課題

Ben & Frank は、ラテンアメリカで高い人気を誇る消費者直販のメガネブランドです。Ben & Frank が使用していた以前の決済代行業者では、不正利用と決済レポートに関するコントロールが限られていたため、オーソリのパフォーマンスを継続的に最適化することが不可能でした。これは、メキシコの市場に、以下のような固有の課題があるためです。

• ラテンアメリカは、高度にカスタマイズおよびローカライズされた決済エコシステムとしてよく知られており、カスタマイズされたユーザー向け決済システムや、主要なカード発行会社との緊密な関係がなければ、成功を収めることは困難です。
  
• 世界的標準と照らして購入者の不正利用率が高く、疑わしい請求や不審請求の申し立ての管理に対するアプローチを定義することが困難です。
  
• メキシコでは EC 機能のサポートが限られています。たとえば、保存されたカード情報を持つリピート顧客のほうが新規顧客よりもリスクが低いことを、ビジネス側がカード発行会社に示すのは困難です。
  

その結果、Ben & Frank のコンバージョン率は低迷し、不正確な決済拒否を受けた顧客の体験も損なわれていました。

ソリューション

Ben & Frank は、カードネットワーク全体でのオーソリ率を測定し、既存の決済代行業者と Stripe を比較しました。Ben & Frank のオペレーションディレクターである John Campbell 氏は次のように述べています。「新しい決済代行業者を評価する際、承認率、不正利用率、およびカスタマーサービスに対するユーザー体験の NPS という、3 つの測定可能な目標を検討しました」

Ben & Frank は、わずか 2 週間で組み込みを行い、Stripe を導入してテストを開始しました。Ben & Frank のソフトウェアエンジニアである Leonardo Alonso 氏は次のように述べています。「Stripe には当社のニーズをサポートする素晴らしいチームがいます。開発ワークフローは非常に優れており、ドキュメントも使いやすく、広範なクライアントライブラリとコピー＆ペースト可能なサンプルが用意されています」

3 カ月間のトライアル後、Ben & Frank は、迅速なサポートと、決済の最適化や不正利用の検知を備えた最新のソリューションスイートのおかげで、コンバージョンを向上させて継続的な成長を促進するには Stripe がより優れた決済ソリューションであると判断しました。

成果

Ben & Frank は、メキシコで Stripe を使用し始めて最初の 3 カ月に、以前の決済代行業者と比較して、コンバージョンが 10% 増加しました。Ben & Frank が経験したこの改善は以下によって実現されたものです。

Stripe の現地の決済代行業者とカード発行会社との緊密な関係

Stripe は何十人もの現地の決済専門家や開発者を雇用し、メキシコの決済エコシステム全体で強力なパートナーシップを構築しています。これには、Prosa や eGlobal、Banco de México、CNBV などの現地のスイッチや、BBVA や Santander のような大手のカード発行会社も含まれます。現地のカード発行会社との信頼関係を築くため、Stripe は頻繁にミーティングを行い、オーソリや不正利用ロジックに繰り返し変更を加えることで、ビジネスがより多くの売上を獲得できるよう支援しています。

不正利用アクティビティと解決時間の削減

Radar は Stripe Payments 上に構築されているため、Ben & Frank は不正利用取引を手動でラベル付けする必要がなくなりました。その代わりに、Stripe の機械学習がリアルタイムで各決済のリスクレベルを評価します。機械学習モデルは、新しい顧客の購入パターンから継続的に学習します。一方、Ben & Frank の不正利用対策チームは、手動ルールオーバーライドやカスタムの不正利用ルールを使用でき、的を絞った戦略で先手を打ってメキシコでの不正利用率やチャージバック率を管理できます。

ラテンアメリカにおける不正利用率は、アメリカや EMEA における不正利用率の 5 倍にも上りますが、Ben & Frank は Radar を活用して不正利用者と顧客を区別し、速いスピードで不正利用を減少させています。「Stripe の機械学習とカスタムの不正利用ルールを活用することにより、不正利用率とチャージバック率を減らすことができました。それだけでなく、当社チームが手動プロセスにかける時間が減り、顧客の不審請求をより迅速に処理できるようになったため、顧客満足度も向上しました。」(Ben & Frank、プロダクトマネージャー、Lourdes García 氏)

機械学習によるオーソリ率最適化

取引の承認に関する銀行の決定ルールは一貫していません。承認率を上げる唯一の方法は、機械学習を使用して Stripe ネットワーク全体でルールをリバースエンジニアリングすることです。このために Stripe は、Adaptive Acceptance を構築しました。これは、顧客の代わりにオーソリメッセージを最適化する機械学習テクノロジーです。Stripe のデータサイエンティストとエンジニアは、これらの機械学習モデルを継続的に改善し、ビジネスができるだけ多くの正当な取引を承認し、売上を最大化できるよう支援しています。