Les paiements comme problème d’optimisation multi-étapes

L’optimisation des paiements est souvent présentée comme un problème de taux d’autorisation, mais l’autorisation n’est qu’un élément d’un système plus large. Chaque transaction passe par le passage en caisse, l’évaluation de la fraude, l’authentification, l’autorisation, la compensation et les litiges, avec des points de décision distincts à chaque étape. Ces décisions sont interdépendantes : un modèle de fraude trop strict peut réduire les litiges, mais aussi diminuer la conversion, tandis qu’une stratégie d’authentification qui minimise la friction sans tenir compte du risque augmentera les refus de paiement et les 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 Md$ de revenus supplémentaires par an, réduisent la fraude de 38 % en moyenne et diminuent les coûts de traitement jusqu’à 3,3 % pour les entreprises clientes de Stripe.

1. Paiement

La plupart des transactions échouées n’atteignent jamais l’étape d’autorisation : elles sont perdues au moment du paiement. Un client aux Pays-Bas à qui iDEAL n’est pas proposé peut abandonner son panier. Un client au Brésil qui voit des prix en USD peut hésiter, car le coût final avec les frais de change est incertain. Un client envisageant un achat important sans possibilité de paiement fractionné via une solution de paiement différé peut décider de ne pas acheter du tout.

Personnalisation du formulaire de paiement

Le parcours de paiement optimal varie d’une transaction à l’autre. Le choix des moyens de paiement, leur ordre d’affichage, la devise présentée, les champs du formulaire et la décision de déclencher une intervention antifraude dépendent tous du profil du client, de sa localisation, de son achat et de l’appareil utilisé.

Stripe traite ces éléments comme une série de décisions en temps réel. Le choix des moyens de paiement en est un exemple : les modèles d’IA de Stripe, entraînés sur des milliards de transactions, sélectionnent les moyens de paiement à afficher pour chaque session de paiement en fonction de signaux en temps réel tels que le type d’appareil, la langue du navigateur et la disponibilité des moyens de paiement, ainsi que de signaux réseau, comme les moyens de paiement les plus performants pour des entreprises et des clients similaires. Et comme l’ensemble optimal de moyens de paiement évolue avec les comportements des clients, les préférences régionales et la disponibilité des moyens de paiement, le système explore également en continu les performances de nouvelles configurations.

La devise est une autre variable à fort impact. La plupart des clients préfèrent payer dans leur devise locale, et Adaptive Pricing de Stripe utilise un modèle d’IA qui prédit la devise préférée d’un client, ce qui permet d’augmenter les revenus transfrontaliers de 17,8 %.

L’effet de réseau des identifiants sauvegardés

Même un tunnel de paiement optimisé crée de la friction si le client doit saisir son numéro de carte bancaire. Pour les clients récurrents, cette friction est évitable. Link, le wallet conçu par Stripe, la supprime. Lorsqu’un client dispose d’un moyen de paiement enregistré avec Link, Stripe peut le reconnaître grâce à des cookies, des informations du compte ou d’autres signaux d’authentification. Le client peut alors payer plus rapidement sur n’importe quel site activé avec Link, y compris sur des sites qu’il n’a jamais visités auparavant.

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

Les entreprises utilisant Stripe Checkout ont enregistré une croissance du volume de paiements 2 fois plus rapide en moyenne que celles n’utilisant pas la solution d'optimisation de l'expérience de paiement de Stripe.

2. Évaluation de la fraude

Après une tentative de paiement, l’objectif passe de la conversion à l’évaluation de la légitimité de la transaction, en s’appuyant sur une IA entraînée à partir de données issues de millions d’entreprises et de plus de mille milliards de dollars de volume de paiements annuels. Pour les paiements par carte, il y a plus de 92 % de chances que Stripe ait déjà rencontré une carte donnée. Le réseau de Stripe s’étend bien au-delà des cartes : nous observons des corrélations entre les moyens de paiement, les appareils et les schémas de transaction, qui permettent de distinguer les activités légitimes des activités frauduleuses. Les modèles de fraude de Stripe utilisent ces signaux agrégés pour évaluer le risque de chaque transaction.

