ปัญหา

Ben & Frank เป็นแบรนด์แว่นตายอดนิยมในภูมิภาคละตินอเมริกาที่จำหน่ายผลิตภัณฑ์ให้กับผู้บริโภคโดยตรง ซึ่งขณะที่ใช้ผู้ให้บริการรายก่อนหน้า Ben & Frank ควบคุมการฉ้อโกงและจัดการการรายงานการชำระเงินได้อย่างจำกัด ทำให้ไม่สามารถเพิ่มประสิทธิภาพในการอนุมัติเงินได้อย่างต่อเนื่อง สาเหตุหนึ่งมาจากตลาดของเม็กซิโกที่มีความท้าทายในรูปแบบที่แตกต่างออกไป ดังนี้
- ภูมิภาคละตินอเมริกานิยมใช้ระบบการชำระเงินที่ปรับแต่งให้เป็นส่วนตัวและเข้ากับท้องถิ่นได้ในระดับสูง ทำให้ธุรกิจประสบความสำเร็จได้ยากหากไม่มีระบบการชำระเงินที่ปรับให้เข้ากับผู้ใช้หรือการทำงานร่วมกันอย่างใกล้ชิดกับบริษัทผู้ออกบัตรรายใหญ่
- อัตราการฉ้อโกงของผู้ซื้อสูงกว่ามาตรฐานโลก ทำให้ยากต่อการระบุวิธีที่มีประสิทธิภาพเพื่อจัดการกับการเรียกเก็บเงินและการโต้แย้งการชำระเงินที่น่าสงสัย
- มีการรองรับฟีเจอร์อีคอมเมิร์ซอย่างจำกัดในเม็กซิโก เช่น ธุรกิจจะยืนยันกับผู้ออกบัตรได้ยาก ว่าลูกค้าที่กลับมาซื้อผลิตภัณฑ์ซ้ำโดยบันทึกข้อมูลประจำตัวของบัตรไว้จะมีความเสี่ยงน้อยกว่าลูกค้าที่ซื้อครั้งแรก

ทั้งหมดนี้ทำให้ Ben & Frank มีอัตราการเปลี่ยนเป็นผู้ใช้แบบชำระเงินต่ำ ซึ่งก่อให้เกิดประสบการณ์ที่ไม่ดีต่อลูกค้าที่ถูกปฏิเสธการชำระเงินเนื่องจากข้อผิดพลาด

วิธีแก้ปัญหา

Ben & Frank เปรียบเทียบ Stripe กับผู้ประมวลผลการชำระเงินที่ใช้อยู่โดยวัดอัตราการอนุมัติในเครือข่ายบัตรทั้งหมด John Campbell ซึ่งดำรงตำแหน่งผู้อำนวยการฝ่ายปฏิบัติงานของ Ben & Frank กล่าวว่า "เราประเมินผู้ประมวลผลการชำระเงินรายใหม่โดยตั้งเป้าหมายที่วัดผลได้ไว้ 3 ข้อ ได้แก่ อัตราการยอมรับ อัตราการฉ้อโกง และ NPS ด้านประสบการณ์ของผู้ใช้ที่ได้รับจากบริการลูกค้าของเรา"

Ben & Frank สามารถผสานการทำงานและเปิดตัว Stripe ได้ในเวลาเพียง 2 สัปดาห์เพื่อเริ่มทำการทดสอบ Leonardo Alonso ตำแหน่งวิศวกรซอฟต์แวร์ของ Ben & Frank กล่าวว่า "Stripe มีทีมที่ยอดเยี่ยมและพร้อมสนับสนุนความต้องการของเรา มีขั้นตอนการทำงานด้านการพัฒนาที่ดีที่สุด เอกสารประกอบก็เข้าใจได้ง่าย ทั้งยังมาพร้อมไลบรารีสำหรับลูกค้าและตัวอย่างที่เรานำไปปรับใช้ได้ทันที"

หลังจากทดลองใช้งาน 3 เดือน Ben & Frank ก็ระบุได้ว่า Stripe เป็นโซลูชันการชำระเงินที่ดีกว่าโซลูชันก่อนหน้า และสามารถเพิ่มอัตราการเปลี่ยนเป็นผู้ใช้แบบชำระเงินตลอดจนสนับสนุนการเติบโตอย่างต่อเนื่องได้ เนื่องจากมีการสนับสนุนที่ฉับไวและมีชุดโซลูชันพร้อมการเพิ่มประสิทธิภาพการชำระเงิน และการตรวจจับการฉ้อโกง

ผลลัพธ์

Ben & Frank มีอัตราการเปลี่ยนเป็นผู้ใช้แบบชำระเงินเพิ่มขึ้น 10% เมื่อเทียบกับผู้ประมวลผลรายก่อนหน้า หลังจากใช้งานในเม็กซิโกเพียง 3 เดือน ซึ่งตัวเลขที่เพิ่มขึ้นนี้เกิดขึ้นได้จาก

