挑战

Ben & Frank 是拉丁美洲最受欢迎的眼镜直销品牌。与之前的支付服务商合作时，Ben & Frank 的欺诈控制和支付报告功能比较有限，因此无法持续优化授权表现。这是因为墨西哥市场存在一些独特的挑战：
- 拉丁美洲素来有高度个性化和本地化的支付生态系统，如果无法提供个性化的用户支付系统或与主要发卡行建立紧密联系，就很难取得成功。
- 按照全球标准，这里的买家欺诈率很高，因此很难制定出有效管理可疑收款和争议的方法。
- 墨西哥的电商得到的支持有限。例如，企业很难向发卡行证明，保存了银行卡证书的回头客的风险低于新客的风险。

因此，Ben & Frank 的转化率很低，给那些被错误拒付的客户带来了糟糕的体验。

解决方案

Ben & Frank 通过衡量所有卡组织的授权率，将 Stripe 与其现有支付服务商进行了比较。Ben & Frank 的运营总监 John Campbell 说：“在评估新的支付服务商时，我们主要关注三个可衡量的目标：接受率、欺诈率和用户体验过我们客户服务后的净推荐值 (NPS)。”

Ben & Frank 在短短两周内便集成并启动了 Stripe，然后开始进行测试。Ben & Frank 的软件工程师 Leonardo Alonso 说：“Stripe 拥有一支出色的团队，可随时满足我们的需求。这支团队掌握着最佳的开发工作流程，他们的文档可十分便利地与广泛的客户端库和复制粘贴示例一起使用。”

经过为期三个月的试用后，Ben & Frank 确定了 Stripe 能提供更优越的支付解决方案，有助于其提高转化率并实现持续增长，这是因为 Stripe 能迅速提供支持且具有支付优化和欺诈检测的全套现代解决方案。

结果

Ben & Frank 在墨西哥使用 Stripe 短短三个月后发现，Stripe 的授权率比其之前的处理商高 10%。Ben & Frank 能提高授权率的原因在于：

Stripe 与区域处理商及发卡行维持着密切的关系
Stripe 雇用了数十名本地支付专家和开发人员，目的是在整个墨西哥的支付生态系统中建立牢固的合作伙伴关系，该系统中不仅包括 Prosa and eGlobal、Banco de México 和 CNBV 等本地交易商，还包括 BBVA 和 Santander 等大型发卡行。为了建立与本地发卡行间的信任，Stripe 经常与发卡行会面，反复修改授权和欺诈逻辑，帮助企业挽回有可能会损失的收入。

减少欺诈活动和争议解决时间
由于 Radar 建立于 Stripe Payments 之上，因此 Ben & Frank 不需要再手动标记欺诈性交易。而是可以依靠 Stripe 的机器学习实时评估每笔付款的风险级别。机器学习模型会不断从新的客户购买模式中学习，同时 Ben & Frank 的欺诈团队也可使用手动规则覆盖功能和自定义欺诈规则，通过本地化策略主动管理墨西哥的欺诈和撤单率。

拉丁美洲的欺诈率是美国及欧洲、中东和非洲地区的 5 倍，Radar 可帮助 Ben & Frank 区分欺诈分子与客户，在更大程度上降低欺诈率。Ben & Frank 的产品经理 Lourdes García 说：“通过利用 Stripe 的机器学习和自定义欺诈规则，我们发现欺诈率和撤单率都下降了。我们甚至还发现客户满意度也提高了，因为我们的团队在管理人工流程上花的时间更少了，可以更快速地解决客户争议。”

通过机器学习优化授权率
不同的银行在接受交易方面有着不同的决策规则。提高接受率的唯一方法是利用机器学习对 Stripe 网络上的规则实施逆向工程。为此，Stripe 构建了 Adaptive Acceptance，这是一种机器学习技术，可以代客户优化授权消息。Stripe 的数据专家和工程师不断改进这些机器学习模型，帮助企业接受尽可能多的合法交易并提高收入。