Desafío

Blaze depende de Stripe para gestionar los pagos y la facturación por suscripción. A medida que la empresa crecía, rápidamente vio que los informes estándar del Dashboard se le quedaban cortos y que necesitaba una mayor visibilidad de los ingresos, la rotación y la retención.

El análisis de estos datos recayó en gran medida en John Snyder, director de análisis de Blaze, un equipo de un solo miembro que da soporte a producto, marketing, finanzas y al equipo ejecutivo. Con una capacidad limitada, Snyder necesitaba centrar su tiempo en el análisis, pero en su lugar dedicaba gran parte a la preparación manual de datos. Esto incluía exportar datos, unir datos de múltiples sistemas e incorporarlos manualmente al almacén de datos Snowflake de Blaze. Estos flujos de trabajo que consumían mucho tiempo ralentizaron el tiempo dedicado a obtener conocimientos y levantaron preocupaciones sobre la fiabilidad de los datos.

Con el lanzamiento de nuevos productos y una base de usuarios en rápido crecimiento, Blaze necesitaba una forma más rápida y escalable de explorar sus datos y asegurar que las decisiones se tomaran basándose en conocimientos precisos. La empresa necesitaba una solución que pudiera gestionar sus crecientes necesidades de datos sin aumentar la carga para su pequeño equipo de analítica.

Solución

Blaze decidió implementar Sigma Stripe yData Pipeline.

Blaze utiliza Stripe Sigma para consultar los datos de Stripe Billing rápidamente y crear informes personalizados usando SQL directamente en el Dashboard. Snyder suele partir de las plantillas SQL preconstruidas de Stripe Sigma—como el crecimiento activo de suscriptores, el crecimiento de MRR con el paso del tiempo y la tasa de abandono de suscriptores—y las personaliza segmentando datos en diferentes dimensiones para entender qué está afectando al rendimiento. Estas plantillas le proporcionan un punto de partida ágil para el análisis y, dado que Stripe Sigma ejecuta consultas directamente sobre la fuente fiable de Stripe, el equipo puede confiar en la precisión de cada informe.

Para eliminar el movimiento manual de datos, Blaze implementó Data Pipeline para sincronizar automáticamente los datos de Stripe con Snowflake de forma continua. En menos de 24 horas, Snyder completó la instalación y se pudo acceder a todos los datos de Stripe de Blaze en su almacén de datos, sin necesidad de realizar trabajos de ingeniería.

«Nuestros datos recientes de Stripe están siempre disponibles, lo cual es muy importante para nosotros porque operamos con mucha urgencia y nos gusta movernos lo más rápido posible. Data Pipeline también me da confianza en nuestros datos: todo se sincroniza perfectamente y es seguro», comentó Snyder.

Además de automatizar la entrega de datos, Data Pipeline proporciona a Blaze tablas listas para analizar y conjuntos de datos de eventos de cambio de elementos de suscripción para Data Pipeline, lo que acelera la elaboración de informes y el análisis. Snyder se apoya en gran medida en el conjunto de datos de eventos de cambio de elementos de suscripción, que ofrece una visión limpia y estructurada de cada cambio en el MRR del artículo de suscripción.

Resultados

Stripe Sigma y Data Pipeline ayudan a identificar perfiles de clientes ideales y a reducir el coste de adquisición en un 25 %

Utilizando Stripe Sigma y Data Pipeline juntos, Snyder ya puede identificar los grupos de clientes de mayor valor de Blaze. Comienza este análisis en Stripe Sigma, utilizando la tasa de abandono de suscriptores con el paso del tiempo y plantillas SQL preconstruidas de ARPU. Tras modificar estas plantillas, pega las consultas en Snowflake y las enriquece con datos adicionales de Stripe obtenidos a través de Data Pipeline, junto con los datos de perfiles de clientes procedentes de otros sistemas.

Al unificar estos conjuntos de datos, Snyder ha calculado la conversión de las opciones de prueba a las de pago, retención y LTV en diferentes cohortes, revelando qué clientes ofrecen el mayor valor a largo plazo. Estos conocimientos ayudaron a Blaze a definir sus perfiles ideales de clientes y optimizar su marketing y posicionamiento de producto, lo que finalmente provocó una reducción del 25 % en el coste de adquisición de clientes.

Los conjuntos de datos de suscripción seleccionados aportan información más profunda sobre los productos e ingresos

Con los conjuntos de datos seleccionados y listos para analizar de Data Pipeline, como la tabla de cambios de eventos de artículos de suscripción, Snyder ya puede analizar el comportamiento de suscripción y los cambios en los ingresos mucho más rápido. El conjunto de datos le permitió medir fácilmente la retención de suscripciones mes a mes y diagnosticar el rendimiento del nuevo producto Autopilot de Blaze, donde identificó una mejora del 30 % en la retención. También utilizó este conjunto de datos para entender qué estaba impulsando los cambios en los ingresos (si el crecimiento provenía de nuevas suscripciones, reducción de la rotación o ambas cosas) y descubrió que una parte significativa de los nuevos ingresos provenía de los clientes que compraban múltiples suscripciones.

El análisis del ciclo de vida del cliente da ideas para mejorar el nuevo producto Autopilot de Blaze

Al centralizar los datos de Stripe con los conjuntos de datos sobre el consumo, marketing y CRM de productos en Snowflake, Snyder creó una visión unificada de cómo progresan los usuarios a través del nuevo producto Autopilot de Blaze: desde la inscripción gratuita de prueba, hasta la conversión, retención y abandono de productos. Esto le permitió analizar el ciclo de vida del cliente y entender qué comportamientos se correlacionaban con mejores resultados de suscripción.

Se elimina un día completo de trabajo mensual gracias a la información financiera automatizada

Con Data Pipeline para asegurar que los datos de Stripe de Blaze estén disponibles de forma continua en Snowflake y estén centralizados con todos los demás datos de empresa, Snyder elaboró un informe mensual automatizado de ingresos para que el equipo contable calculara los ingresos diferidos, junto con otros informes financieros. Lo que antes requería un día completo de trabajo manual cada mes ahora funciona automáticamente, liberando así un tiempo que puede dedicarse a trabajos de mayor impacto.

Visibilidad más rápida y clara de los factores que afectan a métricas clave de SaaS

Stripe Sigma le da a Blaze una forma más rápida de explorar y entender qué está influyendo en el MRR, la rotación y la retención. Por ejemplo, Snyder utilizó la plantilla SQL prediseñada «Métricas de suscripción por día (MRR acumulado)» para ver los cambios diarios de MRR y suscriptores, y después modificó la consulta para desglosar los datos por producto, cohorte y otras dimensiones. Esto ayudó a identificar qué productos generaban nuevas suscripciones y cuáles contribuían a la rotación, con lo que se consigue información sobre las estrategias de crecimiento y reducción de la rotación de Blaze.