Pagos como problema de optimización en varias etapas
A menudo, la optimización de pagos se enmarca como un problema de tasa de autorización, pero la autorización es solo un componente de un sistema más grande. Cada transacción pasa por un proceso de compra, una evaluación fraude, una autenticación, una autorización, una compensación y disputas, con puntos de decisión distintos en cada etapa. Estas decisiones son interdependientes: un modelo de fraude que bloquee de manera demasiado agresiva podría reducir las tasas de disputas, pero también la conversión, mientras que una estrategia de autenticación que minimice la fricción sin tener en cuenta el riesgo aumentará los rechazos y las disputas.
Stripe aplica optimizaciones en cada etapa, desde la personalización del formulario de proceso de compra hasta la decisión de solicitud de un desafío o exención de 3DS, pasando por el formato de los campos de un mensaje de autorización. A lo largo del ciclo de vida del pago, estas optimizaciones ofrecen hasta $27,000 millones al año en ingresos incrementales, reducen el fraude en un 38 % en promedio y reducen los costos de procesamiento hasta en un 2.8 % para las empresas de Stripe.
1. Confirmación de compra
La mayoría de las transacciones fallidas nunca alcanzan autorización; se pierden en el proceso de compra. Un cliente en los Países Bajos que no ve iDEAL puede abandonar su carrito. Un cliente en Brasil que ve precios en USD puede dudar porque el costo final con las comisiones por cambio de moneda es incierto. Un cliente pensando en hacer una compra grande sin la opción de dividir pagos con un proveedor de tipo «compra ahora, paga después» puede decidir no comprar en absoluto.
Personalización del formulario del proceso de compra
El proceso de compra óptimo es diferente para cada transacción. El conjunto adecuado de métodos de pago, su ordenación, las monedas, los campos del formulario que se deben mostrar y si se debe activar una intervención contra el fraude dependen de quién sea el cliente, dónde se encuentre, qué esté comprando y qué dispositivo esté utilizando.
Stripe los trata como una serie de decisiones en tiempo real. La selección de métodos de pago es un ejemplo: los modelos de IA de Stripe, entrenados con miles de millones de transacciones, seleccionan qué métodos de pago mostrar por sesión de proceso de compra según las señales durante la sesión, como el tipo de dispositivo, la configuración regional del navegador y la disponibilidad de métodos de pago, junto con señales a nivel de red, como qué métodos de pago funcionan mejor para empresas y clientes similares. Y debido a que el conjunto óptimo de métodos de pago cambia a medida que cambian el comportamiento del cliente, las preferencias regionales y la disponibilidad de métodos de pago, el sistema también explora continuamente el rendimiento de las nuevas configuraciones.
La moneda es otra variable con un gran impacto. La mayoría de los clientes prefiere pagar en su moneda local y la función Adaptive Pricing de Stripe utiliza un modelo de IA que predice la verdadera preferencia de moneda del cliente, lo que ha contribuido a un aumento del 17.8 % en los ingresos transfronterizos.
El efecto de red de las credenciales guardadas
Incluso un proceso de compra optimizado sigue creando fricciones si el cliente tiene que ingresar un número de tarjeta. Para los clientes que regresan, esa fricción es innecesaria. Link, una cartera digital creada por Stripe, la elimina. Si un cliente tiene un método de pago guardado con Link, Stripe puede reconocerlo mediante cookies, datos de la cuenta u otras señales de autenticación. El cliente puede comprar más rápido en cualquier empresa con Link habilitado, incluidas las que nunca ha visitado antes.
Cada nueva empresa que adopta Link mejora la experiencia para los clientes de toda la red y cada credencial adicional mejora el valor de Link para las empresas. Link ahora tiene más de 200 millones de métodos de pago guardados y las empresas con una gran base de clientes recurrentes han visto aumentar la conversión de usuarios recurrentes en un promedio del 14 %.
En conjunto, la ordenación dinámica de los métodos de pago, Adaptive Pricing y las credenciales guardadas generan un aumento promedio de los ingresos del 11.9 % para las empresas que utilizan el paquete de optimización de compra.
2. Evaluación de fraude
Después de intentar un pago, el objetivo pasa de la conversión a evaluar si la transacción es legítima, utilizando IA que se entrena con datos de millones de empresas y más de un billón de dólares en volumen de pagos anuales. Para los pagos con tarjeta, hay más de un 92 % de probabilidades de que Stripe haya visto una tarjeta determinada antes. Y la red de Stripe va mucho más allá de las tarjetas: observamos correlaciones entre métodos de pago, dispositivos y patrones de transacción que ayudan a distinguir la actividad legítima del fraude. Los modelos de fraude de Stripe utilizan estas señales agregadas para evaluar el riesgo de cada transacción.
