Die Herausforderung

Blaze nutzt Stripe für Zahlungen und die Abrechnung von Abonnements. Mit dem Wachstum des Unternehmens war die Standardberichterstattung über Dashboards nicht mehr ausreichend. Tiefere Einblicke in Umsatz, Abwanderung und Kundenbindung waren erforderlich.

Für das Parsen dieser Daten war größtenteils der Analytikleiter von Blaze, John Snyder, zuständig. Als Ein-Personen-Team unterstützte er die Bereiche Produkte, Marketing, Finanzen und die Geschäftsführung. Da die Bandbreite begrenzt war, musste Snyder seine Zeit auf die Analyse konzentrieren, verbrachte aber einen Großteil davon mit der manuellen Datenvorbereitung. Dazu gehörte das Exportieren von Daten, das Zusammenfügen von Daten aus mehreren Systemen und die manuelle Eingabe in das Snowflake Data Warehouse von Blaze. Diese zeitaufwendigen Abläufe verzögerten den Erkenntnisgewinn und warfen Bedenken hinsichtlich der Datenzuverlässigkeit auf.

Angesichts der Einführung neuer Produkte und einer schnell wachsenden Nutzerbasis benötigte Blaze eine schnellere, leichter skalierbare Möglichkeit, seine Daten zu analysieren und sicherzustellen, dass Entscheidungen auf genauen Erkenntnissen basieren. Dem Unternehmen fehlte eine Lösung, die den wachsenden Datenbedarf bewältigen konnte, ohne das kleine Analyseteam zusätzlich zu belasten.

Die Lösung

Blaze entschied sich für die Implementierung von Stripe Sigma und Data Pipeline.

Blaze verwendet Stripe Sigma für die schnelle Abfrage von Stripe Billing-Daten und die Erstellung benutzerdefinierter Berichte mit SQL direkt im Dashboard. John Snyder beginnt oft mit den vorgefertigten SQL-Vorlagen von Stripe Sigma – wie Zuwachs aktiver Abonnements, MRR-Wachstum im Laufe der Zeit und Abwanderungsquote. Er passt sie anschließend an, indem er Daten in verschiedenen Dimensionen segmentiert, um herauszufinden, was sich auf das Ergebnis auswirkt. Diese Vorlagen bieten ihm schnell eine Ausgangsbasis für Analysen. Da Stripe Sigma Abfragen direkt mit der Source of Truth von Stripe ausführt, kann sich das Team auf die Richtigkeit jedes Berichts verlassen.

Um manuelle Datenbewegungen zu vermeiden, implementierte Blaze Data Pipeline, damit Stripe-Daten laufend automatisch mit Snowflake synchronisiert werden. Innerhalb von 24 Stunden schloss Snyder die Einrichtung ab. Alle Stripe-Daten von Blaze waren daraufhin in seinem Data Warehouse zugänglich – ohne fortlaufenden Entwicklungsaufwand.

„Unsere aktuellen Stripe-Daten stehen immer zur Verfügung. Das ist für uns enorm wichtig, da wir mit großer Dringlichkeit arbeiten und so schnell wie möglich agieren möchten. Data Pipeline gibt mir auch Vertrauen in unsere Daten – alles wird reibungslos synchronisiert und ist sicher“, so Snyder.

Neben der automatischen Datenübermittlung stellt Data Pipeline Blaze exklusive Tabellen und kuratierte Datensätze für Analysen bereit, die die Berichterstattung und Analyse beschleunigen. Snyder verlässt sich besonders auf den Datensatz für Änderungsereignisse von Abonnementartikeln. Dieser liefert einen klaren, strukturierten Überblick über die MRR-Änderung jedes Abonnementartikels.

Die Ergebnisse

Stripe Sigma und Data Pipeline helfen bei der Identifizierung idealer Kundenprofile und senken die Akquisitionskosten um 25 %

Mithilfe von Stripe Sigma und Data Pipeline kann Snyder jetzt die umsatzstärksten Kundengruppen von Blaze ermitteln. Für diese Analyse nutzt er in Stripe Sigma die Abwanderungsquote von Abonnentinnen und Abonnenten im Zeitverlauf sowie vorgefertigte SQL-Vorlagen für ARPU. Nachdem er diese Vorlagen geändert hat, fügt er die Abfragen in Snowflake ein. Dann ergänzt er sie mit zusätzlichen Stripe-Daten, die über Data Pipeline bereitgestellt werden, sowie mit Daten zu Kundentypen aus anderen Systemen.

