La sfida

Blaze si affida a Stripe per gestire i pagamenti e l'addebito degli abbonamenti. Con la crescita dell'azienda, le funzionalità standard di reportistica della Dashboard sono diventate insufficienti e si è resa necessaria una maggiore visibilità su ricavi, abbandono e fidelizzazione.

L'analisi di questi dati ricadeva in gran parte su John Snyder, responsabile dell'analisi dati di Blaze, un team composto da una sola persona a supporto di prodotto, marketing, finanza e del team dirigenziale. Con le risorse limitate, Snyder doveva dedicare il proprio tempo all'analisi, ma finiva invece per impiegarne gran parte nella preparazione manuale dei dati. Ciò comprendeva l'esportazione dei dati, il loro collegamento tra più sistemi e il caricamento manuale nel data warehouse Snowflake di Blaze. Questi flussi di lavoro, lunghi e impegnativi, rallentavano l'accesso alle informazioni e sollevavano dubbi sull'affidabilità dei dati.

Con il lancio di nuovi prodotti e una base utenti in forte espansione, a Blaze serviva un modo più rapido e scalabile per approfondire i propri dati e assicurare che le decisioni fossero supportate da informazioni accurate. L'azienda richiedeva una soluzione in grado di gestire esigenze di dati sempre maggiori senza aumentare il carico sul suo ridotto team di analisi.

La soluzione

Blaze ha scelto di implementare Stripe Sigma e Data Pipeline.

Blaze utilizza Stripe Sigma per interrogare rapidamente i dati di Stripe Billing e creare report personalizzati utilizzando SQL direttamente nella Dashboard. Snyder parte spesso dai modelli SQL preconfigurati di Stripe Sigma, come la crescita degli abbonati attivi, la crescita RMR nel tempo e il tasso di abbandono degli abbonati, e li personalizza suddividendo i dati in diverse dimensioni per comprendere cosa influisce sulle prestazioni. Questi modelli gli forniscono un punto di avvio rapido per l'analisi e, poiché Stripe Sigma esegue le query direttamente sulla fonte di dati di Stripe, il team può fare affidamento sulla precisione di ogni report.

Per eliminare il trasferimento manuale dei dati, Blaze ha implementato Data Pipeline per sincronizzare automaticamente e costantemente i dati Stripe con Snowflake. Entro 24 ore, Snyder ha completato la configurazione e tutti i dati Stripe di Blaze sono diventati accessibili nel suo data warehouse, senza necessità di ulteriori interventi tecnici.

"I nostri dati Stripe più recenti sono sempre disponibili per l'accesso, il che è estremamente importante per noi poiché operiamo con molta urgenza e desideriamo agire il più rapidamente possibile. Data Pipeline mi offre inoltre fiducia nei nostri dati: tutto si sincronizza perfettamente ed è sicuro", ha affermato Snyder.

Data Pipeline, oltre ad automatizzare il trasferimento dei dati, mette a disposizione di Blaze tabelle pronte per l'analisi e set di dati selezionati esclusivi di Data Pipeline, che velocizzano la reportistica e l'analisi. Snyder fa ampio affidamento sul set di dati degli eventi di modifica delle voci abbonamento, che offre una vista chiara e strutturata di ogni variazione dell'RMR associata alle voci abbonamento.

I risultati

Stripe Sigma e Data Pipeline contribuiscono a identificare i profili dei clienti ideali e a ridurre i costi di acquisizione del 25%

Utilizzando insieme Stripe Sigma e Data Pipeline, Snyder può ora individuare i segmenti di clienti a maggior valore per Blaze. Avvia questa analisi in Stripe Sigma, partendo dai modelli SQL preconfigurati relativi al tasso di abbandono degli abbonati nel tempo e all'RMPU. Dopo averli adattati, incolla le query in Snowflake e le arricchisce con altri dati Stripe forniti tramite Data Pipeline, insieme ai dati sui profili dei clienti provenienti da altri sistemi.

Snyder, unificando questi set di dati, ha calcolato la conversione da prova a pagamento, la fidelizzazione e il valore nel tempo del cliente in diversi gruppi, rivelando quali clienti offrono il maggior valore a lungo termine. Queste informazioni hanno aiutato Blaze a definire i profili dei clienti ideali e a ottimizzare il marketing e il posizionamento dei prodotti, determinando infine una riduzione del 25% dei costi di acquisizione dei clienti.

Set di dati precisi sull'abbonamento forniscono informazioni approfondite sui prodotti e sui ricavi

Con i set di dati selezionati e pronti per l'analisi di Data Pipeline, come la tabella degli eventi di modifica delle voci abbonamento, Snyder può ora analizzare molto più rapidamente il comportamento degli abbonamenti e le variazioni dei ricavi. Il set di dati gli ha permesso di misurare con facilità il mantenimento mensile degli abbonamenti e di valutare le performance del nuovo prodotto Autopilot di Blaze, individuando un miglioramento del 30% nella fidelizzazione. Ha inoltre utilizzato questo set di dati per comprendere che cosa stesse determinando i cambiamenti nei ricavi, se la crescita derivasse da nuovi abbonamenti, da una riduzione del tasso di abbandono o da entrambi i fattori, e ha scoperto che una quota importante dei nuovi ricavi proveniva da clienti che acquistavano diversi abbonamenti.

L'analisi del ciclo di vita dei clienti fornisce informazioni utili per migliorare il nuovo prodotto Autopilot di Blaze

Centralizzando i dati di Stripe con i set di dati relativi all'utilizzo del prodotto, al marketing e al CRM in Snowflake, Snyder ha ottenuto una visione unificata di come gli utenti avanzano all'interno del nuovo prodotto Autopilot di Blaze, dalla registrazione alla prova gratuita, alla conversione, al mantenimento e all'abbandono. In questo modo ha potuto analizzare il ciclo di vita del cliente e comprendere quali comportamenti fossero associati ai risultati di abbonamento più affidabili.

Grazie alla reportistica finanziaria automatizzata, è possibile eliminare un'intera giornata di lavoro mensile

Grazie a Data Pipeline, che garantisce la disponibilità continua dei dati Stripe di Blaze in Snowflake e la loro centralizzazione insieme a tutti gli altri dati delle attività, Snyder ha realizzato un report mensile automatizzato sui ricavi per il team contabile, utile a calcolare i ricavi su servizi differiti, insieme ad altri report finanziari. Ciò che prima richiedeva un'intera giornata di lavoro manuale ogni mese ora viene eseguito in automatico, consentendo a Snyder di dedicare il proprio tempo a attività di maggiore impatto.

Visibilità più rapida e chiara dei fattori che influenzano le principali metriche SaaS

Stripe Sigma offre a Blaze un modo più rapido per esplorare e capire come RMR, abbandono e fidelizzazione vengono influenzati. Ad esempio, Snyder ha utilizzato il modello SQL preconfigurato "Metriche degli abbonamenti per giorno (evoluzione dell'RMR nel tempo)" per vedere le variazioni giornaliere dell'RMR e degli abbonati, quindi ha modificato la query per suddividere i dati per prodotto, segmento e altre dimensioni. Questo ha permesso di individuare con precisione quali prodotti stavano generando nuovi abbonamenti e quali stavano contribuendo all'abbandono, orientando le strategie di crescita e di riduzione del tasso di abbandono di Blaze.