Anthropic が従来使用していた ETL パイプラインは、急増する取引量に対応できず、頻繁に API のレート制限に達していました。そのため、データの遅延が発生し、順調な稼働を維持するために日々の手作業が必要でした。

Data Pipeline により、Anthropic は月末の決算処理を 6 日短縮し、継続的なエンジニアリング作業を不要にしました。Stripe のデータが BigQuery に安定して送られるようになり、数百に及ぶデータモデルで Stripe のデータとビジネスデータを組み合わせることで、監査可能な財務記録と、経営陣や投資家に向けた信頼性の高いレポートを作成しています。

Cursor は決算処理を行い業績を把握するために Stripe データへの信頼性の高いアクセスを必要としていましたが、エンジニアリングチームが小規模であるため、独自のデータインフラの構築や保守にリソースを投入することを避けたいと考えていました。

Data Pipeline により、Cursor の Stripe データが Databricks に同期され、収益やチャーンなどの主要指標を報告するパフォーマンスダッシュボードに活用されています。さらに請求運用ダッシュボードにも活用されており、チームは複雑な請求に関する問い合わせの解決や顧客運用の管理をより効率的に行えます。

ChowNow は、API 組み込みを構築したりデータを ETL パイプラインに共有したりすることなく、顧客と取引のそれぞれにおける収益性、利益、ユニットエコノミクスの理解を深めたいと考えていました。

Data Pipeline を活用することで、ChowNow の Stripe データが Snowflake に流れるようになり、店舗ごとの不審請求申請の追跡、カスタマージャーニーの全容把握による広告費の最適化、店舗ごとの純利益率分析による価格設定戦略の最適化が可能になりました。

サードパーティーの ETL を経由して Stripe データを Snowflake にエクスポートする際、Lime ではデータの不整合が頻発し、その都度エンジニアが調査に最大 2 時間を費やしていました。

Data Pipeline により Lime のデータ不整合が解消され、配信時間が 3 日から 1 日に短縮されました。エンジニアが不整合の調査に何時間も割くことがなくなり、財務チームは資金状況や返金について確信を持って報告できるようになりました。さらに、不正利用対策チームは Stripe のリスクスコアと独自データを組み合わせることで、より高精度なモデルを構築できます。