Blog

Descubra de quais maneiras essas ferramentas podem ajudar as empresas a otimizarem as vendas online

Por: Carlos Nomura, Head of Payments do PayPal Latam

Imagine esta situação: A sua empresa investe recursos financeiros e humanos para atrair novos clientes. Eis que um deles cumpre todas as etapas da compra e, no momento do checkout, se depara com uma surpresa não muito positiva: a transação é recusada, por motivos além do limite do cartão. O resultado é um cliente frustrado e a perda do negócio. Pois essa é a importância que a taxa de autorização de pagamentos tem numa empresa.

A taxa de autorização é o percentual de transações bem-sucedidas, ou seja, aprovadas,  no processo de pagamento. Pequenas melhorias podem fazer uma grande diferença nos valores processados tanto para empresas globais quanto para as pequenas e médias empresas (PMEs). Para todos os comerciantes, o objetivo é que o cliente conclua sua compra com sucesso já na primeira tentativa, sem ter que se preocupar com o pagamento.

O PayPal oferece excelentes taxas de aprovação para comerciantes. Isso acontece por conta de tecnologias, como ciência de dados, machine learning, inteligência artificial e tokenização de rede, combinadas com fortes parcerias com redes e emissores de cartões e nossa carteira digital.

Confira quatro exemplos de como essas tecnologias trabalham juntas para impactar positivamente os negócios.

Otimização:  aumentar a probabilidade de aprovação e prever recusa

Os modelos de machine learning do PayPal podem ajudar a prever antecipadamente se o cartão de um usuário será recusado para uma transação impedindo que a compra seja concluída. Se for previsto um declínio, podemos criar uma experiência personalizada para o usuário, que garantirá uma compra válida, o que resulta na melhoria das taxas de autenticação entre 0,6% e 2,4%¹ para determinados comerciantes.

Podemos exibir na carteira digital do consumidor um método de pagamento diferente e que já tenha sido bem-sucedido no passado. Também podemos solicitar uma outra forma de autenticação, usando 3D-secure ou solicitar um CVV para garantir maior proteção ao usuário.

Na situação de cartão recusado, os dados são capazes de determinar se é possível recuperar o pagamento. Em caso afirmativo, a pessoa recebe uma explicação do motivo da recusa, como saldo insuficiente ou suspeita de informações de cartão roubadas. Podemos então sugerir uma maneira fácil de atualizar as informações do cartão, como recomendar o aumento de fundos ou até mesmo alterar a forma de pagamento. Esse processo exemplifica como aplicamos a inteligência artificial e a tornamos acionável e disponível para os usuários realizarem um autoatendimento para resolução de problemas.

Reconhecimento: Aprovando compras para clientes recorrentes

Sabemos que quedas no sistema de pagamento são raras, mas podem ocorrer quando o comerciante menos espera, e custar caro. As ocorrências estão geralmente relacionadas a problemas externos, como interrupção de conexão de internet, impedindo que as transações sejam efetuadas. Nesses casos, é fundamental conseguir realizar a aprovação da compra, mesmo sem processar a transação de pagamento.

Modelos de ciência de dados nos ajudam a identificar transações confiáveis, para que possamos garantir que uma compra seja concluída, mesmo quando algum problema interrompe o processamento. Também é possível admitir compras de clientes recorrentes e altamente engajados, independente do motivo da recusa. Em ambos os cenários, minimizamos as perdas para quem vende e garantimos a compra do consumidor que usa PayPal. Desta forma, por meio de um modelo de recuperação e retentativa inteligente, podemos reprocessar a transação assim que os sistemas estiverem on-line novamente.

Proteção contra transações fraudulentas

Nem toda transação é bem-intencionada. Por isso, é importante equilibrar as altas taxas de aprovação com o controle de fraude. Para os comerciantes, um aumento nas operações fraudulentas pode significar uma diminuição no lucro. No ano passado, a Juniper Research previu que até 2025 os comerciantes globais perderão um total de US$ 206 bilhões por transações fraudulentas.

Felizmente, o machine learning e a decisão em tempo real podem ajudar a diferenciar as transações confiáveis das não confiáveis. A ciência de dados nos ajuda a identificar rapidamente padrões fraudulentos, como ataques em que os infratores testam um lote de cartões roubados em algum site comercial para identificar quais estão ativos, o que pode levar a perdas em forma de estornos não autorizados ou até afetar a disponibilidade da infraestrutura de um comerciante a partir das tentativas de autorização com falha excessiva.

Os algoritmos avançados de machine learning do PayPal contribuem para a proteção contra esses tipos de ataques em escala. Essa é uma área em que o PayPal vem se destacando: com mais de 429 milhões de contas de consumidores e 35 milhões de contas de comerciantes, contamos com riqueza de dados sobre quem compra e possíveis perfis de risco. Essa percepção nos ajuda a identificar uma transação suspeita, mesmo nos casos mais sofisticados.

Novas tentativas inteligentes

Repetir uma transação recusada porque não foi bem-sucedida na primeira vez não é uma estratégia nova e deve ser usada com cautela. Além de criar uma experiência negativa para o cliente, a repetição também pode ser cara, resultar em estornos e deixar uma impressão desfavorável junto aos emissores.

Contudo, quando a repetição é necessária, os algoritmos de machine learning do PayPal podem ajudar a identificar a melhor abordagem, com base no cartão usado, emissor, comerciante, dados da transação, combinação de processador e adquirente e até mesmo data e hora da segunda tentativa. Também é possível realizar uma nova tentativa com um token ou número de cartão a partir de padrões de sucesso identificados por modelos de machine learning. Ao avaliarmos dados, criamos estratégias para determinar os melhores horários e métodos para tentar aprovar novamente um pagamento. E há uma reavaliação contínua desses parâmetros.

Melhorar a experiência do cliente pode impactar positivamente a sustentabilidade do negócio

Em resumo, seja em pequenos comerciantes ou grandes empresas, as taxas de autorização devem ser priorizadas, pois uma perda de receita de meio ponto percentual pode parecer pequena, mas no longo prazo representa valores expressivos. Quanto maior a taxa de autorização do cartão, maior a probabilidade de conversão, resultando em mais receita para o comerciante e uma experiência positiva para o consumidor.

Queremos ajudar tanto quem compra quanto quem vende e usar os dados para fazer melhores escolhas desde o início da jornada da transação. Nossos modelos de machine learning são construídos com base no histórico de compras e nos dados do emissor e, como resultado, podem fazer recomendações inteligentes para ampliar as chances de uma operação ser bem-sucedida.

E, para além da tecnologia, o capital humano também faz parte do processo. Esses avanços não seriam possíveis sem nossa experiente equipe de cientistas de dados, que nos ajuda a desenvolver o que há de mais inovador em machine learning e em inteligência artificial para pagamentos.

Conectar todas essas ferramentas tecnológicas à empresas pode garantir a melhor experiência para os consumidores e ainda mais sucesso para os negócios. É o melhor dos dois mundos!

¹As melhorias podem variar de acordo com a região. A duração média utilizada para estabelecer métricas varia entre 3-9 meses dependendo da característica.

O PayPal adota tecnologia de ponta no tratamento e proteção dos dados pessoais, assegurando que os dados pessoais são utilizados em conformidade com as leis e regulamentos aplicáveis e em conformidade com nossa Declaração de Privacidade.
Use a ferramenta gratuita de Avaliação de Risco de Fraude em Pagamentos para se antecipar à possíveis fraudes.