課題

Blaze は、決済やサブスクリプション請求で Stripe を採用しています。企業が拡大するにつれて、標準的なダッシュボードレポートの内容を超え、収益、離職率、定着率のより深い可視化が必要となりました。

このデータの解析は主に Blaze の分析責任者であるジョン・シュナイダー氏に任されていました。同氏は、製品、マーケティング、財務、経営陣をサポートするたった一人のチームでした。限られたリソースのため、シュナイダー氏は分析に時間を集中させる必要があったものの、実際には多くの時間を手動でのデータ準備に費やしていました。これには、データのエクスポート、複数のシステムからのデータ結合、そして Blaze の Snowflake データウェアハウスへの手動取り込みなどがありました。これらの時間のかかるワークフローは、洞察を得るまでの時間を遅らせ、データの信頼性に懸念をもたらしていました。

新製品の発売と急速に増加するユーザーベースにより、Blaze はデータをより迅速かつ拡張性のある方法で探索し、正確な洞察に基づく意思決定を確保する必要がありました。同社は、小規模な分析チームの負担を増やさずに増加するデータニーズを管理できるソリューションを必要としていました。

ソリューション

Blaze は、Stripe Sigma そして Data Pipeline を選びました。

Blaze は、Stripe Sigma を使って Stripe Billing データを素早く照会し、ダッシュボード上で SQL を使ってカスタムレポートを作成するようになりました。シュナイダー氏はしばしば、Stripe Sigma の事前構築された SQL テンプレート (アクティブ加入者増加、MRR 成長率、チャーンレートなど) を用いて、異なる次元でデータをスライスして分析し、パフォーマンスに影響を与える要因を理解しています。これらのテンプレートは分析の迅速な出発点を提供し、Stripe Sigma は Stripe の信頼できるデータソースに直接照会を行うため、チームはすべての報告の正確性を信頼できます。

手動でのデータ移動を排除するため、Blaze は Data Pipeline を導入し、Stripe のデータを継続的に自動的に同期しました。24 時間以内に Snyder はセットアップを完了し、Blaze のすべての Stripe データがデータウェアハウスでアクセス可能となり、継続的なエンジニアリング作業は不要となりました。

「私たちの最新の Stripe データは常にアクセス可能であり、これは非常に重要なことです。なぜなら、私たちは常に迅速な対応が求められる環境で運営しているため、できるだけ迅速に進めたいからです。Data Pipeline はデータに自信を与えてくれます。すべてがシームレスに同期し、安全です」とシュナイダー氏は語りました。

データ配信の自動化に加え、Data Pipeline は Blaze に Data Pipeline 専用の分析対応テーブルや厳選データセットを提供し、レポートと分析のスピードアップを実現します。シュナイダー氏はサブスクリプション項目の変更イベントデータセットに大きく頼っており、サブスクリプション項目の MRR 変更を明確かつ構造化したビューで提供しています。

結果

Stripe Sigma と Data Pipeline は理想的な顧客プロファイルの特定と獲得コストの25%の削減を支援

Stripe Sigma と Data Pipeline を組み合わせることで、シュナイダー氏は Blaze の最も価値のある顧客層を特定できるようになりました。彼はこの分析を Stripe Sigma で始め、経時的な加入者チャーンレートとARPUの事前構築された SQL テンプレートを用います。これらのテンプレートを修正した後、クエリを Snowflake に貼り付け、Data Pipeline を通じて提供される追加の Stripe データや他のシステムからの顧客ペルソナデータで補強しています。

これらのデータセットを統合することで、シュナイダー氏は異なるコホート間でトライアルから有料化への移行率、維持率、LTV を計算し、どの顧客が最も長期的な価値を提供しているかを明らかにできました。これらの洞察により、Blaze は理想的な顧客プロファイルを定義し、マーケティングと製品のポジショニングを最適化し、最終的に顧客獲得コストを 25% 削減できました。

キュレーションされたサブスクリプションデータセットから得られる、より深い製品や収益の洞察

Data Pipeline のキュレーションされた分析対応データセット (サブスクリプションアイテム変更イベント表など) により、シュナイダー氏はサブスクリプションの動向や収益の変化をより迅速に分析できるようになりました。このデータセットにより、月ごとのサブスクリプション維持率を簡単に測定でき、Blaze の新しい Autopilot 製品のパフォーマンスを診断でき、30% の継続率向上を実現するに至りました。また、このデータセットを使って収益の変化の要因 (新規加入によるものなのか、離脱の減少によるのか、あるいはその両方によるものか) を理解し、新規収益のかなりの割合が複数のサブスクリプション購入から生じていることを発見しました。

顧客ライフサイクル分析が Blaze の新しい Autopilot 製品改善のための洞察を明らかに

Stripe のデータを製品利用状況、マーケティング、CRM データセットと Snowflake に集中させることで、Snyder は Blaze の新しい Autopilot 製品を通じてユーザーが無料トライアル登録からコンバージョン、リテンション、チャーンまでどのように進むかを統一したビューを作り出しました。これにより、顧客ライフサイクルを分析し、どの行動がより強いサブスクリプション成果と相関しているかを理解することができました。

毎月発生する丸一日かかる作業が、自動化された財務報告により不要に

Data Pipeline が Blaze の Stripe データを Snowflake で継続的に利用し、他のすべてのビジネスデータと一元化することを保証したことで、シュナイダー氏は会計チームが繰延収益を計算するための自動化された月次収益レポートやその他の財務報告を作成しました。以前は毎月丸一日の手作業が必要だったのが、今では自動的に動くことで、より有意義なほかの作業に時間を割けるようになりました。

主要な SaaS 指標に影響を与える要因をより迅速かつ明確に可視化

Stripe Sigma は、Blaze が MRR、解約率、定着率に影響を与えている要因をより速く分析し、理解する手段を提供します。例えば、シュナイダー氏は「Subscription metrics per day (MRR roll-forward)」という既成 SQL テンプレートを使って日々の MRR や購読者の変化を確認し、その後クエリを製品、コホート、その他の次元ごとに分解して修正しました。これにより、どの製品が新規加入を促進し、どの製品が離脱に寄与しているかを特定し、Blaze の成長および解約削減戦略に役立ちました。