分享
在一家跨境企业的支付服务商选型会上，两家竞标服务商分别展示了 90% 和 80% 的支付成功率。如果单看表面数字，决策团队很容易认为前者拥有更优的支付表现。然而，当技术团队进一步拆解底层数据时，发现两个数字背后的统计口径并不一致。服务商 A 报告的是订单层级成功率（90%），而服务商 B 报告的是支付请求层级成功率（80%）。如果统一以订单层级成功率作为衡量标准，服务商 B 的成功率实际上达到了 92%，高于服务商 A 的 90%。如果商户仅依据表面的成功率数字选择支付服务商，而忽略背后的统计方法，就无法准确判断支付服务商的综合能力。
支付成功率是评估支付服务商的重要指标，却也最容易被误读。比较不同服务商的支付成功率时，不能只看最终百分比，还要确认三点：双方是否采用相同的统计口径，交易样本和测试条件是否具有可比性，以及在排除不可控因素后，支付服务商能否帮你精准解读支付失败的原因。只有综合考察这三个方面，支付成功率才真正具有商业参考价值。
第一个问题：统计口径是一致的吗？
支付成功率的统计口径，是指计算支付成功率时所采用的统计标准，包括统计对象（订单还是支付请求）和统计起点（进入收银台还是发起支付）。
线上支付并不是一个单一动作，而是一条完整的交易链路，通常包括：用户进入收银台 - 选择支付方式 - 输入支付信息 - 3DS 身份验证 - 银行授权 - 商户确认 - 资金清算。
在这条链路中，不同支付服务商可能选择不同的统计对象和统计起点，因此即使处理同一批交易，也可能得出完全不同的支付成功率。
- 统计对象：统计的是订单还是支付请求？假设 100 位用户购买机票，其中 90 人一次支付成功，另外 10 人由于银行卡余额不足，平均重试 3 次后最终完成支付。最终结果是：100 位用户全部成功购买机票。
- 按订单层级统计：100 人进入收银台，最终100 笔订单支付成功，支付成功率是 100 ÷100 ×100%= 100%
- 按支付请求层级统计：记录每次点击支付和失败后的重试，总请求数为 90+(10×3)=120 次，100 笔成功，支付成功率就变成了100 ÷ 120 ×100% = 83.3%。由于支付请求层级包含重试的次数，导致分母更大，因而成功率通常更低）
统计起点：假设 100 位用户进入收银台，其中20人因为没有看到熟悉的支付方式，或认为支付流程不够便利而选择离开，剩余80 人发起支付请求，最终银行批准 76 笔交易。如果从进入收银台页面开始统计，支付成功率为 76%；而如果从发起支付请求开始统计，成功率则升至 95%。同样都是76笔成功交易，因为统计的起点不同，最终得到两个完全不同的数字。
因此，在比较不同支付服务商的支付成功率时，必须首先确认统计口径是否一致。
第二个问题：你比较的是同一类交易，并且是在同等条件下比较吗？
即使统计口径保持一致，支付成功率也未必具备直接可比性。因为支付成功率并不是一个孤立指标，而是受到交易结构、路由分配方式以及测试方法等多重因素影响。换句话说，在比较不同支付服务商时，不仅需要确认双方统计的是不是同一种交易，还需要判断这些交易是否是在公平的条件下进行比较。只有交易样本具有可比性，测试方法足够科学，支付成功率这个数字才真正具有商业参考价值。
首先，需要确认交易结构是否一致
在支付行业，交易结构是指一批交易样本中，不同交易类型、支付方式、用户特征和业务场景等因素的分布情况。
交易结构对支付成功率的影响主要体现在以下几个方面：
- 支付方式 常见支付方式包括国际银行卡、数字钱包、本地支付方式和银行转账。不同的支付方式由于交易流程和验证机制不同，支付成功率存在差异，尤其需要注意的是数字钱包与银行卡之间的区别。以 Apple Pay 和 Google Pay 为例，虽然底层资金仍然通过银行卡网络完成交易，但数字钱包通过设备认证、令牌化支付凭证以及更简化的交互流程，减少了用户输入错误、身份验证失败等环节，因此其支付成功率明显高于传统银行卡支付。如果商户将 Apple Pay、Google Pay 等数字钱包交易与普通银行卡交易合并统计，会导致支付服务商之间的比较失去参考意义。
- 国家、地区与发卡银行 支付成功率与交易所处的支付生态环境密切相关。不同国家和地区在银行卡普及率、银行系统成熟度、支付基础设施以及网络稳定性等方面存在差异，这些因素都会影响支付成功率。同时，不同发卡银行的风险偏好、授权模型和跨境交易策略也不尽相同。
- 本地与跨境属性 跨境交易由于跨越不同国家和支付网络，发卡行可能会采用更为严苛的风控策略，导致其授权成功率低于本地收单。因此，如果一家服务商主要处理本地收单，而另一家主要处理跨境收单，两者的支付成功率不具备直接可比性。
