพิ่ม จะยิ่งให้สัญญาณแก่ Stripe ในการตรวจจับพวกเขา และปรับคืนรายการเรียกเก็บเงินก่อนหน้าก่อนที่จะนำไปสู่การดึงเงินคืน เมื่อสัญญาณความเสี่ยงหลังการอนุมัติมีความชัดเจนมากขึ้น Stripe จะคืนเงินหรือปรับคืนรายการเรียกเก็บเงินในเชิงรุกก่อนที่จะนำไปสู่การโต้แย้ง

6. การโต้แย้ง

แม้จะมีการเพิ่มประสิทธิภาพในขั้นตอนก่อนหน้าแล้ว ธุรกรรมบางรายการก็ยังถูกโต้แย้ง ธุรกิจต้องจ่ายค่าธรรมเนียมการโต้แย้ง แบกรับต้นทุนการดำเนินงานในการตอบสนอง และหากแพ้การโต้แย้ง จะถือว่าจำนวนเงินในธุรกรรมนั้นหลุดมือไป หากอัตราการโต้แย้งของธุรกิจเกินเกณฑ์ที่เครือข่ายบัตรกำหนด ธุรกิจอาจถูกจัดให้อยู่ในโปรแกรมการตรวจสอบซึ่งจะยกระดับบทลงโทษขึ้นเรื่อยๆ การโต้แย้งแต่ละครั้งมีต้นทุนสูงอยู่แล้ว และยิ่งขึ้นไปอีกเมื่อนำมาคิดรวมกัน

การจัดการการโต้แย้งการชำระเงินก็เป็นอีกปัญหาหนึ่งของการเพิ่มประสิทธิภาพ ในขั้นตอนก่อนหน้า เป้าหมายคือการเพิ่มผลกำไรที่คาดหวังให้สูงสุดจากแต่ละธุรกรรมแบบเรียลไทม์ ในขั้นตอนนี้ เป้าหมายคือการลดต้นทุนรวมของการโต้แย้งผ่านแนวทางตอบสนองที่เป็นไปได้ 3 แบบ ได้แก่ การป้องกันไม่ให้เกิดข้อโต้แย้ง ณ จุดที่ลูกค้าทำการสอบถามข้อมูล การแก้ไขก่อนที่ลูกค้าจะยื่นเรื่อง หรือการแก้ต่างหลังลูกค้าโต้แย้งแล้ว แต่ละแนวทางล้วนแตกต่างกันในแง่ของต้นทุนที่ต้องมี อัตราความสำเร็จ และผลกระทบต่อสถานะของธุรกิจจากมุมของเครือข่ายบัตร กลยุทธ์ที่เหมาะสมขึ้นอยู่กับจำนวนเงินที่โต้แย้ง รหัสเหตุผล ความพร้อมของหลักฐาน และระยะห่างของธุรกิจจากเกณฑ์การตรวจสอบ

การสกัดกั้น

Stripe ผสานการทำงานกับ Verifi ของ Visa และ Ethoca ของ Mastercard เพื่อส่งรายละเอียดธุรกรรมเพิ่มเติมให้กับบริษัทผู้ออกบัตรก่อนที่จะมีการยื่นการโต้แย้งการชำระเงิน คำอธิบายการซื้อ ข้อมูลธุรกิจ และข้อมูลเมตาของธุรกรรม ซึ่งช่วยเพิ่มโอกาสที่เจ้าของบัตรจดจำรายการเรียกเก็บเงินได้ และยังไม่ยกระดับไปเป็นขั้นตอนโต้แย้ง ในกรณีที่ Stripe สามารถพิสูจน์ได้ว่าเจ้าของบัตรและธุรกิจเคยมีความสัมพันธ์กันมาก่อน (เช่น มีตัวระบุลูกค้า, ที่อยู่ IP หรือที่อยู่สำหรับจัดส่งตรงกับธุรกรรมที่สำเร็จก่อนหน้านี้) หลักฐานดังกล่าวอาจเพียงพอตามเกณฑ์ของ Visa ที่เรียกว่า Compelling Evidence (CE) 3.0 ในกรณีเหล่านี้ บริษัทผู้ออกบัตรจะต้องปิดกั้นไม่ให้มีการยื่นขอโต้แย้ง สำหรับธุรกิจที่มีลูกค้าประจำ การสกัดกั้นสามารถป้องกันไม่ให้การโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกงไม่ให้หลุดเข้าไปในกระบวนการการดึงเงินคืน