Évaluation du risque

Chaque type de fraude requiert des modèles et des signaux différents. Le test de cartes bancaires, par exemple, présente un profil différent de la fraude à la carte volée, dans laquelle une personne réelle tente d’effectuer un achat en utilisant le moyen de paiement d’un tiers. Même pour la fraude à la carte volée, Stripe maintient plusieurs prédictions distinctes : savoir si la carte est probablement volée, si la transaction risque d’entraîner un litige pour fraude, si elle est susceptible de déclencher une alerte de suspicion de fraude du réseau de cartes, et si Stripe estime indépendamment que la transaction est frauduleuse, même si la banque ne devrait pas contester l’opération.

Les modèles de détection de fraude de Stripe Radar s’appuient sur trois niveaux de signaux. Le premier est le réseau Stripe lui-même : des tendances agrégées issues de l’ensemble des entreprises et des transactions traitées sur Stripe. Le deuxième est constitué de données externes, notamment des identifiants de cartes compromis collectés sur Internet. Le troisième repose sur des signaux propres à chaque entreprise : Radar apprend les schémas spécifiques à chaque entreprise et les utilise pour comparer les nouvelles activités au comportement habituel de cette entreprise.

Les entreprises peuvent utiliser ces prédictions de différentes manières en fonction de leur niveau de tolérance au risque. Une entreprise très prudente peut choisir de bloquer toutes les transactions détectées comme frauduleuses, indépendamment du fait que l’émetteur contesterait ou non la transaction. Une entreprise qui cherche à maximiser la conversion peut choisir de bloquer uniquement les transactions susceptibles de donner lieu à des litiges pour fraude. Une entreprise qui s’approche d’un seuil de surveillance fixé par un réseau de cartes peut bloquer à la fois les litiges frauduleux et les transactions susceptibles de déclencher des alertes de suspicion de fraude.

La portée de ces prédictions s’élargit. À l’origine, les modèles de fraude se concentraient sur les cartes volées et le test de cartes bancaires. Mais de nouveaux schémas de fraude et d’abus émergent, notamment parce que les acteurs malveillants ciblent de plus en plus les services d’IA à forte consommation de calcul, en exploitant les essais gratuits ou en accumulant des factures d’utilisation impayées. Il ne s’agit pas de formes traditionnelles de fraude de paiement, mais elles exigent la même rigueur de traitement : des prédictions distinctes, entraînées sur les bons signaux et utilisées pour déclencher les bonnes actions.

Choix de l’intervention adaptée

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

Stripe modélise la sélection des interventions comme un problème de bandit contextuel, en choisissant parmi un ensemble d’actions - par exemple afficher un CAPTCHA ou demander une authentification 3DS - et en estimant le résultat attendu pour chacune. L’impact varie en fonction du contexte : de nombreux émetteurs américains, par exemple, présentent de faibles taux de complétion du 3DS, et ajouter un challenge 3DS auprès de ces émetteurs peut ne pas réduire la fraude, mais dégradera à coup sûr la conversion.

Pour chaque intervention possible, Stripe estime l’impact sur la conversion, les coûts et les taux de fraude. Le modèle sélectionne l’intervention qui maximise le profit attendu en fonction du profil de risque de la transaction, des préférences de risque de l’entreprise, ainsi que de l’émetteur et du moyen de paiement concernés.

Grâce à ces prédictions et interventions, Radar réduit la fraude de 32 % en moyenne pour les entreprises clientes de Stripe, tout en bloquant moins de 0,05 % des transactions légitimes.

3. Authentification

La section précédente décrivait comment Stripe décide de déclencher une authentification. Celle-ci se concentre sur ce qui se passe lorsque 3D Secure est le parcours retenu. 3D Secure n’est pas un flux unique, mais une famille d’options aux impacts différents sur la conversion, les coûts et la conformité. Le bon choix dépend du niveau de risque de la transaction, du contexte réglementaire et de l’émetteur concerné.