Evaluación de riesgos
Los diferentes modos de fraude requieren diferentes modelos y señales. Las pruebas de tarjetas, por ejemplo, tienen una firma diferente del fraude con tarjeta robada, donde una persona real intenta comprar algo usando el método de pago de otra persona. Incluso dentro del fraude con tarjeta robada, Stripe mantiene varias predicciones distintas: si es probable que la tarjeta sea robada, si es probable que la transacción dé como resultado una disputa por fraude, si es probable que active una alerta preventiva de fraude de la red de tarjetas y si Stripe evalúa la transacción como fraudulenta de forma independiente, incluso si es poco probable que el banco la dispute.
Los modelos de detección de fraude de Stripe Radar se basan en tres capas de señales. La primera es la propia red Stripe: patrones agregados de todas las empresas y transacciones en Stripe. La segunda son datos externos, incluidas las credenciales de tarjetas comprometidas ingeridas de toda la Internet. En tercer lugar, utilizan señales específicas de cada empresa: Radar aprende patrones únicos para cada empresa y los utiliza para comparar la nueva actividad con el comportamiento habitual de esa empresa.
Las empresas pueden utilizar estas predicciones de diferentes maneras según su propensión al riesgo. Una empresa muy reacia al riesgo puede optar por bloquear todos los fraudes previstos, independientemente de si el emisor los disputaría o no. Una empresa centrada en maximizar la conversión puede optar por bloquear solo las transacciones que probablemente den lugar a disputas por fraude. Una empresa que se acerque al umbral de monitoreo de una marca de tarjetas puede bloquear tanto las disputas por fraude como las transacciones que probablemente activen alertas preventivas de fraude.
El alcance de estas predicciones se está expandiendo. Históricamente, los modelos de fraude se centraron en tarjetas robadas y pruebas de tarjetas. Sin embargo, están surgiendo nuevos patrones de fraude y abuso, en especial, a medida que los malos actores se dirigen cada vez más a los servicios de IA con altos costos informáticos explotando pruebas gratuitas o acumulando facturas de consumo que no se pagan. Estas no son formas tradicionales de fraude en los pagos, pero requieren la misma disciplina para abordarlas: predicciones distintas, entrenadas con las señales correctas, utilizadas para impulsar la respuesta correcta.
Cómo elegir la intervención adecuada
La puntuación de riesgo no especifica una política de intervención. La respuesta más simple es bloquear una transacción riesgosa, pero un falso positivo significa pérdida de ingresos. La pregunta es si hay una forma menos costosa de mitigar el riesgo.
Stripe trata la selección de intervención como un problema de banda contextual, elige entre un conjunto de acciones, como presentar un desafío CAPTCHA o solicitar 3DS, y modela el resultado esperado de cada una. El impacto varía según el contexto: muchos emisores estadounidenses, por ejemplo, tienen tasas bajas de finalización de 3DS, y agregar un desafío 3DS a esos emisores podría no reducir el fraude, pero definitivamente perjudicará la conversión.
Para cada posible intervención, Stripe estima el impacto en las tasas de conversión, costo y fraude. El modelo selecciona la intervención que maximiza la ganancia esperada dado el perfil de riesgo de la transacción, las preferencias de riesgo de la empresa y el emisor y método de pago específicos involucrados.
A través de estas predicciones e intervenciones, Radar reduce el fraude en un 38 % en promedio para las empresas en Stripe mientras bloquea menos del 0.05 % de las transacciones legítimas.
3. Autenticación
En la sección anterior, se describía cómo Stripe decide la solicitud de autenticación. Esta sección se centra en lo que sucede cuando 3DS es la ruta elegida. 3DS no es un flujo único. Es una familia de opciones con diferentes implicaciones para la conversión, costo y cumplimiento de la normativa, y la elección correcta depende del riesgo de la transacción, el contexto normativo y el emisor específico involucrado.
Optimizamos a través de tres objetivos que compiten entre sí simultáneamente: cumplimiento de la normativa, prevención de fraude y conversión. Para ello, es necesario tomar decisiones específicas de cada transacción que tengan en cuenta las señales de riesgo, el contexto del dispositivo y el comportamiento del emisor para elegir entre un desafío completo, una exención sin fricciones, un cambio de datos entre bastidores o ninguna autenticación.