การแก้ไขปัญหา

Verifi และ Ethoca ยังช่วยให้สามารถแก้ไขการโต้แย้งได้ก่อนที่จะเข้าสู่ขั้นตอนการดึงเงินคืนอย่างเป็นทางการ เมื่อเจ้าของบัตรเริ่มโต้แย้งรายการ เครือข่ายเหล่านี้จะส่งการแจ้งเตือนไปยัง Stripe ก่อนที่จะมีการยื่นขอดึงเงินคืน ธุรกิจสามารถกำหนดกฎเพื่อคืนเงินให้กับการโต้แย้งที่เข้าเกณฑ์โดยอัตโนมัติ (เช่น การโต้แย้งกรณี "ไม่ได้รับสินค้า" ทั้งหมดที่มีมูลค่าต่ำกว่า 10 ดอลลาร์) ทำให้ธุรกิจไม่ต้องเสียค่าธรรมเนียมในการดึงเงินคืน และที่สำคัญกว่าคือจะไม่รวมกรณีเช่นนี้ในอัตราการโต้แย้งของธุรกิจ

เครื่องมือสกัดกั้นและแก้ไขการโต้แย้งเหล่านี้ช่วยลดอัตราการโต้แย้งโดยเฉลี่ย 51% ทั้งในกรณีรหัสเหตุผลที่เกี่ยวข้องและไม่เกี่ยวข้องกับการฉ้อโกง

การตอบโต้

สำหรับการโต้แย้งการชำระเงินที่ดำเนินไปจนถึงขั้นตอนการดึงเงินคืน โจทย์การเพิ่มประสิทธิภาพจะเปลี่ยนจากการป้องกันมาเป็นการรวบรวมหลักฐาน หลักฐานชิ้นใด ในรูปแบบใด ที่จะเพิ่มโอกาสในการชนะการโต้แย้งแต่ละกรณีได้มากที่สุด คำตอบจะแตกต่างกันไปตามรหัสเหตุผล บริษัทผู้ออกบัตร และประเภทธุรกรรม ธุรกิจรายแยกส่วนมากมักมีจำนวนการโต้แย้งไม่น้อยเกินกว่าที่จะพบรูปแบบเหล่านั้นได้อย่างแม่นยำ

ระบบ Smart Disputes ของ Stripe ได้รับการเทรนจากผลลัพธ์ของการโต้แย้งในธุรกรรมหลายล้านรายการ และเรียนรู้ว่าการผสมผสานหลักฐานแบบใดมีประสิทธิภาพมากที่สุดในบริบทนั้นๆ จากนั้นจะรวบรวมและส่งชุดหลักฐานที่ปรับให้เหมาะกับแต่ละกรณีโดยอัตโนมัติ และธุรกิจสามารถเพิ่มเติมหลักฐานของตนเองได้ก่อนส่ง ผู้ที่เริ่มใช้งานในช่วงแรกชนะการดึงเงินคืนเพิ่มขึ้นโดยเฉลี่ย 13%

อนาคตของการเพิ่มประสิทธิภาพการชำระเงิน

การเพิ่มประสิทธิภาพที่อธิบายในคู่มือนี้จะเกิดขึ้นในแต่ละขั้นตอน แต่ผลกระทบจะเกิดขึ้นสะสมต่อเนื่องตลอดทั้งวงจรการชำระเงินทั้งหมด การให้คะแนนการฉ้อโกงที่แม่นยำขึ้นช่วยลดจำนวนธุรกรรมที่เกี่ยวข้องกับการฉ้อโกงซึ่งผ่านไปถึงขั้นตอนการอนุมัติ การตรวจสอบสิทธิ์ที่เข้มแข็งขึ้นหมายความว่าธุรกรรมจำนวนมากขึ้นมีการโอนความรับผิดชอบ และมาตรการแทรกแซงหลังการอนุมัติจะปรับคืนรายการเรียกเก็บเงินที่มีความเสี่ยงสูงก่อนที่จะถูกโต้แย้ง เมื่อธุรกรรมมาถึงขั้นตอนการโต้แย้ง ธุรกรรมนั้นได้ผ่านการเพิ่มประสิทธิภาพมาแล้วหลายชั้น

