O desafio

A Blaze conta com a Stripe em relação à tecnologia de pagamentos e faturamento de assinatura. À medida que a empresa crescia, ela rapidamente superou os relatórios padrão do dashboard e precisava de uma visibilidade mais profunda em relação à receita, cancelamento e retenção.

A análise desses dados ficou em grande parte a cargo de John Snyder, chefe de análise da Blaze, uma equipe de apenas uma única pessoa apoiando a equipe de produto, marketing, finanças e a equipe executiva. Com largura de banda limitada, Snyder precisava focar seu tempo em análises, mas passou grande parte dele na preparação manual dos dados. Isso incluía exportar dados, reunir dados de múltiplos sistemas e alimentá-los manualmente no armazém de dados Snowflake da Blaze. Esses fluxos de trabalho demorados retardaram o tempo para conseguir insights e aumentaram as preocupações em relação à confiabilidade dos dados.

Com novos produtos sendo lançados e uma base de usuários em rápido crescimento, a Blaze precisava de uma forma mais rápida e dimensionável de explorar seus dados e garantir que as decisões fossem fundamentadas em insights precisos. A empresa precisava de uma solução que pudesse gerenciar suas crescentes necessidades por dados sem aumentar o peso sobre sua pequena equipe de análise.

A solução

A Blaze optou por implementar o Stripe Sigma e o Data Pipeline.

A Blaze usa o Stripe Sigma para consultar dados do Stripe Billing rapidamente e desenvolver relatórios personalizados usando SQL diretamente no Dashboard. Frequentemente, Snyder começa com os modelos SQL pré-desenvolvidos do Stripe Sigma, como crescimento ativo de assinantes, crescimento do MRR ao longo do tempo e a taxa de perda de clientes, e os personaliza fatiando dados em diferentes dimensões para entender o que está impactando o desempenho. Esses modelos lhe dão um ponto de partida rápido para análise, e como o Stripe Sigma executa consultas diretamente na fonte de dados centralizada da Stripe, a equipe pode confiar na precisão de cada relatório.

Para eliminar o movimento manual de dados, a Blaze implementou o Data Pipeline para sincronizar automaticamente os dados da Stripe com o Snowflake de forma contínua. Em 24 horas, Snyder concluiu a configuração, e todos os dados da Blaze na Stripe estavam acessíveis em seu armazém de dados, sem a necessidade de um trabalho de engenharia contínuo.

"Nossos dados recentes da Stripe estão sempre disponíveis para acesso, o que é muito importante para nós porque operamos com muita urgência e gostamos de agir o mais rápido possível. O Data Pipeline também traz confiança para os nossos dados, tudo é sincronizado perfeitamente e é seguro", afirma Snyder.

Além de automatizar a entrega de dados, o Data Pipeline fornece à Blaze tabelas prontas para análise e conjuntos de dados selecionados, exclusivos do Data Pipeline, o que acelera relatórios e análises. Snyder depende fortemente do conjunto de dados de eventos de alteração de itens de assinatura, que oferece uma visão limpa e estruturada de cada alteração de MRR dos itens de assinatura

Resultados

O Stripe Sigma e o Data Pipeline ajudam a identificar perfis ideais de clientes e reduzir o custo de aquisição em 25%

Usando o Stripe Sigma e o Data Pipeline em conjunto, Snyder agora pode identificar os grupos de clientes de maior valor da Blaze. Ele inicia essa análise no Stripe Sigma, usando a taxa de perda de clientes ao longo do tempo e modelos SQL pré-desenvolvidos em ARPU. Após modificar esses modelos, ele cola as consultas no Snowflake e as enriquece com mais dados da Stripe entregues pelo Data Pipeline, junto com dados de personas de clientes de outros sistemas.

Ao unificar esses conjuntos de dados, Snyder calculou a conversão de teste para pago, retenção e LTV entre diferentes grupos, revelando quais clientes entregam o maior valor a longo prazo. Esses insights ajudaram a Blaze a definir seus perfis ideais de clientes e otimizar seu marketing e o posicionamento de produtos, levando a uma redução de 25% no custo de aquisição de clientes.

Conjuntos de dados de assinatura selecionados geram insights mais profundos sobre produtos e receitas

Com os conjuntos de dados selecionados e prontos para análise do Data Pipeline, como a tabela de eventos de alteração de itens de assinatura, agora Snyder consegue analisar o comportamento das assinaturas e as variações de receita de forma muito mais rápida. Esse conjunto de dados permitiu que ele mensurasse facilmente a retenção de assinaturas mês a mês e avaliasse o desempenho do novo produto da Blaze, o Autopilot, no qual identificou uma melhoria de 30% na retenção. Ele também utilizou esse conjunto de dados para compreender o que estava impulsionando as mudanças de receita, se o crescimento vinha de novas assinaturas, da redução cancelamento de clientes, ou de ambos, e descobriu que uma parcela significativa da nova receita estava vindo de clientes que adquiriram múltiplas assinaturas

Análise do ciclo de vida do cliente revela insights para melhorar o novo produto da Blaze, o Autopilot

Ao centralizar os dados da Stripe com o uso de produtos, marketing e o conjuntos de dados de CRM no Snowflake, Snyder criou uma visão unificada de como os usuários progridem pelo novo produto da Blaze, o Autopilot, desde o registro gratuito na avaliação, até conversão, retenção e cancelamento. Isso permitiu que ele analisasse o ciclo de vida do cliente e entendesse quais comportamentos se correlacionavam com os resultados de assinatura mais fortes.

Um dia inteiro de trabalho mensal é eliminado com relatórios financeiros automatizados

Com o Data Pipeline garantindo que os dados da Stripe na Blaze estejam continuamente disponíveis no Snowflake e centralizados com todos os demais dados de negócio, Snyder desenvolveu um relatório automatizado de receita mensal para a equipe de contabilidade calcular a receita diferida, além de outros relatórios financeiros. O que antes exigia um dia inteiro de trabalho manual a cada mês agora é executado automaticamente, liberando o tempo para se dedicar a atividades de maior impacto.

Visibilidade mais rápida e clara dos fatores que impactam as principais métricas de SaaS

O Stripe Sigma dá a Blaze uma forma mais rápida de explorar e entender o que está influenciando o MRR, o cancelamento e a retenção. Por exemplo, Snyder usou o modelo SQL pré-desenvolvido "Subscription metrics per day (MRR roll-forward)" para visualizar as mudanças diárias de MRR e assinantes, e depois modificou o consulta para dividir os dados por produto, segmento e outras dimensões. Isso ajudou a identificar quais produtos estavam gerando novas assinaturas e quais contribuíam para o cancelamento, revelando as estratégias de crescimento e redução de cancelamento da Blaze.