Больше, чем возврат средств: переосмысление споров по платежам в Monzo

🧐 Что такое спор по платежу?

Спор — это ситуация, когда клиент просит Monzo вернуть деньги за платеж по карте. Обычно это происходит, когда клиент не узнает транзакцию, получил бракованный товар или с него списали деньги дважды. Это часто путают с мошенничеством, когда платеж совершается злоумышленником без ведома клиента, или когда клиент сам непреднамеренно оказывается под влиянием мошенника. Когда мы принимаем спор от наших клиентов, мы стремимся вернуть деньги от их имени. Это длительный процесс, известный как чарджбэк.

Введение

За последние 18 месяцев наша команда по разрешению споров поставила перед собой задачу превратить сложный и бюрократический процесс в то, чему клиенты могут доверять. Мы сократили количество обращений по спорам примерно вдвое, сэкономили миллионы фунтов стерлингов и получили премию Mastercard за эффективность работы с чарджбэками.

Мы достигли этого благодаря двум основным стратегиям. Во-первых, предотвращение ложных споров с помощью машинного обучения и грамотных продуктовых ограничений. Во-вторых, сокращение числа предотвратимых споров за счет повышения доверия, прозрачности и предоставления клиентам автономности, когда что-то идет не так.

Эта статья о том, почему мы перестроили процесс, какие технологии использовали и как небольшой команде удалось это реализовать.

Споры и так неприятны, так зачем делать их бюрократическими?

Годами процесс разрешения платежных споров во всей индустрии был борьбой с бюрократией: фиксированные категории претензий, строгие правила доказывания и многоэтапная переписка между банками и продавцами, которая может длиться недели или месяцы, в то время как клиент ждет без денег и без каких-либо понятных обновлений. Но для Monzo это была не просто плохая пользовательская история. Это была проблема масштаба:

• Глобальный масштаб: По прогнозам, к 2026 году объем чарджбэков достигнет 337 миллионов транзакций, что на 42% больше всего за три года!

Глобальный масштаб: По прогнозам, к 2026 году объем чарджбэков достигнет 337 миллионов транзакций, что на 42% больше всего за три года!

• Масштаб Monzo: В 2025 году примерно каждый десятый клиент подал нам претензию, что составило десятки миллионов фунтов стерлингов в виде оспариваемых платежей и многомиллионные операционные расходы. Это было много по сравнению со средним показателем по отрасли.

Масштаб Monzo: В 2025 году примерно каждый десятый клиент подал нам претензию, что составило десятки миллионов фунтов стерлингов в виде оспариваемых платежей и многомиллионные операционные расходы. Это было много по сравнению со средним показателем по отрасли.

• Неэффективность: 80% времени обработки уходило на претензии с шансом на успех менее 40%.

Неэффективность: 80% времени обработки уходило на претензии с шансом на успех менее 40%.

Это означало, что споры по платежам на десятки миллионов фунтов стерлингов, большинство из которых были мелкими, отнимали у клиентов время на случаи, в которых мы не можем помочь. Мы увидели четкую возможность применить магию Monzo: решение проблем с помощью технологий для улучшения клиентского опыта.

Мы подошли к этому в четыре этапа: остановить ложные претензии, автоматизировать подлинные, вернуть исправимые отклонения и затем перейти к самому процессу подачи жалоб.

Шаг 1: Остановка ложных претензий

Прежде чем мы смогли создать удобный интерфейс для реальных клиентов, нам нужно было изолировать информационный шум. Значительная часть этого шума приходилась на мошенничество со стороны первой стороны (или «дружественное мошенничество»), когда клиент намеренно оспаривает легитимный платеж в попытке получить бесплатные товары или дополнительные деньги. Нам нужно было сделать наш процесс менее привлекательным для ложных жалоб, не создавая при этом препятствий для реальных споров.

Умные ограничения

Сначала мы экспериментировали с внедрением экрана паузы в приложении. Когда пользователи пытались открыть спор сразу после транзакции, мы предлагали им подождать и сначала связаться с продавцом. Эта простая точка трения успешно отсеяла импульсивные споры и те, которые можно было решить самостоятельно. Это позволило быстрее вернуть деньги таким клиентам, поскольку они могли обратиться напрямую к продавцу, и освободило наши ресурсы для помощи в сложных случаях.