การทำงานร่วมกันอย่างใกล้ชิดของ Stripe กับผู้ประมวลผลและบริษัทผู้ออกบัตรในภูมิภาค
Stripe ว่าจ้างผู้เชี่ยวชาญด้านการชำระเงินในท้องถิ่นและนักพัฒนาหลายสิบรายให้ดูแลด้านการเป็นพาร์ทเนอร์ในระบบการชำระเงินของเม็กซิโก รวมถึงบริษัทเครือข่ายที่รองรับการทำธุรกรรมผ่านบัตรในประเทศอย่าง Prosa, eGlobal, Banco de México และ CNBV ตลอดจนบริษัทผู้ออกบัตรรายใหญ่อย่าง BBVA และ Santander อีกด้วย โดย Stripe สร้างความเชื่อมั่นให้กับบริษัทผู้ออกบัตรโดยการไปพบผู้ออกบัตรรายดังกล่าวบ่อยครั้งเพื่อปรับเปลี่ยนตรรกะการอนุมัติและการฉ้อโกงอยู่เรื่อยๆ เพื่อช่วยให้ธุรกิจกู้รายรับที่อาจสูญเสียไปกลับมาได้

การลดกิจกรรมการฉ้อโกงและเวลาในการแก้ปัญหา
Radar ต่อยอดมาจาก Stripe Payments ทำให้ Ben & Frank ไม่ต้องติดป้ายกำกับธุรกรรมที่เป็นการฉ้อโกงเองอีกต่อไป และหันมาใช้แมชชีนเลิร์นนิงของ Stripe ในการประเมินระดับความเสี่ยงของการชำระเงินแต่ละรายการได้แบบเรียลไทม์ ซึ่งโมเดลแมชชีนเลิร์นนิงนี้จะเรียนรู้รูปแบบการซื้อของลูกค้ารายใหม่อย่างต่อเนื่อง และทีมจัดการการฉ้อโกงของ Ben & Frank ก็สามารถรวมการแทนที่กฎเองและกฎการฉ้อโกงที่ปรับแต่งได้ไว้ในกลยุทธ์สำหรับท้องถิ่นเพื่อจัดการการฉ้อโกงและอัตราการดึงเงินคืนในเม็กซิโกได้อย่างมีประสิทธิภาพ

ภูมิภาคละตินอเมริกามีอัตราการฉ้อโกงสูงกว่าสหรัฐอเมริกาและ EMEA ถึง 5 เท่า แต่ Radar ช่วยให้ Ben & Frank แยกมิจฉาชีพออกจากลูกค้าทั่วไปได้ อัตราการฉ้อโกงจึงลดลงไปอย่างมาก Lourdes García ผู้จัดการผลิตภัณฑ์ของ Ben & Frank กล่าวว่า "การใช้แมชชีนเลิร์นนิงและกฎการฉ้อโกงที่ออกแบบเองของ Stripe ช่วยให้เรามีอัตราการฉ้อโกงและอัตราการดึงเงินคืนลดลง อีกทั้งความพึงพอใจของลูกค้ายังสูงขึ้นเนื่องจากทีมของเราจัดการกับการโต้แย้งการชำระเงินได้รวดเร็วกว่าเดิม ทำให้ใช้เวลาจัดการกับขั้นตอนต่างๆ ด้วยตัวเองน้อยลงตามไปด้วย"

อัตราอนุมัติการชำระเงินที่เพิ่มขึ้นจากแมชชีนเลิร์นนิง
ธนาคารต่างๆ มีมักกฎการตัดสินใจยอมรับธุรกรรมที่แตกต่างกันออกไป ดังนั้นวิธีเดียวที่จะเพิ่มการอนุมัติได้ก็คือการทำวิศวกรรมย้อนกลับสำหรับกฎในเครือข่ายของ Stripe โดยใช้แมชชีนเลิร์นนิง และ Stripe ก็ดำเนินการในส่วนนี้โดยสร้าง Adaptive Acceptance ซึ่งเป็นเทคโนโลยีแมชชีนเลิร์นนิงที่จะช่วยปรับข้อความแจ้งการอนุมัติให้เหมาะสมในนามของลูกค้า อีกทั้งยังมีนักวิทยาศาสตร์ข้อมูลและวิศวกรของ Stripe ที่ปรับปรุงโมเดลแมชชีนเลิร์นนิงนี้เป็นประจำเพื่อช่วยให้ธุรกิจหลายๆ แห่งยอมรับธุรกรรมที่ดำเนินการอย่างถูกต้องได้มากที่สุดและมีรายรับสูงสุด