Notre optimisation repose simultanément sur trois objectifs : conformité réglementaire, prévention de la fraude et conversion. Cela conduit à des décisions transaction par transaction, prenant en compte les signaux de risque, le contexte de l’appareil et le comportement de l’émetteur, afin de choisir entre un challenge complet, une exemption sans friction, un échange de données en arrière-plan ou l’absence totale d’authentification.

Exemptions et authentification

Le moteur d’authentification de Stripe utilise les scores de fraude de Radar pour orienter les transactions éligibles vers le parcours le moins contraignant possible. Les transactions à faible risque, en dessous du seuil réglementaire, bénéficient d’une exemption de faible montant, permettant d’éviter totalement l’authentification. Au-delà de ce seuil, le moteur peut appliquer une exemption TRA lorsque cela est possible. Les transactions à risque modéré peuvent utiliser une authentification de type Data Only, qui transmet en arrière-plan les empreintes d’identification de l’appareil et le contexte de la transaction à l’émetteur, sans action du client. Une authentification 3D Secure complète est utilisée uniquement lorsque le niveau de risque le justifie ou lorsqu’aucune exemption n’est disponible.

Le score de fraude est le facteur décisionnel à chaque nœud, et le moteur s’adapte au comportement des émetteurs. Certains émetteurs approuvent de manière fiable les flux Data Only, tandis que d’autres ne le font pas, et Stripe adapte l’acheminement en conséquence. Sur les volumes européens, l’authentification Data Only génère à elle seule 147 M$ de volume de paiements autorisés supplémentaires et plus de 2,5 M$ d’économies pour les entreprises chaque mois.

Optimisation du délai d’attente du fingerprinting

Choisir un parcours d’authentification ne constitue qu’une partie du problème. Les détails d’implémentation au sein de ce parcours sont tout aussi importants. Prenons l’exemple du fingerprinting, étape initiale facultative de tout flux 3DS. Le fingerprinting 3DS collecte des informations sur l’appareil et le navigateur via une iframe afin d’aider la banque émettrice à évaluer le risque de la transaction. Il s’agit d’une étape optionnelle du protocole, prise en charge par 60 % des transactions traitées sur Stripe, et susceptible d’améliorer la conversion lorsqu’elle aboutit. Cependant, elle introduit également une latence supplémentaire, pouvant entraîner un échec complet de l’authentification.

Stripe a mené un test A/B multivarié afin de déterminer le délai d’attente optimal avant de renoncer au fingerprinting et de poursuivre sans celui-ci. Il s’agit d’un arbitrage direct : attendre trop longtemps peut faire échouer la conversion en raison de la latence ; agir trop rapidement prive l’émetteur d’informations susceptibles d’améliorer sa décision. Le délai d’attente optimal varie selon l’appareil et l’émetteur. Depuis mars 2025, cette optimisation a permis de récupérer plus de 39 M$ de paiements.

Recours au 3DS comme stratégie de nouvelle tentative

La plupart des prestataires de paiement considèrent qu’un refus lié au risque est définitif. De manière surprenante, nos tests ont montré que l’ajout d’une authentification a posteriori peut permettre de récupérer le paiement. Cela dit, l’authentification 3DS ajoute de la latence, introduit de la friction et génère ses propres coûts de traitement. La question n’est donc pas simplement : « Le 3DS permettrait-il de récupérer ce paiement ? », mais plutôt : « La valeur attendue d’une nouvelle tentative avec 3DS est-elle supérieure au coût de cette tentative ? »

Stripe modélise cela directement en fonction du motif précis du refus, de l’émetteur, du type de carte bancaire et du profil de la transaction. Certains codes de refus sont presque définitifs (la carte est réellement invalide et aucune authentification ne pourra changer cela). D’autres indiquent que l’émetteur souhaite une assurance supplémentaire que le titulaire de la carte est bien présent, et une authentification 3DS fournit exactement cette preuve. Le modèle apprend quels codes, pour quels émetteurs, répondent à l’authentification, et n’oriente les nouvelles tentatives que lorsque la récupération attendue justifie le coût. Cette optimisation a augmenté le volume mondial de paiements autorisés de plus de 1 Md$ par an.

