Défi
Blaze s’appuie sur Stripe pour gérer ses paiements et la facturation de ses abonnements. Avec sa croissance rapide, les rapports classiques du Dashboard ne suffisaient plus, et l’entreprise avait besoin d’une vision plus claire de ses revenus, de son taux d’attrition et de sa fidélisation.
L'analyse de ces données incombait en grande partie à John Snyder, responsable analytique chez Blaze, une équipe composée d'une seule personne qui soutenait les équipes produit, marketing, finance et direction. Disposant d'une marge de manœuvre limitée, M. Snyder devait consacrer son temps à l'analyse, mais il passait en réalité une grande partie de celui-ci à préparer manuellement les données. Cela impliquait d'exporter les données, de les assembler à partir de plusieurs systèmes et de les intégrer manuellement dans l'entrepôt de données Snowflake de Blaze. Ces workflows chronophages ralentissaient l'obtention d'informations exploitables et soulevaient des questions quant à la fiabilité des données.
Avec le lancement de nouveaux produits et une base d’utilisateurs en forte croissance, Blaze avait besoin d’un moyen plus rapide et évolutif pour explorer ses données et s’assurer que ses décisions reposaient sur des informations fiables. L’entreprise avait besoin d’une solution capable de gérer ses besoins croissants en données sans alourdir la charge de sa petite équipe analytique.
Solution
Blaze a choisi de mettre en place Stripe Sigma et Data Pipeline.
Blaze s’appuie sur Stripe Sigma pour interroger rapidement les données de Stripe Billing et créer des rapports personnalisés en SQL directement dans le Dashboard. Snyder utilise souvent les modèles SQL prédéfinis de Stripe Sigma, comme la croissance des abonnés actifs, l’évolution du MRR ou le taux d’attrition des abonnés, puis les adapte en segmentant les données selon différentes dimensions pour identifier les facteurs qui influencent les performances. Ces modèles lui offrent un point de départ efficace pour ses analyses et, comme Stripe Sigma exécute les requêtes sur la source de vérité de Stripe, l’équipe peut compter sur la fiabilité de chaque rapport.
Stripe Sigma m’a fait gagner un temps fou. Il y a plein de modèles SQL déjà prêts à l’emploi, et tous les rapports du Dashboard Billing sont aussi disponibles dans Stripe Sigma sous forme de modèles. Je peux ensuite voir le SQL derrière chaque indicateur et adapter la requête pour comprendre ce qui le fait augmenter ou baisser.
Pour supprimer les transferts de données manuels, Blaze a mis en place Data Pipeline afin de synchroniser automatiquement les données Stripe avec Snowflake de manière continue. En moins de 24 heures, Snyder a terminé la configuration, et toutes les données Stripe de Blaze étaient accessibles dans son entrepôt de données, sans qu’aucun travail d’ingénierie supplémentaire ne soit nécessaire.
« Nos données Stripe récentes sont toujours accessibles, ce qui est très important pour nous, car on doit souvent agir vite et avancer rapidement. Data Pipeline me donne aussi confiance dans nos données : tout se synchronise parfaitement et en toute sécurité », a expliqué Snyder.
En plus d’automatiser l’envoi de données, Data Pipeline fournit à Blaze des tables prêtes pour l’analyse et des jeux de données sélectionnés, exclusifs à Data Pipeline, qui accélèrent les rapports et l’analyse. Snyder s’appuie fortement sur le jeu de données des événements de modification des éléments d’abonnement, qui offre une vue propre et structurée de l’évolution du MRR de chaque élément d’abonnement.
Dans mon expérience précédente, notre responsable BI mettait plusieurs semaines à créer un jeu de données similaire et devait ensuite en assurer la maintenance. Je n’ai pas besoin de gérer cette maintenance et je peux avoir confiance dans les résultats que je partage avec mon équipe. Les tables sélectionnées fournies par Data Pipeline, prêtes à l’emploi, offrent une base puissante sur laquelle s’appuyer. Sinon, je devrai recomposer toutes ces données moi-même, et je n’ai pas le temps pour cela.
