Défi

Blaze s’appuie sur Stripe pour alimenter les paiements et les abonnements de facturation. Avec l’expansion de l’entreprise, le suivi standard sur le Dashboard a rapidement été dépassé et une visibilité plus approfondie des revenus, de la résiliation et de la fidélisation s’est révélée nécessaire.

L’analyse de ces données est en grande partie revenue à John Snyder, directeur de l’analytique chez Blaze : une équipe composée d’une personne pour la prise en charge des produits, du marketing, ainsi que des finances et de l’équipe de direction. Avec une bande passante limitée, Snyder devait principalement se concentrer sur l’analyse, mais à la place, il passa beaucoup de temps à la préparation manuelle des données. Cela comprenait l’exportation des données, l’assemblage des données provenant de plusieurs systèmes et leur ingestion manuelle dans l’entrepôt de données Snowflake de Blaze. Ces flux de travail chronophages ralentissaient le temps d’obtention des données et soulevaient des préoccupations concernant leur fiabilité.

Avec le lancement de nouveaux produits et une base d’utilisateurs en pleine croissance, Blaze avait besoin d’un moyen plus rapide et plus évolutif d’explorer ses données et de s’assurer que les décisions étaient fondées sur des informations précises. L’entreprise avait besoin d’une solution capable de gérer ses besoins grandissants en données sans augmenter la charge de sa petite équipe effectuant les analyses.

Solution

Blaze a choisi de mettre en place Stripe Sigma et Data Pipeline.

Blaze utilise Stripe Sigma pour rapidement effectuer une requête des données de Stripe Billing et créer des rapports personnalisés en utilisant le langage SQL directement dans le Dashboard. Snyder se sert souvent en premier des modèles SQL préconfigurés de Stripe Sigma comme ceux sur la croissance active des abonnés, la croissance du revenu récurrent mensuel (RRM) dans le temps et le taux de résiliation des abonnés, avant de les personnaliser en effectuant un découpage des données sur différentes dimensions pour comprendre ce qui impacte les performances. Ces modèles lui offrent un point de départ rapide pour l’analyse, et puisque Stripe Sigma exécute des requêtes directement sur la source de vérité de Stripe, l’équipe peut faire confiance à l’exactitude de chaque rapport.

Pour éliminer le transfert manuel des données, Blaze a mis en place Data Pipeline pour synchroniser automatiquement les données Stripe vers Snowflake de façon continue. En moins de 24 heures, Snyder a terminé la configuration et toutes les données Stripe de Blaze sont devenues accessibles dans son entrepôt de données sans nécessité d’une maintenance en ingénierie.

« Nos données récentes sur Stripe sont toujours accessibles, ce qui est très important pour nous car nous opérons avec beaucoup d’urgence et aimons agir aussi vite que possible. Data Pipeline me donne aussi confiance dans nos données : tout se synchronise parfaitement et c’est sécurisé », a déclaré Snyder.

En plus d’automatiser la livraison des données, Data Pipeline fournit à Blaze des tables prêtes pour l’analyse et des jeux de données sélectionnés spécifiquement pour Data Pipeline, ce qui accélère le suivi et l’analyse. Snyder s’appuie fortement sur le jeu de données relatif à la façon de modifier les évènements des postes d’abonnement, qui offre une vue claire et structurée des changements RRM pour chaque poste (de facture) d’abonnement.

Résultats

Stripe Sigma et Data Pipeline aident à identifier les profils clients idéaux et à réduire les coûts d’acquisition de 25 %

En utilisant Stripe Sigma et Data Pipeline ensemble, Snyder peut désormais identifier les cohortes de clients les plus valorisées de Blaze. Il commence cette analyse dans Stripe Sigma en utilisant le taux de résiliation des abonnés au fil du temps et les modèles SQL préconfigurés suivant le revenu moyen par utilisateur (RMPU). Après modification de ces modèles, il insère les requêtes sur Snowflake et les enrichit avec des données Stripe supplémentaires fournies via Data Pipeline, ainsi que les données des personnes clientes provenant d’autres systèmes.

En fusionnant ces jeux de données, Snyder a calculé la conversion, la rétention et la valeur à vie depuis l’essai gratuit jusqu’à l’abonnement payant à travers différentes cohortes, ce qui révèle quels clients présentent la plus grande valeur à long terme. Ces informations ont permis à Blaze de définir ses profils clients idéaux et d’optimiser son marketing et son positionnement produit, entraînant finalement une réduction de 25 % du coût d’acquisition client.

Les jeux de données d’abonnement sélectionnés génèrent des données plus approfondies sur les produits et les revenus

Grâce aux jeux de données sélectionnés et prêts pour l’analyse de Data Pipeline comme la table des changements d’événements des postes (de facture) d’abonnement, Snyder peut désormais analyser beaucoup plus rapidement le comportement d’abonnement et les changements de revenus. Ce jeu de données lui a permis de mesurer facilement la rétention d’abonnement mensuelle et de diagnostiquer les performances du nouveau produit Autopilot de Blaze, où il a identifié une amélioration de 30 % de la rétention. Il a également utilisé ce jeu de données pour comprendre ce qui stimulait les changements de revenus; si la croissance provenait de nouveaux abonnements, de réduction du taux de résiliation, ou des deux et a découvert qu’une part significative des nouveaux revenus provenait de l’achat de plusieurs abonnements par les clients.

L’analyse du cycle de vie client met en lumière des informations pour améliorer le nouveau produit Autopilot de Blaze

En centralisant les données Stripe avec les jeux de données d’utilisation des produits, du marketing et de la GRC dans Snowflake, Snyder a créé une perspective unifiée de la progression des utilisateurs dans le nouveau produit Autopilot de Blaze, de l’inscription avec essai gratuit à la conversion, à la rétention et à la résiliation. 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.

Une journée complète de travail mensuel est éliminée grâce à la déclaration financière automatisée

Avec Data Pipeline qui garantit que les données Stripe de Blaze soient continuellement disponibles dans Snowflake et centralisées avec toutes les autres données entreprises, Snyder a élaboré un rapport mensuel automatisé des revenus pour l’équipe comptable afin de calculer les revenus différés, ainsi que d’autres rapports financiers. Ce qui nécessitait auparavant une journée complète de travail manuel chaque mois, fonctionne désormais automatiquement, lui libérant du temps pour se concentrer sur des travaux à plus grand impact.

Une visibilité plus rapide et plus claire des facteurs impactant les indicateurs SaaS clés

Stripe Sigma offre à Blaze un moyen plus rapide d’explorer et de comprendre ce qui influence le RRM, la résiliation et la rétention. Par exemple, Snyder utilisait le modèle SQL préconfiguré « Indicateurs journaliers d’abonnements (échanger le RRM-en aval) » pour visualiser les changements quotidiens de RRM et d’abonnés, puis a modifié la requête pour décomposer les données par produit, par cohorte et par autres dimensions. Cela a permis de déterminer quels produits généraient de nouveaux abonnements et lesquels contribuaient à une résiliation, permettant d’informer les stratégies de croissance et de réduction de résiliation de Blaze.