Le pipeline ETL déjà en place chez Anthropic peinait à suivre la forte hausse des volumes des transactions : il se heurtait fréquemment aux limites de débit des API, ce qui retardait la transmission des données et nécessitait des interventions manuelles quotidiennes pour que tout se déroule comme prévu.

Grâce à Data Pipeline, Anthropic a raccourci de six jours le processus de clôture mensuelle et éliminé les tâches d’ingénierie récurrentes. Les données de Stripe sont désormais transmises de manière fiable à BigQuery, où des centaines de modèles de données combinent les données de Stripe et celles de l’entreprise pour produire des registres financiers pouvant faire l’objet d’un audit et des rapports fiables destinés à la direction et aux investisseurs.

Cursor avait besoin d’un accès fiable aux données de Stripe pour clôturer ses comptes et suivre ses performances, mais, avec une petite équipe d’ingénierie, l’entreprise ne voulait pas consacrer de ressources à la mise en place et à la maintenance d’une infrastructure de données personnalisée.

Data Pipeline synchronise les données Stripe de Cursor dans Databricks et alimente des tableaux de bord de performance permettant de suivre des indicateurs clés comme les revenus et la résiliation. Il alimente également un tableau de bord des opérations de facturation, ce qui permet à l’équipe de résoudre des demandes complexes liées à la facturation et de gérer plus efficacement les opérations liées aux clients.

ChowNow souhaitait mieux comprendre la rentabilité, la marge et l’économie unitaire, tant au niveau des clients que des transactions, sans avoir à mettre en place une intégration avec une API ni à partager ses données avec un pipeline ETL.

Grâce à Data Pipeline, les données Stripe de ChowNow sont désormais acheminées vers Snowflake, où l’entreprise peut suivre les rétrofacturations par restaurant, optimiser ses dépenses publicitaires grâce à une visibilité complète sur le parcours client et analyser la marge nette de chaque restaurant afin d’optimiser sa stratégie de tarification.

Lors de l’exportation des données de Stripe vers Snowflake au moyen d’un outil ETL tiers, Lime se heurtait constamment à des écarts dans les données ; il fallait jusqu’à deux heures aux ingénieurs pour analyser chacun de ces écarts.

Data Pipeline a permis à Lime de résoudre les écarts dans ses données et de ramener le délai de mise à disposition des données de trois jours à un jour. Les ingénieurs ne passent plus des heures à examiner les incohérences ; l’équipe des finances peut désormais rendre compte en toute confiance de la situation de trésorerie et des remboursements, tandis que l’équipe chargée de la détection des fraudes peut créer de meilleurs modèles en combinant les indices de risque de Stripe avec des données exclusives.