Utmaning

Blaze förlitar sig på Stripe för betalningar och abonnemangsfakturering. I takt med att företaget expanderade växte det snabbt ur standard-dashboard-rapportering och behövde djupare insyn i intäkter, kundbortfall och retention.

Att analysera dessa data föll till stor del på John Snyder, Blazes analyschef – ett team med en stödjande produkt-, marknadsförings-, ekonomi- och ledningsgrupp. Med begränsad bandbredd behövde Snyder fokusera sin tid på analys, men lade istället mycket tid på manuell dataförberedelse. Detta inkluderade export av data, kombination av data från flera system och manuell inmatning av dem i Blazes Snowflake-datalager. Dessa tidskrävande arbetsflöden gjorde att det tog tid att få insikter och gav upphov till problem med datatillförlitligheten.

Med nya produkter och en snabbt växande användare behövde Blaze ett snabbare och mer skalbart sätt att utforska sina data och säkerställa att besluten baserades på korrekta insikter. Företaget behövde en lösning som kunde hantera företagets växande databehov utan att öka belastningen på det lilla analysteamet.

Lösning

Blaze valde att implementera Stripe Sigma och Data Pipeline.

Blaze använder Stripe Sigma för att snabbt fråga Stripe Billing-data och bygga Custom Reports med SQL direkt i Dashboard. Snyder börjar ofta med Stripe Sigmas färdiga SQL-mallar – som aktiv abonnenttillväxt, MRR tillväxt över tid och kundbortfall – och anpassar dem genom att dela upp data i olika dimensioner för att förstå vad som påverkar resultatet. Dessa mallar ger honom en snabb utgångspunkt för analys, och eftersom Stripe Sigma kör frågor direkt mot Stripes informationskälla kan teamet lita på att varje rapport är korrekt.

För att eliminera manuell dataöverföring implementerade Blaze Data Pipeline för att kontinuerligt automatiskt synkronisera Stripe med Snowflake. Inom 24 timmar slutförde Snyder konfigurationen och alla Blazes Stripe-data var tillgängliga i datalagret – utan att något pågående tekniskt arbete behövdes.

”Våra senaste Stripe-data är alltid tillgängliga, vilket är mycket viktigt för oss eftersom vi arbetar brådskaande och vill agera så snabbt som möjligt. Data Pipeline ger mig också förtroende för våra data – allt synkroniseras sömlöst och är säkert”, säger Snyder.

Utöver att automatisera dataleverans förser Data Pipeline Blaze med analysklara tabeller och utvalda datamängder exklusivt för Data Pipeline – vilket påskyndar rapportering och analys. Snyder förlitar sig i hög grad på datauppsättningen om ändringshändelser för abonnemangsposter, vilket ger en ren och strukturerad bild av varje abonnemangsobjekts MRR-förändring.

Resultat

Stripe Sigma och Data Pipeline hjälper till att identifiera ideala kundprofiler och minska anskaffningskostnaden med 25 %

Genom att använda Stripe Sigma och Data Pipeline tillsammans kan Snyder nu identifiera Blazes mest värdefulla kundkohorter. Han påbörjar denna analys i Stripe Sigma, med hjälp av abonnentbortfall över tid och förbyggda SQL-mallar för ARPU. Efter att ha modifierat dessa mallar klistrar han in frågorna i Snowflake och berikar dem med ytterligare Stripe-data som levereras via Data Pipeline, tillsammans med kundernas persondata från andra system.

Genom att kombinera dessa datamängder har Snyder beräknat konvertering, retention och LTV från provperiod till betald för olika kohorter – vilket visar vilka kunder som levererar mest långsiktigt värde. Dessa insikter hjälpte Blaze att definiera sina ideala kundprofiler och optimera sin marknadsförings- och produktpositionering, vilket i slutändan ledde till en minskning av kundanskaffningskostnaden med 25 %.

Datauppsättningar för abonnemang genererar djupare insikter om produkter och intäkter

Med Data Pipelines väldefinierade, analysklara datauppsättningar – som tabellen över händelser för abonnemang – kan Snyder nu analysera abonnemangsbeteende och intäktsförändringar mycket snabbare. Datauppsättningen gjorde det möjligt för honom att enkelt mäta retentionen av abonnemang månad för månad och diagnostisera prestandan hos Blazes nya Autopilot-produkt, där han identifierade en 30-procentig förbättring av retentionen. Han använde också denna datauppsättning för att förstå vad som drev intäkter – oavsett om tillväxten kom från nya abonnemang, minskat kundbortfall eller både och – och upptäckte att en betydande andel av de nya intäkterna kom från kunder som köpte flera abonnemang.

Kundens livscykelanalys ger insikter för att förbättra Blazes nya Autopilot-produkt

Genom att centralisera Stripes data med dataset för produktanvändning, marknadsföring och CRM i Snowflake kunde Snyder skapa en enhetlig vy över hur användarna utvecklas med Blazes nya Autopilot-produkt – från registrering för gratis provperioder till konvertering, retention och kundbortfall. På så sätt kunde han analysera kundernas livscykel och förstå vilka beteenden som korrelerade med starkare resultat för abonnemang.

En hel dags arbete per månad elimineras med automatiserad finansiell rapportering

Med Data Pipeline som säkerställer att Blazes Stripe-data kontinuerligt är tillgängliga i Snowflake och centraliserade med alla andra företagsdata skapade Snyder en automatisk månatlig intäktsrapport för redovisningsteamet för att beräkna förutbetalda intäkter, tillsammans med andra finansiella rapporter. Det som tidigare krävde en hel dags manuellt arbete varje månad körs nu automatiskt – vilket frigör tid för att fokusera på mer effektivt arbete.

Snabbare och tydligare insyn i faktorer som påverkar viktiga SaaS-mått

Stripe Sigma ger Blaze ett snabbare sätt att utforska och förstå vad som påverkar MRR, kundbortfall och kundretention. Snyder använde till exempel den färdiga SQL-mallen ”abonnemangsmätetal per dag (MRR fortlöpande)” för att visa dagliga MRR- och abonnentändringar och ändrade sedan frågan för att dela upp data efter produkt, kohort och andra dimensioner. Detta hjälpte till att identifiera vilka produkter som drev nya abonnemang och vilka som bidrog till kundbortfall – vilket låg till grund för Blazes strategier för tillväxt och kundbortfall.