Затем мы сосредоточились на тех, кто чаще всего инициирует споры: на тех, кто может непреднамеренно совершать мошенничество первой стороны. Здесь мы показывали им специальный экран предупреждения, рассказывая о том, что такое мошенничество первой стороны и каковы потенциальные последствия подачи мошеннических претензий.

Автоматическое обнаружение мошенничества

Затем мы создали модель машинного обучения для обнаружения мошенничества первой стороны, которая инициировала дальнейшее расследование нашей командой экспертов. Защита реальных клиентов была на первом месте: ложная отметка реальной претензии наносит гораздо больший ущерб, чем любой отдельный пропущенный случай, поэтому модель должна была быть предельно точной.

Чтобы построить нашу модель, нам нужны были размеченные данные о том, как выглядит мошенничество первой стороны, которых у нас не было. Поэтому мы разработали набор правил (эвристику). Когда кейс подпадал под эти правила, мы помечали его как подозрительную претензию и отправляли одному из наших экспертов-следователей для разметки. Мы передавали эти метки обратно для доработки правил, выяснения того, какие данные нам действительно нужны, и, в конечном итоге, обучения модели машинного обучения. Сама техника не нова: привлечение человека в контур для создания меток является обычной практикой. Главный вывод здесь — это образ мышления: вы редко начинаете с чистых данных, поэтому самый быстрый путь часто заключается в создании дешевого способа их получения, а не в ожидании их появления.

Создав конвейер данных, мы приступили к построению модели. Это состояло из двух частей: первая заключалась в определении того, какие признаки использовать (признак — это сигнал в данных, который помогает модели предсказать, является ли претензия подлинной), а вторая — в обучении модели на этих признаках и проверке ее эффективности.

После завершения мы выпустили модель в продакшн для триажирования кейсов нашим экспертам-следователям при жестком контроле со стороны отделов рисков и операций в рамках действительно кросс-функциональной работы.

Результат

Значительное сокращение числа форм споров, награда от Mastercard и серьезный сдвиг в том, кто именно обращался с жалобами: от нечестных отчетов к добросовестным или заблуждающимся клиентам. Это были клиенты, которые не пытаются совершить мошенничество, но запутались в сложном процессе и не знают, как в нем ориентироваться.

Шаг 2: Улучшенные автоматические решения

Сократив объем лишних обращений и освободив операционные мощности, мы обратились ко второй стороне проблемы: возврату денег клиентам без лишних препятствий. У нас уже была модель, которая могла автоматически принимать решения по некоторым спорам, но проблема заключалась в том, что она была построена на старой архитектуре и не обучалась более 2 лет. Это означало, что мы не могли доверять ее решениям, поэтому мы решили переписать ее.

Мы перенесли ее на нашу современную архитектуру машинного обучения и переобучили на свежих, высококачественных данных.

Автоматизация принятия решений означает выбор того, насколько уверенными мы должны быть перед совершением действия. Установим планку слишком низко — и мы будем принимать неверные решения. Установим слишком высоко — и ненужные кейсы отправятся на ручную проверку, что требует времени и денег. Нам нужно было сбалансировать затраты, риски и клиентский опыт, чтобы найти правильный баланс.

Результатом стала современная модель автоматического принятия решений, которая автоматически одобряет очевидные подлинные претензии, а все остальное передает на рассмотрение человеку. Она действует только тогда, когда доказательства неоспоримы; все неопределенные или пограничные случаи направляются нашей команде клиентских операций.

Это означает, что клиенты с сильной позицией получают свои деньги обратно быстро, не дожидаясь ручной проверки. И каждый случай, который обрабатывает модель, означает на один меньше для нашей команды клиентских операций, что позволяет им сосредоточиться на сложных спорах, где действительно нужен человек.

Шаг 3: Помогаем клиентам составить наилучшую претензию

После отсеивания ложных претензий и повышения точности автоматического принятия решений мы обратили внимание на клиентов, которым требуется больше поддержки при создании претензии.