Exenciones y desafíos
El motor de autenticación de Stripe utiliza las puntuaciones de fraude de Radar para enrutar transacciones elegibles a través de la ruta de menor fricción disponible. Las transacciones de bajo riesgo por debajo del umbral normativo obtienen una exención de bajo valor y se omite la autenticación por completo. Por encima del umbral, el motor solicita una exención por TRA, cuando corresponda. Cuando el riesgo es moderado, se utiliza la autenticación Data Only, que comparte las huellas digitales del dispositivo y el contexto de la transacción con el emisor en segundo plano, de modo que el cliente nunca ve un desafío. Se reserva un desafío 3DS completo para los casos en los que el riesgo lo justifica o no hay ninguna exención disponible.
La puntuación de fraude es la variable de ramificación en cada nodo, y el motor se adapta al comportamiento del emisor. Algunos emisores aprueban los flujos Data Only de manera confiable, mientras que otros no, y Stripe los enruta en consecuencia. En el conjunto de Europa, solo la autenticación Data Only genera $147 millones en volumen incremental de pagos autorizados y más de $2.5 millones en ahorros para las empresas cada mes.
Optimización del tiempo de espera de la huella
Elegir una ruta de autenticación es solo una parte del desafío. Los detalles de implementación dentro de una ruta determinada también son importantes. Considera la huella dactilar, el primer paso opcional de cualquier flujo de 3DS. La huella dactilar 3DS recopila información del dispositivo y del navegador a través de un iframe para ayudar al banco emisor a evaluar el riesgo de transacción. Es un paso opcional en el protocolo, admitido por aproximadamente el 68 % de las transacciones en Stripe, y puede mejorar la conversión cuando se realiza de forma correcta. Pero también introduce latencia adicional, lo que puede provocar que la autenticación falle por completo.
Stripe realizó una prueba A/B multivariante para determinar el tiempo óptimo para esperar la huella digital antes de proceder sin ella. Se trata de una compensación directa: espera demasiado y la conversión falla debido a la latencia; procede demasiado rápido y el emisor pierde la información que podría haber mejorado la decisión del emisor. El tiempo de espera óptimo varía según el dispositivo y el emisor. Desde marzo de 2025, esta optimización ha recuperado más de $39 millones en pagos.
3DS como estrategia de reintento
La mayoría de los procesadores tratan un pago rechazado relacionado con el riesgo como final. Sorprendentemente, nuestras pruebas han encontrado que agregar autenticación después del hecho puede recuperar el pago. Dicho esto, la autenticación con 3DS agrega latencia, introduce fricción y conlleva su propio costo de procesamiento. Por lo tanto, la pregunta no es simplemente: «¿Ayudaría 3DS a recuperar este pago?», sino «¿El valor esperado de reintentarlo con 3DS supera el costo de intentarlo?».
Stripe calcula esto directamente en función de un motivo específico de rechazo, el emisor, el tipo de tarjeta y el perfil de la transacción. Algunos códigos de pago rechazado son casi deterministas (la tarjeta es realmente no válida y ninguna cantidad de eso cambia). Otros indican que el emisor quiere más garantías de que el titular de tarjeta está presente y un desafío de 3DS proporciona exactamente eso. El modelo aprende qué códigos, en qué emisores, responde a la autenticación y enruta los reintentos solo cuando la recuperación esperada justifica el costo. Esta optimización ha aumentado el volumen de pagos autorizados globales en más de $1000 millones anuales.
4. Autorización
Una vez que una transacción ha sido evaluada por fraude y, en su caso, autenticada, se envía al banco emisor para su autorización. Stripe mejora los resultados aquí mediante enrutamiento, optimización de mensajes de autorización y reintentos.
Enrutamiento
Stripe puede enrutar pagos a través de varias pasarelas y canales, como las redes de débito regionales, y puede seleccionar la ruta más rentable en el primer intento. En muchos casos, los canales alternativos realmente perjudican la conversión, por lo que los modelos aprenden dónde estas rutas reducen el costo sin sacrificar la aceptación. En el reintento, el cálculo cambia: si se rechaza una transacción de débito de firma, el enrutamiento del reintento a través de canales de débito podría recuperarlo.
Mensajes de autorización
El contenido del mensaje ISO 8583 que recibe el emisor, y el contexto que lo rodea, afecta significativamente si se aprueba un pago. Stripe optimiza esto en varios frentes.