Résultats
Stripe Sigma et Data Pipeline aident à identifier les profils clients idéaux et à réduire le coût d’acquisition de 25 %
En combinant Stripe Sigma et Data Pipeline, Snyder peut maintenant identifier les cohortes de clients les plus précieux de Blaze. Il lance cette analyse dans Stripe Sigma en s’appuyant sur les modèles SQL prédéfinis du taux d’attrition des abonnés au fil du temps et de l’ARPU. Après avoir adapté ces modèles, il transfère les requêtes dans Snowflake et les complète avec des données supplémentaires de Stripe fournies via Data Pipeline, ainsi que les données de persona client issues d’autres systèmes.
En unifiant ces jeux de données, Snyder a calculé la conversion des essais gratuits en abonnements payants, la rétention et la LTV selon différentes cohortes, ce qui a permis d’identifier les clients apportant le plus de valeur sur le long terme. Ces analyses ont aidé Blaze à définir ses profils clients idéaux et à optimiser son positionnement marketing et produit, entraînant finalement une réduction de 25 % du coût d’acquisition client.
Les ensembles de données d’abonnement sélectionnés permettent d’obtenir des informations plus approfondies sur le produit et les revenus
Avec les jeux de données sélectionnés et prêts pour l’analyse de Data Pipeline, comme la table des événements de modification des éléments d’abonnement, Snyder peut désormais analyser beaucoup plus rapidement le comportement d’abonnement et les évolutions de revenus. Ce jeu de données lui a permis de mesurer aisément la rétention mensuelle des abonnements et d’évaluer les performances du nouveau produit Autopilot de Blaze, où il a identifié une amélioration de 30 % de la rétention. Il s’en est également servi pour comprendre ce qui influençait les variations de revenus, que la croissance provienne de nouveaux abonnements, d’une baisse du taux d’attrition ou des deux, et il a découvert qu’une part importante des nouveaux revenus était générée par des clients achetant plusieurs abonnements.
L’analyse du cycle de vie client fait émerger des informations permettant d’améliorer le nouveau produit Autopilot de Blaze
En centralisant les données Stripe avec les données d’utilisation produit, marketing et CRM dans Snowflake, Snyder a créé une vue unifiée du parcours des utilisateurs dans le nouveau produit Autopilot de Blaze, de l’inscription à l’essai gratuit jusqu’à la conversion, la rétention et le taux d’attrition. Cela lui a permis d’analyser le cycle de vie des clients et de comprendre quels comportements étaient corrélés à de meilleurs résultats d’abonnement.
Un jour entier de travail chaque mois est économisé grâce aux rapports financiers automatisés
Avec Data Pipeline garantissant que les données Stripe de Blaze sont continuellement disponibles dans Snowflake et centralisées avec toutes les autres données de l’entreprise, Snyder a mis en place un rapport mensuel automatisé sur les revenus pour l’équipe comptable afin de calculer les revenus différés, ainsi que d’autres rapports financiers. Ce qui prenait auparavant une journée complète de travail manuel chaque mois s’exécute maintenant automatiquement, permettant à Snyder de consacrer son temps à des missions à plus fort impact.
Obtenez une vue plus rapide et plus claire des facteurs qui impactent vos indicateurs clés SaaS
Stripe Sigma permet à Blaze d’explorer plus rapidement et de comprendre ce qui influence le MRR, le taux d’attrition et la rétention. Par exemple, Snyder a utilisé le modèle SQL prédéfini « Indicateurs d’abonnement par jour (évolution du MRR) » pour suivre les évolutions quotidiennes du MRR et du nombre d’abonnés, puis a adapté la requête pour détailler les données par produit, cohorte et autres dimensions. Cela a aidé à identifier quels produits stimulaient de nouveaux abonnements et quels produits contribuaient au taux d’attrition, guidant les stratégies de croissance et de fidélisation de Blaze.
Nous utilisons Stripe Sigma et Data Pipeline comme des membres de notre équipe. Data Pipeline est mon ingénieur de données, et Stripe Sigma mon analyste.