Мы заметили, что большинство обращений, проверяемых нашей командой, отклонялись при первой же проверке. Это показало нам, что мы можем лучше составлять дела вместе с нашими клиентами, чтобы решать их претензии с первого раза. Мы подошли к этому с помощью 3 изменений:

• Улучшение задаваемых нами вопросов

Улучшение задаваемых нами вопросов

• Упрощение добавления недостающих доказательств

Упрощение добавления недостающих доказательств

• Исключение ненужных претензий

Исключение ненужных претензий

Улучшение задаваемых нами вопросов

Мы изучили наш самый популярный процесс подачи заявлений о спорах и обновили вопросы, которые мы задаем клиентам, на основе ряда новых принципов. Мы спрашивали клиентов о том, что они купили, заранее, удаляли ненужные вопросы и связывали каждое описание с запросом соответствующих доказательств. Целью этого было формирование отличного дела совместно с клиентом при минимальных затруднениях.

Упрощение добавления недостающих доказательств

Иногда наша команда проверяет поданное обращение и нуждается в дополнительной информации. Мы выяснили, что процесс ее получения был сложнее, чем следовало бы, поэтому мы создали систему, которая позволяет нашей команде клиентских операций обращаться к клиентам, побуждая их улучшить доказательную базу как можно проще.

Как это работает:

• При рассмотрении спора, если сотрудник клиентских операций замечает отсутствие доказательств, он может запросить их напрямую в нашей внутренней системе.

При рассмотрении спора, если сотрудник клиентских операций замечает отсутствие доказательств, он может запросить их напрямую в нашей внутренней системе.

• Это инициирует уведомление в приложении, показывающее клиенту, каких именно доказательств не хватает и почему.

Это инициирует уведомление в приложении, показывающее клиенту, каких именно доказательств не хватает и почему.

Клиент загружает недостающие доказательства, которые мы автоматически прикрепляем к его исходному делу.

Исключение ненужных претензий

Мы также заметили тенденцию: клиенты подавали споры по транзакциям, которые уже были отклонены, или случайно создавали дублирующие претензии. Раньше такие обращения зависали в очереди лишь для того, чтобы быть отклоненными спустя часы.

Мы решили, что лучшим решением здесь будет полностью избавить клиента от этих лишних хлопот. Мы внедрили предварительную проверку перед отправкой, которая проверяет состояние транзакции до загрузки формы спора и немедленно информирует клиента.

Это предотвращает разочарование от заполнения формы, обреченной на отказ, и обеспечивает мгновенное успокоение.

Результат? Мы уже наблюдаем снижение количества отклоненных споров с ~70% до ~50%. Теперь наша команда клиентских операций тратит меньше времени на обработку отказов и больше времени на решение сложных дел.

Шаг 4: Встреча с клиентами еще до того, как они заявят о проблеме

Шаги с 1 по 3 исправили то, как мы обрабатываем спор после его поступления. Но за последние шесть месяцев мы взялись за более крупную задачу — самую верхушку воронки: момент, когда клиент замечает платеж, в котором он не уверен, и должен решить, что делать. Именно здесь объединились наши две команды: «Споры» и «Реагирование на мошенничество».

Проблема: мы просим клиентов самих ставить себе диагноз

Когда что-то выглядит подозрительно, мы просим клиента принять решение до того, как он сообщил нам хоть что-то. Вы совершили платеж или кто-то другой? Товар не получен или не соответствует описанию? Большинство людей не мыслят такими категориями. Они просто хотят разобраться.

Это создает три проблемы:

• Мы направляем людей не туда. Клиенты угадывают, какая форма подходит, попадают в жесткий сценарий, который может не соответствовать тому, что произошло на самом деле, и в итоге оказываются направлены не туда или получают отказ, так как изначально это был не тот тип претензии.

Мы направляем людей не туда. Клиенты угадывают, какая форма подходит, попадают в жесткий сценарий, который может не соответствовать тому, что произошло на самом деле, и в итоге оказываются направлены не туда или получают отказ, так как изначально это был не тот тип претензии.

• Мы скрываем контекст, который уже у нас есть. Когда клиент нажимает на непонятный платеж, мы могли бы показать ему его историю с этим продавцом, является ли это подпиской или как он прошел аутентификацию. Вместо этого мы сразу отправляем его составлять жалобу.