En primer lugar, Stripe experimenta de forma continua con el formato y contenido de los campos ISO en todos los emisores, tipos de tarjetas y zonas geográficas. El volumen de la red de Stripe significa que incluso los experimentos con pequeños tamaños de efecto esperado alcanzan significancia estadística en cuestión de horas. Muchos cambios exitosos son pequeños, pero al crecer, incluso las mejoras de tamaño de bajo efecto se pueden medir rápidamente y producen un impacto agregado por valor de decenas de millones de dólares al año. Stripe ejecuta decenas de estos experimentos cada semana y las ganancias aumentan con el tiempo.
En segundo lugar, Stripe comparte señales de riesgo de fraude con los emisores. Los emisores tienen su propia visión del riesgo, en función del historial de gastos del titular de tarjeta, el estado de la cuenta y el comportamiento en toda su cartera. Sin embargo, no observan los mismos patrones de red entre empresas que Stripe, como los patrones de fraude asociados a una dirección de correo electrónico o dirección de envío dadas. Stripe creó la Red de emisores mejorada (integraciones de intercambio de datos directo de Radar con emisores, incluidos Capital One, Discover y American Express) para cerrar esta brecha. Cuando Stripe considera que una transacción es de bajo riesgo, compartir esa señal puede reducir los falsos rechazos.
En tercer lugar, Stripe optimiza las credenciales de tarjeta. Las credenciales antiguas son una fuente significativa de pagos rechazados innecesarios. Stripe utiliza tokens de red y actualizador de tarjetas para mantener las credenciales actualizadas, pero la optimización no es solo habilitar estas herramientas. Por lo general, los tokens de red mejoran las tasas de autorización y reducen los costos, pero hay bolsas de tráfico donde no lo hacen: emisores con un soporte deficiente de los tokens o patrones de transacción en los que la tokenización daña las tasas de aprobación o aumenta el fraude. Stripe aprende dónde ayudan los tokens y dónde no, y los aplica de forma selectiva.
Reintentos
Algunos pagos rechazados son recuperables. Un pago rechazado leve debido a fondos insuficientes o a la indisponibilidad temporal del emisor podría completarse con éxito en un segundo intento, si se cambia el plazo o el enrutamiento de la transacción. Stripe realiza nuevos intentos de forma sincrónica en el momento del cobro, selecciona una pasarela alternativa o ajusta el mensaje según el motivo del rechazo. En el caso de los pagos fuera de sesión, como las suscripciones, Stripe realiza nuevos intentos de forma asincrónica mediante un sistema inteligente de reclamación de pagos, que utiliza modelos que predicen cuándo es más probable que los fondos estén disponibles, en lugar de volver a intentarlo según un calendario fijo.
En conjunto, Authorization Boost de Stripe (que abarca enrutamiento, optimizaciones de mensajes y emisores y gestión de credenciales) aumenta las tasas de aceptación en un 2.2 % en promedio y reduce los costos de procesamiento hasta en un 2.8 % para las empresas IC+.
5. Compensación
Una autorización exitosa no supone el final del proceso de optimización. Entre la autorización y la acreditación de fondos, Stripe se centra en dos aspectos: la reducción del costo de la liquidación de la transacción y la detección de fraudes que solo se hacen evidentes tras la autorización.
Reducción de los costos
El reembolso de una transacción acreditada resulta costoso. En el caso de las tarjetas de débito de EE. UU., no se devuelven las tasas de intercambio, lo que hace que un reembolso posterior a la acreditación de fondos sea hasta 24 veces más costoso que anular la autorización antes de la liquidación. Stripe predice qué transacciones tienen probabilidades de reembolsarse poco después de su captura y, en consecuencia, retrasa su autorización durante un breve período, lo que convierte los reembolsos en revocaciones. Casi el 25 % de los reembolsos se producen en las primeras 48 horas, por lo que incluso un retraso breve y específico para los reembolsos de alta probabilidad puede reducir significativamente los costos.
Cuando se prevén cambios menores en el valor de una transacción, como una propina añadida a un cargo base, Stripe mantiene abierta la autorización y captura el importe total de una sola vez, en lugar de incurrir en una segunda ronda de comisiones. Además, para las empresas que procesan transacciones con tarjetas comerciales, el envío de datos detallados sobre productos e impuestos en el momento de la compensación puede hacer que las transacciones sean elegibles para tasas de intercambio más bajas a través de programas como el Programa de Datos Mejorados Comerciales de Visa.