- 用户特征与订单金额 首次购买的新用户由于缺少历史交易记录，银行可用于判断可信度的信息较少，授权时会更加谨慎；而大额订单通常会触发更严格的反欺诈和风险控制策略。因此，不同用户群体和金额区间的交易，其支付成功率也存在明显差异。
- 风控和核身验证策略 商户在风控层的核身验证策略主要分为全量 3DS与动态 3DS两类：前者对每一笔订单均进行强制核身验证；后者则依托风控模型进行实时风险评估，仅对高风险订单发起核身验证，对安全订单直接放行（3DS 豁免），从而在保障资金安全的同时优化支付体验。商户在不同市场往往会根据当地消费者的支付习惯配置差异化的核身策略，因此，在对比支付成功率时，必须确保风控核身验证策略是一致的。
除 3DS 策略外，不同收单方的欺诈风险规则也会影响支付成功率。更严格的风险规则会在授权前拦截更多交易，而更宽松的规则会允许更多订单进入授权环节。因此，在比较不同支付服务商时，需要确保欺诈风险规则保持一致。
其次，需要确认路由分配和测试方法是否公平
除了交易结构之外，比较方法本身也会影响最终结论。在确认统计口径和交易结构后，必须评估路由分配是否公平以及测试方法是否科学：
- 商户路由策略
一些大型商户会基于 BIN（银行识别码）进行智能路由，将特定发卡银行或卡类型的交易优先分配给历史表现更优的支付服务商。如果不同支付服务商获取的交易流量并非随机分配，而是经过类似的定向路由，那么直接对比支付成功率显然会产生偏差。
- 科学的 A/B 测试
科学的比较方式是在同一时间窗口，把同一批交易随机分配给不同的支付服务商。在足够大的样本规模下，国家、卡种、支付方式、订单金额等变量会在统计意义上趋于平衡，从而更准确地反映支付服务商真实的能力。如果由于业务原因无法开展 A/B 测试，那么也需要充分考虑季节性变化、营销活动、用户结构、发卡银行分布以及交易规模等因素，避免因为测试方法不合理而得出错误结论。
第三个问题：在排除不可控因素后，支付服务商能否帮你精准解读支付失败的原因？
支付失败的原因可能涉及交易链路中的多个环节，其中一部分失败的支付属于支付服务商可以通过技术优化改善的范围，而另一部分则受到用户、发卡银行或外部支付环境影响，并非服务商能够控制，例如，银行卡余额不足、超过单笔或单日交易限额、卡片被冻结或挂失，以及跨境支付合规限制、国际制裁等不可控因素。如果一家支付服务商处理了更多此类低成功率交易，其整体支付成功率可能下降，但这并不代表其技术能力较弱。因此，在比较支付服务商时，需要拆解失败原因，只有排除不可控因素的影响，才能更准确评估支付服务商的真实能力。
不同支付服务商对同一笔失败交易的分类方式可能完全不同。例如，发卡行返回了一条标准响应码 —— 05：Do Not Honor（拒绝交易），由于 "Do Not Honor" 没有明确告知拒绝的原因，不同的支付服务商会根据自己的拒绝原因分类体系对它进行归类。如果直接比较这些二次加工后的报表，将无法看清发卡行的真实决定。因此，真正值得关注的是：支付服务商能否帮你解读拒绝码并真正理解交易被拒的原因。如果你希望进一步了解一笔交易为什么会被发卡行拒绝，以及如何基于拒绝码分析失败原因并制定优化策略，欢迎阅读 Antom 专题文章《解码跨境支付黑盒：为什么你的客户明明想付款，银行却拒绝了？》。
如果你想进一步了解如何挽回本来可能失败的订单，欢迎阅读Antom专题文章《告别订单流失：Antom卡收入增长引擎挽回每一分潜在收入》
写在最后：公平比较，才能找到真正创造商业价值的支付伙伴
评估支付服务商不仅是一项技术决策，更是一项直接影响企业收入的商业决策。如果由于不公平的比较，误选了实际表现较弱的支付服务商，商户可能长期面临更高的支付失败率以及潜在收入损失。因此，在评估支付服务商的过程中，商户需要投入足够时间建立公平、一致且具备业务意义的比较基准，遵循“统计口径一致、比较条件公平、失败归因与收入挽回能力” 三个维度进行评估。只有在同一起跑线上进行比较，商户才能准确判断不同支付服务商的真实表现，并选择真正能够带来商业价值的长期合作伙伴。
建立科学的评估体系是准确理解并优化支付成功率的关键所在。想要更全面地了解您的真实支付表现？Antom 可从支付方式、国家和地区、发卡行、交易金额及拒绝原因等多个维度，帮助企业拆解支付表现，识别影响支付成功率的关键因素，建立更科学、更公平的支付服务商评估体系。
填写表单，预约 Antom 支付专家，获取针对您业务的支付成功率分析与优化建议。