Мы скрываем контекст, который уже у нас есть. Когда клиент нажимает на непонятный платеж, мы могли бы показать ему историю его взаимодействия с этим продавцом, является ли это подпиской или как он прошел аутентификацию. Вместо этого мы сразу отправляем его составлять жалобу.

• Мы не объясняем, что нам нужно. Люди не понимают, какие доказательства важны, пока не дойдут до середины формы, и тогда они застревают без нужных скриншотов. Это означает неполные отчеты и отказы, которых мы могли бы избежать.

Мы не объясняем, что нам нужно. Люди не понимают, какие доказательства важны, пока не дойдут до середины формы, и тогда они застревают без нужных скриншотов. Это означает неполные отчеты и отказы, которых мы могли бы избежать.

Что мы сделали: ответили на вопрос до того, как он превратился в претензию

Вместо того чтобы просить клиентов самостоятельно ставить диагноз, мы начали давать им то, что необходимо для самостоятельного решения проблемы. Вот лишь несколько нововведений, которые мы запустили:

• Контекстная панель для самого платежа: что нам о нем известно, история взаимодействия с этим продавцом, каким образом была пройдена аутентификация и простые объяснения для вещей, которые больше всего запутывают людей, таких как отложенные платежи и подписки.

Контекстная панель для самого платежа: что нам о нем известно, история взаимодействия с этим продавцом, каким образом была пройдена аутентификация и простые объяснения для вещей, которые больше всего запутывают людей, таких как отложенные платежи и подписки.

• Маршрутизация подписок. Значительная часть претензий по спорам связана с подписками, но мы спрашивали «кто совершил этот платеж?», из-за чего клиенты не были уверены, спор это или мошенничество, и что с этим делать. Мы создали специальный сценарий, в котором спрашиваем, что произошло на самом деле: забыли отменить, отменили, но деньги все равно списали, не узнаете списание.

Маршрутизация подписок. Значительная часть претензий по спорам связана с подписками, но мы спрашивали «кто совершил этот платеж?», из-за чего клиенты не были уверены, спор это или мошенничество, и что с этим делать. Мы создали специальный сценарий, в котором спрашиваем, что произошло на самом деле: забыли отменить, отменили, но деньги все равно списали, не узнаете списание.

• Адаптивная маршрутизация в зависимости от типа платежа. У разных типов платежей есть свои распространенные проблемы. Платеж по карте, банковский перевод, снятие наличных в банкомате: у каждого свой набор типичных трудностей. Мы создали маршрутизацию, которая адаптирует вопросы для клиентов в зависимости от способа оплаты, чтобы они отвечали на вопросы, актуальные для их конкретной транзакции, а не на общие категории. Результатом стало сокращение числа ошибочно направленных претензий, поскольку мы с самого начала задавали вопросы о нужных проблемах.

Адаптивная маршрутизация по типу платежа. У разных типов платежей есть свои распространенные проблемы. Оплата картой, банковский перевод, снятие наличных в банкомате — у каждого варианта свой набор типичных сложностей. Мы создали маршрутизацию, которая адаптирует вопросы для клиента в зависимости от способа оплаты. В результате люди отвечают на вопросы, актуальные именно для их транзакции, а не выбирают из общих категорий. Это привело к сокращению числа ошибочно направленных запросов, так как мы с самого начала задавали правильные вопросы.

• Прояснение ожиданий на старте: экран «Прежде чем начать», который сообщает клиентам, о чем мы будем спрашивать, какие доказательства помогут и что будет происходить дальше. Это дает возможность вовремя остановиться, если оформление жалобы на самом деле не то, что им нужно.

Прояснение ожиданий на старте: экран «Прежде чем начать», который сообщает клиентам, о чем мы будем спрашивать, какие доказательства помогут и что будет происходить дальше. Это дает возможность вовремя остановиться, если оформление жалобы на самом деле не то, что им нужно.

• Проверка доказательств с помощью LLM при отправке: она выявляет файлы низкого качества и предлагает клиенту исправить их до того, как дело попадет к человеку. Мы тщательно защищаемся от ложноположительных срабатываний: система отмечает только те загруженные материалы, в которых действительно не хватает нужного контекста, и всегда дает клиенту возможность заменить их или отправить заново вместо отклонения заявки.

