Desafio

Fundada em 1987 como loja física, a MatchesFashion passou para o mundo online em 2007. Hoje, o site da empresa recebe mais de 130 milhões de visitas anuais, e 95% das vendas acontecem online. O aplicativo da MatchesFashion já foi baixado por dois milhões de clientes. Como a maior parte da receita vem do negócio online, a otimização das taxas de autorização era essencial. A empresa tem clientes em 176 países e percebeu que, se disponibilizasse mais formas de pagamento, melhoraria as receitas e a experiência do cliente.

Solução

A MatchesFashion colaborou com a Stripe e implementou as seis bandeiras de cartão globais (Visa, Mastercard, Amex, JCB, CUP e Discover), além de uma bandeira local (Cartes Bancaires), oferecendo aos clientes um ambiente de pagamentos simplificado e otimizado para diversas preferências. A varejista também começou a usar o recurso de atualização de cartão e a ferramenta Adaptive Acceptance da Stripe, que adota machine learning para otimizar as mensagens de autorização.

Finalmente, a MatchesFashion aproveitou as numerosas opções de liquidação em diversas moedas, protegendo suas margens e reduzindo os riscos cambiais.

Resultados

Em um ano, a MatchesFashion teve 2,47% de aumento nas taxas de autorização, gerando mais de £ 6 milhões de libras esterlinas em receitas anuais. O efeito foi ainda mais evidente em alguns mercados. Com a adoção da bandeira local Cartes Bancaires na França, a melhora nas taxas de autorização atingiu dois dígitos.

“Com a mesma integração, aumentamos a taxa de aceitação de pagamentos com uma abordagem personalizada para cada mercado, formas de pagamento regionais, otimização de pagamentos e aplicação do 3D Secure sem atrapalhar os clientes”, conta Lauren Mirynowski, gerente de produtos da MatchesFashion.

Veja mais detalhes dos principais recursos da Stripe que a MatchesFashion usou para conseguir 2,47% de aumento:

Adaptive Acceptance, para otimizar a taxa de autorizações com machine learning

O Adaptive Acceptance aplica machine learning para otimizar as mensagens de autorização e tomar decisões mais inteligentes e automáticas para repetir as tentativas de pagamento. Com os modelos de machine learning, aproveitamos todo o histórico de dados da Stripe, como tipos de transação, emissor e tipo de comerciante, extraídos de centenas de bilhões de pagamentos anuais. Os cientistas de dados e engenheiros da Stripe aprimoram continuamente esses modelos para ajudar os comerciantes a aceitar o máximo possível de transações legítimas e gerar mais receita.

Atualizador de cartão, para evitar recusas futuras

A Stripe colabora com as bandeiras de cartão, atualizando automaticamente os dados de cartões salvos sempre que o cliente recebe uma nova via (para substituir cartões vencidos, perdidos ou roubados, por exemplo). Para a MatchesFashion, isso faz a diferença, já que agora os clientes não precisam mais atualizar manualmente os dados salvos. Como esse processo é tedioso e demorado, muitos clientes acabavam abandonando os carrinhos e/ou tendo o cartão recusado, o que reduzia a receita da empresa.

Soluções antifraude personalizadas, criadas com a Stripe

Para a MatchesFashion, é importante equilibrar alta taxa de aceitação e baixo número de fraudes. A empresa aplicou o Stripe Radar, que ajuda a detectar e bloquear fraudes com modelos de machine learning treinados com dados de milhões de empresas do mundo todo. A Stripe e a MatchesFashion colaboraram para otimizar o sistema, e os resultados da MatchesFashion foram inseridos diretamente no Stripe Radar. Essa colaboração resultou em novos recursos, como insights de risco, aumento de limite de regras do Radar e a possibilidade de atribuir avaliações manuais a um analista interno.

A Stripe ajuda a MatchesFashion a oferecer a melhor experiência para seus clientes

Como marca de luxo, o objetivo da MatchesFashion é oferecer a melhor experiência de cliente em todas as etapas da transação. “O valor médio dos pedidos é acima de £ 500, então nossos clientes esperam uma experiência totalmente integrada no site, independentemente de onde se encontrem e do aparelho usado”, explica Mirynowski. A Stripe ajudou não só com pagamentos, mas também com as análises de comportamento dos clientes de todos os comerciantes do seu ecossistema. A empresa pretende usar esses dados para criar um checkout mais personalizado para seus clientes.