4. Autorisation

Une fois qu’une transaction a été évaluée au regard du risque de fraude et, le cas échéant, authentifiée, elle est soumise à la banque émettrice pour autorisation. Stripe améliore les résultats à ce stade grâce à l’acheminement, à l’optimisation des messages d’autorisation et à des tentatives d’autorisation supplémentaires.

Acheminement

Stripe peut acheminer les paiements via plusieurs passerelles et réseaux, tels que les réseaux de débit régionaux, et sélectionner dès la première tentative le parcours le plus rentable. Dans de nombreux cas, les réseaux alternatifs peuvent en réalité nuire à la conversion, c’est pourquoi les modèles apprennent à identifier les situations où ces itinéraires réduisent les coûts sans dégrader les taux d’acceptation. Lors d’une nouvelle tentative, la logique change : si une transaction par carte de débit à signature est refusée, un acheminement via les réseaux de débit peut permettre de la récupérer.

Messages d’autorisation

Le contenu du message ISO 8583 reçu par l’émetteur, ainsi que le contexte qui l’entoure, influencent fortement la décision d’approbation d’un paiement. Stripe optimise ce processus sur plusieurs aspects..

Tout d’abord, Stripe expérimente en continu la mise en forme et le contenu des champs ISO selon les émetteurs, les types de cartes et les zones géographiques. Le volume du réseau Stripe permet d’atteindre la significativité statistique en quelques heures, même pour des expériences dont l’effet attendu est faible. De nombreux changements réussis sont mineurs, mais à l’échelle du réseau, même des améliorations à faible impact peuvent être mesurées rapidement et générer un effet global représentant des dizaines de millions de dollars par an. Stripe mène des dizaines de ces expériences chaque semaine, et les gains s’accumulent dans le temps.

Deuxièmement, Stripe partage des signaux de risque de fraude avec les émetteurs. Ceux-ci évaluent le risque différemment, souvent sur la base de l’historique de dépenses du titulaire de la carte, de la qualité du compte et de son comportement au sein de leur portefeuille. Cependant, ils n’observent pas les mêmes mécanismes de fraude multi-entreprises que Stripe, comme ceux associés à une adresse e-mail ou à une adresse de livraison donnée. Stripe a développé l’Enhanced Issuer Network, des intégrations directes de partage de données Radar avec des émetteurs, notamment Capital One, Discover et American Express, afin de combler cet écart. Lorsque Stripe estime qu’une transaction présente un faible risque, le partage de ce signal peut réduire les refus de paiement injustifiés.

Troisièmement, Stripe optimise l’utilisation des identifiants de carte. Les identifiants obsolètes constituent une source importante de refus inutiles. Stripe utilise les network tokens et l’outil de mise à jour des cartes pour maintenir ces identifiants à jour, mais le problème d’optimisation ne consiste pas simplement à activer ces outils à grande échelle. Les network tokens améliorent généralement les taux d’autorisation et réduisent les coûts, mais ils sont parfois moins efficaces, notamment avec des émetteurs dont la prise en charge des tokens est limitée ou dans des schémas de transaction où la tokenisation dégrade les taux d’approbation ou augmente la fraude. Stripe apprend dans quels contextes les tokens sont utiles et dans lesquels ils ne le sont pas, puis les applique de manière sélective.