การคาดการณ์สะสม

ยิ่ง Stripe สามารถคาดการณ์ผลลัพธ์ได้อย่างแม่นยำมากเท่าใด การตัดสินใจในทุกๆ ขั้นตอนถัดไปก็จะยิ่งดีขึ้นเท่านั้น เรากำลังลงทุนสร้างโมเดลความน่าจะเป็นในการคืนเงิน ณ เวลาที่เรียกเก็บเงิน เพื่อเพิ่มประสิทธิภาพช่วงเวลาในการหักบัญชี และกำลังพัฒนาการคาดการณ์ค่าใช้จ่ายสำหรับเครือข่ายที่คาดหวังให้แม่นยำขึ้น เพื่อให้โมเดลการกำหนดเส้นทางสามารถสร้างสมดุลระหว่างต้นทุนกับความแม่นยำได้ดียิ่งขึ้น

การคาดการณ์ใหม่แต่ละครั้งจะช่วยปรับปรุงวงจรการชำระเงินทั้งหมด นี่คือจุดที่การเพิ่มประสิทธิภาพแบบหลายขั้นตอนจะสะสมได้มากที่สุด

ฟังก์ชันวัตถุประสงค์ที่สมบูรณ์ยิ่งขึ้น

คุณภาพของการเพิ่มประสิทธิภาพจะขึ้นอยู่กับว่า Stripe สามารถสะท้อนสิ่งที่ธุรกิจให้ความสำคัญได้อย่างแม่นยำมากเท่าใด ในปัจจุบัน เครื่องมืออย่างการตั้งค่าความเสี่ยงของ Radar ช่วยให้ธุรกิจกำหนดระดับการยอมรับการฉ้อโกงได้ แต่ก็เป็นเพียงจุดเริ่มต้น ธุรกิจที่ขายสินค้าดิจิทัลที่ส่วนต่างกำไร 60% ควรยอมรับความเสี่ยงจากการฉ้อโกงในระดับที่แตกต่างมากจากธุรกิจที่ขายสินค้าที่จับต้องได้ที่ส่วนต่างกำไร 8% และบางธุรกิจก็ขายทั้งสองอย่าง โมเดลตรวจจับการฉ้อโกง ระบบตรวจสอบสิทธิ์ และเครื่องมือเพิ่มประสิทธิภาพการอนุมัติ ควรรับรู้ข้อมูลเหล่านี้และปรับเปลี่ยนให้เหมาะสม

ธุรกิจบางแห่งให้ความสำคัญเฉพาะกับการโต้แย้งการชำระเงินที่เกี่ยวข้องกับการฉ้อโกง ในขณะที่ธุรกิจอื่นๆ ต้องการลดความเสี่ยงทุกรูปแบบให้น้อยที่สุด รวมถึงการฉ้อโกงโดยผู้ใช้จริงและการใช้นโยบายในทางที่ผิด ธุรกิจบางแห่งยินดียอมรับการฉ้อโกงในระดับที่สูงขึ้นเพื่อแลกกับการเพิ่มคอนเวอร์ชันให้สูงสุดในช่วงโปรโมชัน ยิ่ง Stripe สามารถเข้าใจโครงสร้างทางเศรษฐกิจและลำดับความสำคัญของธุรกิจได้อย่างแม่นยำมากเท่าใด ทุกโมเดลในไปป์ไลน์ก็จะสามารถเพิ่มประสิทธิภาพในนามของธุรกิจได้ดียิ่งขึ้นเท่านั้น