Reducción del fraude
Las señales de fraude continúan desarrollándose después de la autorización de un pago. En las horas posteriores a la finalización de una transacción, Stripe podría observar la misma tarjeta utilizada en un ataque fraude confirmado en otro lugar de la red o una huella de un dispositivo recientemente vinculada a un patrón de disputas. Estas señales pueden cambiar de manera significativa la evaluación de riesgo de un pago ya autorizado.
Esto genera una asimetría que actúa en contra de los actores maliciosos. Cada intento posterior con una tarjeta robada pone en riesgo las transacciones exitosas anteriores. Un actor malicioso que realiza una compra exitosa y luego intenta obtener más valor le da a Stripe una señal adicional para detectarlo y revertir el aceptar pagos antes de que se convierta en un contracargo. Cuando las señales de riesgo posteriores a la autorización se intensifican, Stripe puede reembolsar o revertir el aceptar pagos antes de que se dispute.
6\ disputas
Incluso después de la optimización de transacciones precedentes, algunas transacciones serán objeto de disputas. La empresa paga una comisión por disputa, asume los costos operativos de la respuesta y, si pierde la disputa, pierde el importe de la transacción. Si la tasa de disputas de una empresa supera los umbrales establecidos por las redes de tarjetas, la empresa puede ser incluida en un programa de monitoreo con sanciones cada vez más severas. Las disputas son costosas por sí solas y aún más costosas en conjunto.
El manejo de las disputas es otro problema de optimización. Al igual que en todas las demás etapas de esta guía, las disputas plantean un problema de optimización. Sin embargo, el objetivo es minimizar el costo total de cada transacción en tiempo real. En las etapas previas, el objetivo es minimizar el costo total de las disputas a través de tres posibles respuestas: desviar la disputa en el momento de la solicitud de información, resolverla antes de que se presente o impugnarla a posteriori. Cada respuesta tiene un costo diferente, una tasa de éxito diferente y un efecto diferente en la reputación de la empresa ante las redes de tarjetas. La estrategia correcta depende del monto de la disputa, el código de motivo,la disponibilidad de la evidencia y la proximidad de la empresa a los umbrales de monitoreo.
Desviación
Stripe se integra a Verifi de Visa y Ethoca de Mastercard para ofrecer detalles mejorados de las transacciones a los emisores antes de que se presenten las disputas. Las descripciones de las compras, la información de la empresa y los metadatos de las transacciones aumentan la probabilidad de que el titular de tarjeta reconozca que acepta pagos y no los intensifique. En los casos en que Stripe puede establecer pruebas de una relación anterior entre el titular de tarjeta y la empresa (identificadores de cliente, dirección IP o dirección de envío coincidentes de transacciones exitosas anteriores), la evidencia resultante puede cumplir con los criterios de evidencia convincente (CE) 3.0 de Visa. En esos casos, el emisor debe bloquear la disputa para evitar que las empresas con clientes recurrentes ingresen al procesar contracargos.
Resolución
Verifi y Ethoca también permiten resolver las disputas antes de que se procesen formalmente los contracargos. Cuando un titular de tarjeta inicia una disputa, estas redes envían una alerta a Stripe antes de que se presente el contracargo. Las empresas pueden configurar reglas de reembolso automático de las disputas que califiquen (por ejemplo, todas las disputas de «producto no recibido» inferiores a $10). Esto evita la comisión por contracargo y, lo que es más importante, evita que el evento cuente para la tasa de disputas de la empresa.
Estas herramientas de desviación y resolución han reducido las tasas de disputas en un 51 % en promedio tanto en los códigos de motivo relacionados con el fraude como en los no relacionados con el fraude.
Representación
En el caso de las disputas en las que se procede con el contracargo, el problema de optimización pasa de la prevención a la recopilación de evidencia. ¿Qué evidencia, y en qué formato, maximiza la probabilidad de ganar una disputa en particular? La respuesta varía según el código de motivo, el emisor y el tipo de transacción, y es probable que cualquier empresa particular tenga muy pocas disputas como para identificar estos patrones.
El sistema Smart Disputes de Stripe está entrenado con los resultados de disputas de millones de transacciones, lo que le proporciona la información necesaria para identificar qué combinaciones funcionan. El sistema aprende qué combinaciones son más efectivas en cada contexto. De forma automática, recopila y envía un paquete de evidencia personalizado y las empresas pueden complementarlo con su propia evidencia antes de su presentación. Los primeros usuarios han ganado, en promedio, un 13 % más de contracargos.
