Uitdaging

Blaze gebruikt Stripe voor betalingen en het factureren van abonnementen. Naarmate het bedrijf groeide, volstond de standaard dashboardrapportage niet meer en was er behoefte aan meer inzicht in omzet, klantverloop en retentie.

Het analyseren van deze gegevens was grotendeels de taak van John Snyder, hoofd analyse bij Blaze, een team van één persoon dat ondersteuning biedt aan product, marketing, financiën en het managementteam. Met beperkte bandbreedte moest Snyder zijn tijd besteden aan analyse, maar in plaats daarvan besteedde hij een groot deel ervan aan handmatige gegevensvoorbereiding. Dit omvatte het exporteren van gegevens, het samenvoegen van gegevens uit meerdere systemen en het handmatig invoeren ervan in het Snowflake-datawarehouse van Blaze. Deze tijdrovende workflows vertraagden het verkrijgen van inzichten en zorgden voor twijfels over de betrouwbaarheid van de gegevens.

Met de lancering van nieuwe producten en een snel groeiend gebruikersbestand had Blaze een snellere, meer schaalbare manier nodig om zijn gegevens te verkennen en ervoor te zorgen dat beslissingen gebaseerd waren op nauwkeurige inzichten. Het bedrijf had een oplossing nodig die de groeiende gegevensbehoeften kon beheren zonder de druk op het kleine analyseteam te verhogen.

Oplossing

Blaze koos ervoor om Stripe Sigma en Data Pipeline te implementeren.

Blaze gebruikt Stripe Sigma om snel Stripe Billing-gegevens op te vragen en aangepaste rapporten te maken met behulp van SQL, rechtstreeks in het dashboard. Snyder begint vaak met de vooraf gebouwde SQL-sjablonen van Stripe Sigma, zoals actieve abonneegroei, MRR-groei in de loop van de tijd en het verloop van abonnees, en past deze aan door gegevens over verschillende dimensies te verdelen om te begrijpen wat van invloed is op de prestaties. Deze sjablonen geven hem een snel startpunt voor analyse, en omdat Stripe Sigma query's rechtstreeks uitvoert op de bron van Stripe, kan het team vertrouwen op de nauwkeurigheid van elk rapport.

Om handmatige gegevensverplaatsing te elimineren, heeft Blaze Data Pipeline geïmplementeerd om Stripe-gegevens continu automatisch te synchroniseren met Snowflake. Binnen 24 uur had Snyder de installatie voltooid en waren alle Stripe-gegevens van Blaze toegankelijk in het datawarehouse, zonder dat er voortdurend technische werkzaamheden nodig waren.

"Onze recente Stripe-gegevens zijn altijd toegankelijk, wat voor ons erg belangrijk is omdat we met veel urgentie werken en graag zo snel mogelijk handelen. Data Pipeline geeft me ook vertrouwen in onze gegevens: alles wordt naadloos gesynchroniseerd en is veilig", aldus Snyder.

Naast het automatiseren van de gegevenslevering biedt Data Pipeline Blaze ook kant-en-klare analysetabellen en exclusieve, samengestelde datasets, waardoor rapportage en analyse worden versneld. Snyder maakt veel gebruik van de dataset met wijzigingen in abonnementsitems, die een duidelijk, gestructureerd overzicht biedt van de MRR-wijzigingen van elk abonnementsitem.

Resultaten

Stripe Sigma en Data Pipeline helpen bij het identificeren van ideale klantprofielen en verlagen de acquisitiekosten met 25%

Door Stripe Sigma en Data Pipeline samen te gebruiken, kan Snyder nu de meest waardevolle klantengroepen van Blaze identificeren. Hij begint deze analyse in Stripe Sigma, waarbij hij gebruikmaakt van de abonneeverloopcijfers in de loop van de tijd en vooraf gebouwde ARPU-SQL-sjablonen. Nadat hij deze sjablonen heeft aangepast, plakt hij de query's in Snowflake en vult hij ze aan met extra Stripe-gegevens die via Data Pipeline worden geleverd, naast klantprofielgegevens uit andere systemen.

Door deze datasets te combineren, heeft Snyder de conversie van proefversies naar betaalde versies, het behoud en de LTV voor verschillende groepen berekend, waardoor duidelijk werd welke klanten de meeste waarde op lange termijn opleveren. Deze inzichten hielpen Blaze bij het definiëren van zijn ideale klantprofielen en het optimaliseren van zijn marketing en productpositionering, wat uiteindelijk leidde tot een daling van 25% in de kosten voor klantenwerving.

Samengestelde abonnementsdatasets zorgen voor diepere inzichten in producten en inkomsten

Met de samengestelde, analyseklare datasets van Data Pipeline, zoals de tabel met wijzigingen in abonnementsitems, kan Snyder nu veel sneller het abonnementsgedrag en de inkomstenveranderingen analyseren. Met de dataset kon hij makkelijk de maandelijkse abonnementsretentie meten en de prestaties van het nieuwe Autopilot-product van Blaze analyseren, waarbij hij een verbetering van 30% in retentie constateerde. Hij gebruikte deze dataset ook om te begrijpen wat de oorzaak was van omzetverschuivingen – of de groei nu voortkwam uit nieuwe abonnementen, minder klantverloop of beide – en ontdekte dat een aanzienlijk deel van de nieuwe omzet afkomstig was van klanten die meerdere abonnementen kochten.

Analyse van de klantlevenscyclus levert inzichten op om het nieuwe Autopilot-product van Blaze te verbeteren

Door Stripe-gegevens te combineren met datasets over productgebruik, marketing en CRM in Snowflake, creëerde Snyder een uniform beeld van hoe gebruikers het nieuwe Autopilot-product van Blaze gebruiken, van aanmelding voor een gratis proefperiode tot conversie, behoud en verloop. Hierdoor kon hij de klantlevenscyclus analyseren en begrijpen welk gedrag leidde tot betere abonnementsresultaten.

Een volledige dag werk per maand wordt bespaard dankzij geautomatiseerde financiële rapportage

Met Data Pipeline, dat ervoor zorgt dat de Stripe-gegevens van Blaze continu beschikbaar zijn in Snowflake en gecentraliseerd zijn met alle andere bedrijfsgegevens, heeft Snyder een geautomatiseerd maandelijks omzetrapport voor het boekhoudteam gemaakt om uitgestelde omzet te berekenen, samen met andere financiële rapporten. Wat voorheen elke maand een volledige dag handmatig werk kostte, verloopt nu automatisch, waardoor hij tijd overhoudt om zich te concentreren op werk met een grotere impact.

Snellere, duidelijkere zichtbaarheid van factoren die van invloed zijn op belangrijke SaaS-statistieken

Stripe Sigma biedt Blaze een snellere manier om te onderzoeken en te begrijpen wat van invloed is op MRR, churn en retentie. Snyder gebruikte bijvoorbeeld de vooraf gebouwde SQL-sjabloon ‘Abonnementsstatistieken per dag (MRR roll-forward)’ om de dagelijkse MRR en veranderingen in het aantal abonnees te bekijken, en paste vervolgens de query aan om de gegevens uit te splitsen naar product, cohort en andere dimensies. Zo kon hij precies zien welke producten nieuwe abonnementen opleverden en welke bijdroegen aan het klantverloop, wat weer van invloed was op de groei- en klantbehoudstrategieën van Blaze.