Проверка доказательств с помощью LLM при отправке: она выявляет файлы низкого качества и предлагает клиенту исправить их до того, как дело попадет к человеку. Мы тщательно защищаемся от ложноположительных срабатываний: система отмечает только те загруженные материалы, в которых действительно не хватает нужного контекста, и всегда дает клиенту возможность заменить их или отправить заново вместо отклонения заявки.

Мы не угадывали — мы проводили эксперименты

Мы провели серию экспериментов в обеих командах и, что не менее важно, позволяли им указывать нам на наши ошибки.

Нашим первым побуждением было позволить клиентам описать проблему своими словами, а затем использовать LLM для маршрутизации. Это не сработало так, как мы надеялись: свободный текст от клиентов оказался недостаточно информативным для надежной маршрутизации. Но мы извлекли урок: это подтолкнуло нас к переходу от концепции «расскажите, что случилось» к концепции «вот что мы знаем, и вот какой может быть проблема».

Мы усвоили похожий урок, когда показывали клиентам больше информации об их платеже. Чрезвычайно персонализированный контекст для одного узкого сценария сработал блестяще, но почти не повлиял на общие показатели, так как охватил слишком мало клиентов. Общий контекст, показанный всем, сработал намного лучше. Каждый эксперимент — будь то успех или неудача — помогал точнее определить направления для дальнейших инвестиций.

Влияние

Мы провели 15 экспериментов за 6 месяцев (!) и оценивали каждый из них по отдельности. Но нам также было важно понять суммарный эффект. Поэтому с самого начала мы выделили контрольную группу — набор клиентов, не получавших никаких изменений, чтобы у нас всегда была честная база для сравнения. Это позволяет нам оценивать реальное влияние нашей работы.

• На 11% меньше расследований мошенничества по каждому клиенту благодаря тому, что меньше людей стали сообщать о вещах, которые изначально не были проблемами.

На 11% меньше расследований мошенничества по каждому клиенту благодаря тому, что меньше людей стали сообщать о вещах, которые изначально не были проблемами.

• На 9% меньше ошибочно направленных претензий, когда проблема с купленной вещью по ошибке заявляется как мошенничество, и на 6% меньше обращений, которые изначально были обречены на отказ. Более точные вопросы направляют людей туда, куда нужно.

На 9% меньше ошибочно направленных претензий, когда проблема с купленной вещью по ошибке заявляется как мошенничество, и на 6% меньше обращений, которые изначально были обречены на отказ. Более точные вопросы направляют людей туда, куда нужно.

• Примерно на 25% меньше напрасных усилий «за кулисами»: одна только проверка доказательств сократила объем ручной работы примерно на 26%, а количество повторных сообщений клиентам — на 28%.

Примерно на 25% меньше напрасных усилий «за кулисами»: одна только проверка доказательств сократила объем ручной работы примерно на 26%, а количество повторных сообщений клиентам — на 28%.

Главный вывод: дайте клиентам контекст вместо прохождения теста, и они будут принимать более правильные решения самостоятельно. Это выгоднее как для Monzo, так и для наших клиентов.

Что дальше?

Процесс урегулирования споров уже намного лучше, чем 18 месяцев назад. Мы считаем, что лишь прикоснулись к поверхности. У нас еще есть огромные возможности для улучшения клиентского опыта, и мы не останавливаемся.😀

Одно из направлений, которое мы хотим изучить: будущее, в котором подача претензии похожа на разговор с человеком, который уже знает контекст, понимает вашу ситуацию и четко ведет вас через все необходимые шаги.

Предпочитаете ли вы писать текст, говорить голосом или проходить по структурированным шагам — система подстроится под вас, а не вы под нее.

Хотите построить карьеру в Monzo?

Вот краткие итоги работы над спорами за последние 18 месяцев! Думаю, это отличный пример того, как мы решаем проблемы здесь, в Monzo: с помощью классных технологий, сильного продуктового мышления и всегда опираясь на данные. Если вы хотите работать в Monzo, мы открыли вакансии для Engineers и Engineering Managers, а также не забудьте заглянуть на нашу страницу карьеры, чтобы посмотреть полный список всех открытых позиций 🚀