El futuro de la optimización de pagos
Las optimizaciones que se describen en esta guía abarcan todo el ciclo de vida del pago y se complementan entre sí. Una mejor evaluación del riesgo de fraude puede reducir el número de transacciones fraudulentas que llegan a la fase de autorización. Una autenticación más sólida implica que más transacciones se benefician de la transferencia de responsabilidad. Y las intervenciones posteriores a la autorización revierten los cargos de alto riesgo antes de que puedan ser objeto de disputa. Para cuando una transacción llega a la etapa de disputa, ya ha pasado por múltiples niveles de optimización.
Predicciones compuestas
Cuantos más resultados pueda predecir Stripe con precisión, mejores serán todas las decisiones posteriores. Estamos invirtiendo en la elaboración de modelos de probabilidad de reembolso en el momento del cargo para optimizar el momento de la liquidación. Estamos desarrollando mejores predicciones de los costos de la red previstos, de modo que los modelos de enrutamiento puedan establecer un equilibrio más preciso entre el costo y la precisión.
Cada nueva predicción mejora todo el ciclo de vida del pago. Aquí es donde la optimización multietapa se combina con mayor claridad.
Funciones objetivas más complejas
La calidad de la optimización depende de la precisión con la que Stripe puede representar lo que realmente le importa a una empresa. Hoy en día, herramientas como las preferencias de riesgo de Radar permiten a las empresas expresar su tolerancia al fraude. Pero esto es solo un punto de partida. Una empresa que vende productos digitales con márgenes del 60 % debería tolerar un nivel de riesgo de fraude muy diferente del de una empresa que vende productos físicos con márgenes del 8 %, y hay empresas que venden ambos. El modelo de fraude, el motor de autenticación y el optimizador de autorización deberían tener esto en cuenta y ajustarse en consecuencia.
Algunas empresas se preocupan estrictamente por las disputas por fraude; otras quieren minimizar todo riesgo, incluido el fraude directo y el abuso de políticas. Algunas están dispuestas a aceptar un mayor fraude a cambio de maximizar la conversión durante un período promocional. Cuanto más precisamente Stripe pueda captura la economía y las prioridades de una empresa, mejor podrá optimizar cada modelo en tramitación en nombre de la empresa.
Modelos más grandes
Los modelos de Stripe son cada vez más amplios y profundos. Recientemente, hemos ampliado el conjunto de datos de entrenamiento de nuestro modelo de detección de fraudes de unos 800 millones a más de 11,000 millones de transacciones históricas, lo que abarca una gama mucho más amplia de zonas geográficas, productos y patrones de fraude. Nuestras redes neuronales profundas pueden aprender de este volumen de datos de formas que los modelos tradicionales no pueden, y estamos llevando sus capacidades aún más lejos. Estamos creando modelos multitarea que predicen varios resultados al mismo tiempo, lo que permite que los modelos compartan representaciones entre tareas, de modo que la señal de una predicción refuerza a otra.
Agentes para problemas no estructurados
La mayoría de las optimizaciones de pago se aplican a datos estructurados, como los montos de las transacciones, los códigos de pago rechazado, las huellas y las puntuaciones de fraude. Sin embargo, algunos de los problemas más importantes en el ámbito de los pagos tienen que ver con información no estructurada. La representación en disputas es un caso ideal, ya que requiere armar un paquete de evidencia convincente, leer las reglas de la red (tanto Visa como Mastercard publican cientos de páginas de regulaciones sobre disputas que están sujetas a cambios regulares), emparejar el tipo de evidencia adecuado con el código de motivo específico y el emisor, y sintetizar los datos de la transacción en una narrativa coherente. Stripe está creando agentes que pueden interpretar directamente las regulaciones de la red y combinar ese conocimiento con modelos de IA que predicen qué evidencia es más persuasiva para un escenario de disputa determinado, manejando casos que los sistemas basados en reglas no pueden.
Experimentación
Detrás de todo esto, está la experimentación continua. Stripe ejecuta experimentos durante todo el ciclo de vida del pago y mide los efectos en las tasas de autorización, fraude, costos de procesamiento e intercambio. Las nuevas ideas se prueban de manera continua, y las que tienen éxito se envían de forma automática a las empresas en Stripe. En los últimos dos años, el ritmo de la experimentación se ha multiplicado por más de cuatro.
Las empresas que proporcionan datos más completos, como datos de márgenes, preferencias de riesgo de ajuste y metadatos de productos, amplían aún más la superficie de optimización. Ponte en contacto con nosotros; nos encantaría colaborar.