Aprendizado de máquina para otimização das retentativas de pagamentos recorrentes com cartão de crédito de uma empresa SaaS

Abstract

Num modelo de receita recorrente, a inadimplência de clientes gera perda financeira para a empresa, então recusas de pagamento recorrentes no cartão de crédito são um problema sério para esses negócios. Desta forma, ao tentarem fazer uma cobrança para um cartão de um cliente e receberem uma recusa do banco emissor, essas empresas podem fazer retentativas até conseguirem efetivar o pagamento. No entanto, existe um custo para cada tentativa de cobrança feita pelas empresas. Além disso, um alto número de tentativas negadas pode fazer com que a empresa seja penalizada com multas pelas bandeiras de cartões. Alguns tipos de recusas são sensíveis e não devem receber retentativas pelas processadoras de pagamentos. Em casos graves as bandeiras podem até mesmo deixar de aceitar transações de uma determinada instituição. Dado o contexto, o presente projeto teve por objetivo o emprego e a avaliação de técnicas de classificação capazes de modelar a probabilidade de uma tentativa de pagamento ser aprovada. Após uma análise exploratória dos dados disponíveis e um maior entendimento do problema, diversos tipos de classificadores foram treinados, seus hiperparâmetros foram otimizados e analisados. Por fim uma nova estratégia de retentativas de pagamentos foi criada fazendo uso do modelo treinado com o método floresta aleatória. Experimentos com grupos controlados de clientes em produção obtiveram um resultado de 70% de acurácia e uma redução de 60% da quantidade de retentativas, resultando no aumento da taxa de aprovação de pagamentos com cartão de crédito. Com a implementação dessa solução, a empresa do caso de estudo tem uma expectativa de economizar até R$65.000,00 em custos com transações e aumentar em quase 20 pontos percentuais a taxa de aprovação de cartões de créditos dos seus clientes.

For companies with recurring revenue models, recurring credit card payment declines are a serious problem for these businesses. When trying to charge a customer and receive a refusal from the issuing bank, these companies can make retries until they can make the payment. However, there is a cost for each attempted collection made by them. Also, a high number of denied attempts may result in the company being penalized with fines for credit card brands. Some types of declines are sensitive and should not be retried by payment processors. But in severe cases, credit card brands may even refuse transactions from some companies. Given the context, the present project at employing and evaluating classification techniques capable of modeling the probability that an attempted payment will be approved. After an exploratory analysis of the available data and a greater understanding of the problem, several types of classifiers were trained, their hyperparameters were optimized and analyzed. Finally, a new payment retry strategy was created using the model trained with the random forest method. Experiments with controlled groups of customers in production achieved a result of 70% accuracy and a reduction of 60% in the number of retries, increasing the credit card payment approval rate. This solution made the company in this case study expect to save up to R$65,000.00 in transaction costs and increase its customers' credit card approval rate by almost 20 percentage points.