Nouvelles tentatives

Certains refus de paiement ne sont pas définitifs. Un refus temporaire, dû par exemple à des fonds insuffisants ou à une indisponibilité momentanée de l’émetteur, peut aboutir lors d’une nouvelle tentative avec un timing ou un acheminement différent. Stripe effectue des tentatives d’autorisation supplémentaires de manière synchrone au moment du paiement, en sélectionnant une passerelle alternative ou en ajustant le message en fonction du motif du refus. Pour les paiements hors session, comme les abonnements, Stripe effectue des tentatives d’autorisation supplémentaires de manière asynchrone via des relances intelligentes, en s’appuyant sur des modèles qui prédisent les moments où les fonds sont les plus susceptibles d’être disponibles, plutôt que de réessayer selon un calendrier fixe.

Dans l’ensemble, Authorization Boost de Stripe - qui couvre l’acheminement, l’optimisation des messages et côté émetteur, ainsi que la gestion des identifiants - augmente les taux d’acceptation de 3,8 % en moyenne et réduit les coûts de traitement jusqu’à 3,3 % pour les entreprises en tarification IC+.

5. Compensation

Une autorisation réussie ne marque pas la fin de l’espace d’optimisation. Entre l’autorisation et le règlement, Stripe optimise deux éléments : la réduction du coût de règlement de la transaction et la détection de fraudes qui ne deviennent visibles qu’après l’autorisation.

Réduction des coûts :

Rembourser une transaction réglée est coûteux. Sur les cartes de débit américaines, il n’existe aucun remboursement des frais d’interchange, ce qui rend un remboursement après règlement jusqu’à 24 fois plus coûteux qu’une annulation de l’autorisation avant compensation. Stripe prédit quelles transactions ont une forte probabilité d’être remboursées peu après leur capture et retarde en conséquence leur compensation pendant une courte période, transformant ainsi des remboursements en annulations d’autorisation. Près de 25 % des remboursements interviennent dans les 48 premières heures, ce qui explique pourquoi même un court délai ciblé sur les transactions à forte probabilité de remboursement peut réduire significativement les coûts.

Lorsque de légères modifications de la valeur d’une transaction sont attendues, par exemple lorsqu’un pourboire s’ajoute à un montant de base, Stripe maintient l’autorisation ouverte et capture le montant total en une seule fois, plutôt que d’engager des frais supplémentaires liés à une seconde opération. Pour les entreprises traitant des transactions par cartes commerciales, la transmission de données détaillées sur les produits et les taxes au moment de la compensation peut permettre de bénéficier de taux d’interchange plus avantageux grâce à des programmes tels que le Visa Commercial Enhanced Data Program.

Réduction de la fraude

Les signaux de fraude continuent d’évoluer après l’autorisation d’un paiement. Dans les heures qui suivent une transaction, Stripe peut observer que la même carte est utilisée dans une attaque frauduleuse confirmée ailleurs sur le réseau, ou qu’une empreinte d’Identification est nouvellement associée à un schéma de litiges. Ces signaux peuvent modifier de manière significative l’évaluation du risque d’un paiement déjà autorisé.

Cela crée une asymétrie qui défavorise les acteurs frauduleux. Chaque tentative ultérieure utilisant une carte volée met en risque leurs transactions précédemment réussies. Un acteur malveillant qui réalise un premier achat réussi puis tente d’extraire davantage de valeur fournit à Stripe des signaux supplémentaires permettant de le détecter et d’annuler la transaction initiale avant qu’elle ne donne lieu à une rétrofacturation. Lorsque les signaux de risque post-autorisation s’intensifient, Stripe peut rembourser ou annuler proactivement la transaction avant qu’elle ne se transforme en litige.

6. Litiges

Même après les optimisations en amont, certaines transactions feront l’objet de litiges. L’entreprise supporte des frais de contestation, le coût opérationnel lié à leur traitement et, en cas de litige perdu, perd également le montant de la transaction. Si le taux de litiges dépasse les seuils fixés par les réseaux de cartes, l’entreprise peut être placée dans un programme de surveillance assorti de pénalités progressives. Les litiges sont coûteux à l’échelle individuelle et encore plus à grande échelle.