โมเดลที่ใหญ่ขึ้น

โมเดลของ Stripe กำลังพัฒนาได้กว้างขึ้นพร้อมกับลึกลงไปพร้อมกัน เมื่อไม่นานมานี้เราได้ขยายชุดข้อมูลสำหรับเทรนโมเดลตรวจจับการฉ้อโกง จากประมาณ 800 ล้านรายการเป็นธุรกรรมในอดีตมากกว่า 11,000 ล้านรายการ ครอบคลุมพื้นที่ทางภูมิศาสตร์ ผลิตภัณฑ์ และรูปแบบการฉ้อโกงที่หลากหลายกว่าเดิมมาก Deep Neural Network ของเราสามารถเรียนรู้จากข้อมูลปริมาณนี้ในแบบที่โมเดลแบบดั้งเดิมไม่สามารถทำได้ และเรากำลังผลักดันให้ก้าวล้ำยิ่งขึ้นไปอีก เรากำลังสร้างโมเดล Multitask ที่คาดการณ์ผลลัพธ์หลายอย่างพร้อมกัน ซึ่งช่วยให้โมเดลแบ่งปันการรับรองข้ามงานต่างๆ เพื่อให้สัญญาณจากการคาดการณ์หนึ่งเสริมความแข็งแกร่งให้กับการคาดการณ์อื่นๆ

เอเจนต์สำหรับปัญหาที่ไม่มีโครงสร้าง

การเพิ่มประสิทธิภาพการชำระเงินทำงานโดยใช้ข้อมูลที่มีโครงสร้าง เช่น จำนวนเงินในธุรกรรม รหัสการปฏิเสธ เอกลักษณ์ของอุปกรณ์ และคะแนนการฉ้อโกง แต่ปัญหาที่มีมูลค่าสูงที่สุดในการชำระเงินบางอย่างเกี่ยวข้องกับข้อมูลที่ไม่มีโครงสร้าง การตอบโต้การโต้แย้งเป็นตัวอย่างที่ชัดเจน ซึ่งต้องอาศัยการรวบรวมชุดหลักฐานที่มีน้ำหนักเพียงพอ การอ่านกฎของเครือข่าย (Visa และ Mastercard ต่างก็เผยแพร่กฎระเบียบการโต้แย้งยาวหลายร้อยหน้าซึ่งอาจมีการเปลี่ยนแปลงเป็นประจำ) การจับคู่ประเภทหลักฐานที่เหมาะสมกับรหัสเหตุผลและบริษัทผู้ออกบัตรที่เฉพาะเจาะจง และการสังเคราะห์ข้อมูลธุรกรรมให้เป็นเรื่องราวที่สอดคล้องกัน Stripe กำลังสร้างเอเจนต์ AI ที่สามารถตีความกฎระเบียบของเครือข่ายได้โดยตรง และผสานความเข้าใจนั้นเข้ากับโมเดล AI ที่คาดการณ์ว่าหลักฐานใดมีน้ำหนักโน้มน้าวมากที่สุดสำหรับสถานการณ์การโต้แย้งแต่ละกรณี รวมถึงจัดการกรณีที่ระบบซึ่งใช้กฎตายตัวไม่สามารถแก้ไขได้

การทดลอง

เบื้องหลังทั้งหมดนี้คือการทดลองอย่างต่อเนื่อง Stripe ดำเนินการทดลองโดยครอบคลุมตลอดทั้งวงจรการชำระเงิน และวัดผลกระทบต่ออัตราการอนุมัติ การฉ้อโกง ต้นทุนการประมวลผล และธุรกรรมผ่านบัตรระหว่างธนาคาร Stripe ทำการทดสอบแนวคิดใหม่ๆ อย่างสม่ำเสมอ และแนวคิดที่ได้ผลจะถูกนำไปใช้งานกับธุรกิจบน Stripe โดยอัตโนมัติ ในช่วงสองปีที่ผ่านมา ความเร็วในการทดลองได้เพิ่มขึ้นมากกว่า 4 เท่า

ธุรกิจที่ให้ข้อมูลที่ครบถ้วนมากขึ้น เช่น ข้อมูลส่วนต่างกำไร การปรับการตั้งค่าด้านความเสี่ยง และข้อมูลเมตาของผลิตภัณฑ์ จะขยายพื้นที่การเพิ่มประสิทธิภาพได้มากขึ้น ติดต่อเรา เรายินดีให้ความร่วมมือ