Durch die Vereinheitlichung dieser Datensätze hat Snyder die Konversion von Testversion zu kostenpflichtiger Version, Kundenbindung und LTV über verschiedene Kohorten hinweg berechnet. So konnte er feststellen, welche Kundinnen und Kunden langfristig den größten Wert erzeugen. Mithilfe dieser Erkenntnisse konnte Blaze die idealen Kundenprofile definieren und seine Marketing- und Produktpositionierung optimieren. Das hat letztlich zu einer Senkung der Kundenakquisitionskosten um 25 % geführt.

Umfassendere Produkt- und Umsatzerkenntnisse durch kuratierte Abonnement-Datensätze

Dank der kuratierten, analysefähigen Datensätze von Data Pipeline – wie der Tabelle für Änderungsereignisse von Abonnementartikeln – kann Snyder jetzt Abonnementverhalten und Umsatzänderungen viel schneller analysieren. Mit dem Datensatz konnte er die monatliche Abonnement-Kundenbindung mühelos messen und die Leistung des neuen Autopilot-Produkts von Blaze diagnostizieren. Dabei stellte er eine Steigerung der Kundenbindung um 30 % fest. Er nutzte diesen Datensatz auch, um Umsatzänderungen auf den Grund zu gehen, etwa ob Wachstum durch neue Abonnements, geringere Abwanderung oder beides bedingt war. Dabei stellt er fest, dass ein erheblicher Teil des neuen Umsatzes von Kundinnen und Kunden stammte, die mehrere Abonnements kauften.

Analyse des Customer Lifecycle liefert Erkenntnisse zur Verbesserung des neuen Autopilot-Produkts von Blaze

Durch die Zentralisierung von Stripe-Daten mit Datensätzen zu Produktnutzung, Marketing und CRM in Snowflake konnte Snyder eine einheitliche Ansicht dazu erstellt, wie Nutzer/innen das neue Autopilot-Produkt von Blaze durchlaufen – von der kostenlosen Testversion über Konversion, Kundenbindung bis zur Abwanderung. So konnte er den Customer Lifecycle analysieren und herausfinden, welches Verhalten mit stärkeren Abonnementergebnissen korrelierte.

Ein ganzer Tag monatliche Arbeit entfällt durch automatisierte Finanzberichterstattung

Da Data Pipeline sicherstellt, dass die Stripe-Daten von Blaze kontinuierlich in Snowflake verfügbar sind und mit allen anderen Unternehmensdaten zentralisiert werden, erstellte Snyder einen automatischen monatlichen Umsatzbericht für das Buchhaltungsteam, um Umsatzabgrenzungsposten zusammen mit anderen Finanzberichten zu kalkulieren. Was zuvor jeden Monat einen ganzen Tag manueller Arbeit erforderte, wird jetzt automatisch ausgeführt. Daher kann er sich nun Tätigkeiten mit größerer Wirkung widmen.

Schnellere, klarere Einblicke in Faktoren, die sich auf wichtige SaaS-Kennzahlen auswirken

Mit Stripe Sigma kann Blaze schneller herausfinden und nachvollziehen, was sich auf den MRR, die Abwanderung und die Kundenbindung auswirkt. Snyder hat beispielsweise die vorgefertigte SQL-Vorlage „Abonnementmetriken pro Tag (MRR-Rollforward)“ verwendet, um tägliche MRR- und Abonnentenänderungen anzuzeigen, und dann die Abfrage angepasst, um die Daten nach Produkt, Gruppe und anderen Dimensionen aufzuschlüsseln. So konnte ermittelt werden, welche Produkte für neue Abonnements gesorgt und welche zur Abwanderung beigetragen haben. Diese Erkenntnisse waren die Grundlage für die Strategien von Blaze für mehr Wachstum und weniger Abwanderung.