La gestion des litiges constitue un autre problème d’optimisation. En amont, l’objectif est de maximiser le profit attendu pour chaque transaction en temps réel. Ici, en revanche, l’objectif est de minimiser le coût total des litiges à travers trois réponses possibles : empêcher le litige dès la phase de demande, le résoudre avant son dépôt officiel, ou le contester après coup. Chaque réponse présente un coût attendu, un taux de succès et un impact différents sur la relation de l’entreprise avec les réseaux de cartes. La stratégie optimale dépend du montant du litige, du code de motif, de la disponibilité des preuves et de la proximité de l’entreprise avec les seuils de surveillance.

Prévention des litiges

Stripe s’intègre à Visa Verifi et Mastercard Ethoca afin de transmettre des informations enrichies sur les transactions aux émetteurs avant le dépôt d’un litige. Les descriptions d’achat, les informations sur l’entreprise et les métadonnées de transaction augmentent la probabilité que le titulaire de la carte reconnaisse le débit et ne conteste pas le paiement. Lorsque Stripe peut établir l’existence d’une relation antérieure entre le titulaire de la carte et l’entreprise (correspondance d’identifiants client, d’adresse IP ou d’adresse de livraison issus de transactions précédentes réussies), les éléments de preuve obtenus peuvent satisfaire aux critères Compelling Evidence (CE) 3.0 de Visa. Dans ce cas, l’émetteur est tenu d’empêcher le dépôt du litige. Pour les entreprises disposant d’une clientèle récurrente, cela permet d’éviter que des litiges pour fraude n’entrent dans le processus de rétrofacturation.

Règlement des litiges

Verifi et Ethoca permettent également de résoudre les litiges avant qu’ils n’entrent officiellement dans le processus de rétrofacturation. Lorsqu’un titulaire de carte initie un litige, ces réseaux envoient une alerte à Stripe avant le dépôt de la rétrofacturation. Les entreprises peuvent configurer des règles pour rembourser automatiquement les litiges éligibles (par exemple, tous les litiges « produit non reçu » de moins de 10 $). Cela permet d’éviter les frais de rétrofacturation et, surtout, que l’événement soit comptabilisé dans le taux de litiges de l’entreprise.

Ces outils de prévention et de résolution ont réduit les taux de litiges de 51 % en moyenne, tous codes de motif confondus, qu’il s’agisse de fraude ou de cas non frauduleux.

Contestation des litiges

Pour les litiges qui aboutissent à une rétrofacturation, le problème d’optimisation passe de la prévention à la constitution des preuves. Quels éléments de preuve, et sous quelle forme, maximisent la probabilité de remporter un litige donné ? La réponse varie selon le code de motif, l’émetteur et le type de transaction. La plupart des entreprises ne disposent pas d’un volume de litiges suffisant pour identifier ces schémas de manière fiable.

Le système Smart Disputes de Stripe est entraîné à partir des résultats de litiges sur des millions de transactions et apprend quelles combinaisons sont les plus efficaces selon le contexte. Il assemble et soumet automatiquement un dossier de preuves sur mesure, que les entreprises peuvent compléter avec leurs propres éléments avant l’envoi. En moyenne, les entreprises récupèrent 18 % de revenus supplémentaires.

L’avenir de l’optimisation des paiements

Les optimisations décrites ici sont spécifiques à chaque étape, mais leurs effets se cumulent sur l’ensemble du cycle de vie du paiement. Un meilleur score de fraude permet de réduire le nombre de transactions frauduleuses atteignant l’autorisation. Une authentification plus robuste permet à davantage de transactions de bénéficier du transfert de responsabilité. Et les interventions post-autorisation permettent d’annuler les transactions à haut risque avant qu’elles ne soient contestées. Au moment où une transaction atteint l’étape de litige, elle a déjà traversé plusieurs couches d’optimisation.

Prédictions cumulées

Plus Stripe peut prédire les résultats avec précision, plus chaque décision en aval devient performante. Nous investissons dans la modélisation de la probabilité de remboursement au moment du paiement afin d’optimiser le timing de compensation. Nous développons également de meilleures prédictions des coûts de réseau attendus, afin que les modèles d’acheminement puissent effectuer des arbitrages plus précis entre coûts et taux d’acceptation.

Chaque nouvelle prédiction améliore l’ensemble du cycle de vie du paiement. C’est là que l’optimisation multi-étapes produit ses effets cumulés de la manière la plus évidente.

Des fonctions d’optimisation plus riches

La qualité de l’optimisation dépend de la précision avec laquelle Stripe peut représenter ce qui compte réellement pour une entreprise. Aujourd’hui, des outils comme les préférences de risque de Radar permettent aux entreprises d’exprimer leur tolérance à la fraude. Mais il ne s’agit que d’un point de départ. Une entreprise qui vend des biens numériques avec des marges de 60 % ne devrait pas tolérer le même niveau de risque de fraude qu’une entreprise qui vend des biens physiques avec des marges de 8 %, et certaines entreprises font les deux. Le modèle de fraude, le moteur d’authentification et l’optimiseur d’autorisation devraient tous en tenir compte et s’ajuster en conséquence.

Certaines entreprises se concentrent uniquement sur les litiges pour fraude ; d’autres cherchent à minimiser l’ensemble des risques, y compris la fraude de première partie et les abus de politique. Certaines sont prêtes à accepter un niveau de fraude plus élevé en échange d’une conversion maximale pendant une période promotionnelle. Plus Stripe peut représenter avec précision l’économie et les priorités d’une entreprise, plus chaque modèle du pipeline peut optimiser efficacement au nom de cette entreprise.

Modèles plus importants

Les modèles de Stripe gagnent à la fois en ampleur et en profondeur. Nous avons récemment étendu l’ensemble de données d’entraînement de notre modèle de fraude d’environ 800 millions à plus de 11 milliards de transactions historiques, couvrant un éventail bien plus large de zones géographiques, de produits et de mécanismes de fraude. Nos réseaux de neurones profonds peuvent exploiter ce volume de données d’une manière que les modèles traditionnels ne permettent pas, et nous continuons à les faire évoluer. Nous développons des modèles multitâches capables de prédire plusieurs résultats simultanément, ce qui permet aux modèles de partager des représentations entre les tâches, de sorte que les signaux d’une prédiction renforcent ceux d’une autre.

Des agents pour les problèmes non structurés

La plupart des optimisations de paiement reposent sur des données structurées, telles que les montants des transactions, les codes de refus, les empreintes d’appareil et les scores de fraude. Mais certains des problèmes les plus complexes et à plus forte valeur dans les paiements impliquent des informations non structurées. La gestion des contestations en est un exemple naturel : elle nécessite de constituer un dossier de preuves solide, de lire les règles des réseaux (Visa et Mastercard publient chacune des centaines de pages de réglementations sur les litiges, régulièrement mises à jour), d’associer le bon type de preuve au code de motif et à l’émetteur concernés, et de transformer les données de transaction en un récit cohérent. Stripe développe des agents capables d’interpréter directement les règles des réseaux et de combiner cette compréhension avec des modèles d’IA qui prédisent quelles preuves sont les plus convaincantes pour un scénario de litige donné, afin de traiter des cas que les systèmes fondés sur des règles ne peuvent pas gérer.

Expérimentation

Tout cela repose sur une expérimentation continue. Stripe mène des expériences sur l’ensemble du cycle de vie des paiements et mesure leurs effets sur les taux d’autorisation, la fraude, les coûts de traitement et les frais d’interchange. De nouvelles idées sont testées en permanence, et celles qui fonctionnent sont déployées automatiquement auprès des entreprises utilisant Stripe. Au cours des deux dernières années, le rythme de l’expérimentation 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.