ความท้าทาย

Blaze พึ่งพา Stripe ในการขับเคลื่อนการชำระเงินและการเรียกเก็บเงินตามรอบบิล เมื่อบริษัทขยายตัว บริษัทก็เติบโตขึ้นอย่างรวดเร็วเกินกว่าการรายงานแดชบอร์ดมาตรฐาน และต้องการการมองเห็นเกี่ยวกับรายรับ การเลิกใช้บริการ และการรักษาลูกค้าที่ลึกซึ้งยิ่งขึ้นกว่าเดิม

การแยกวิเคราะห์ข้อมูลนี้ส่วนใหญ่เป็นของ John Snyder หัวหน้าฝ่ายวิเคราะห์ของ Blaze ซึ่งเป็นทีมที่สนับสนุนผลิตภัณฑ์ การตลาด การเงิน และทีมบริหาร ด้วยแบนด์วิดท์ที่จำกัด Snyder จึงจำเป็นต้องทุ่มเทเวลาให้กับการวิเคราะห์ แต่กลับใช้เวลาส่วนใหญ่ในการเตรียมข้อมูลด้วยตนเอง ซึ่งรวมถึงการส่งออกข้อมูล การดึงข้อมูลจากหลายระบบ และการนำข้อมูลลงในคลังข้อมูล Snowflake ของ Blaze ด้วยตนเอง ขั้นตอนการทำงานที่ใช้เวลานี้ทำให้เวลาในการประมวลผลข้อมูลเชิงลึกช้าลงและทำให้เกิดข้อกังวลเกี่ยวกับความน่าเชื่อถือของข้อมูล

ด้วยการเปิดตัวผลิตภัณฑ์ใหม่ๆ และฐานผู้ใช้ที่เติบโตอย่างรวดเร็ว Blaze จึงต้องการวิธีที่รวดเร็วและปรับขนาดได้มากขึ้นในการสำรวจข้อมูล และทำให้มั่นใจได้ว่าการตัดสินใจจะขึ้นอยู่กับข้อมูลเชิงลึกที่แม่นยำบริษัทจึงต้องการโซลูชันที่สามารถจัดการความต้องการข้อมูลที่เพิ่มขึ้นได้โดยไม่เพิ่มภาระให้กับทีมวิเคราะห์ขนาดเล็ก

โซลูชัน

Blaze เลือกที่จะนำ Stripe Sigma และ Data Pipeline มาใช้

Blaze ใช้ Stripe Sigma เพื่อค้นหาข้อมูล Stripe Billing อย่างรวดเร็วและสร้างรายงานที่ออกแบบเองโดยใช้ SQL โดยตรงในแดชบอร์ด โดย Snyder มักจะเริ่มต้นด้วยเทมเพลต SQL ที่สร้างไว้ล่วงหน้าของ Stripe Sigma เช่น การเติบโตของผู้ใช้บริการที่ใช้งานอยู่ การเติบโตของ MRR เมื่อเวลาผ่านไป และอัตราการเลิกใช้บริการของผู้สมัครใช้บริการ แล้วปรับแต่งโดยการแบ่งข้อมูลออกเป็นมิติต่างๆ เพื่อทำความเข้าใจถึงปัจจัยที่ส่งผลกระทบต่อประสิทธิภาพ โดยเทมเพลตเหล่านี้จะช่วยให้เขาเริ่มต้นการวิเคราะห์ได้อย่างรวดเร็ว และเนื่องจาก Stripe Sigma เรียกใช้การค้นหาโดยตรงกับแหล่งข้อมูลจริงของ Stripe ทีมงานจึงสามารถไว้วางใจในความถูกต้องแม่นยำของทุกรายงานได้

เพื่อขจัดปัญหาการเคลื่อนย้ายข้อมูลด้วยตนเอง Blaze ได้นำ Data Pipeline มาใช้เพื่อซิงค์ข้อมูล Stripe ไปยัง Snowflake โดยอัตโนมัติอย่างต่อเนื่อง โดยภายใน 24 ชั่วโมง Snyder ก็สามารถติดตั้งเสร็จเรียบร้อย และข้อมูล Stripe ทั้งหมดของ Blaze ก็สามารถเข้าถึงได้ในคลังข้อมูล โดยไม่จำเป็นต้องมีงานวิศวกรรมใดๆ อีกต่อไป

“ข้อมูล Stripe ล่าสุดของเราพร้อมให้เข้าถึงได้ตลอดเวลา ซึ่งเป็นสิ่งสำคัญอย่างยิ่งสำหรับเรา เพราะเราทำงานด้วยความเร่งด่วนและต้องการย้ายข้อมูลอย่างรวดเร็วที่สุดเท่าที่จะเป็นไปได้ นอกจากนี้ Data Pipeline ยังทำให้ผมมั่นใจในข้อมูลของเรา ทุกอย่างซิงค์กันได้อย่างราบรื่นและปลอดภัย” Snyder กล่าว

นอกจากการส่งข้อมูลอัตโนมัติแล้ว Data Pipeline ยังมอบตารางที่พร้อมสำหรับการวิเคราะห์และชุดข้อมูลที่คัดสรรเฉพาะสำหรับ Data Pipeline ซึ่งช่วยเร่งความเร็วในการรายงานและการวิเคราะห์ โดย Snyder ให้ความสำคัญกับชุดข้อมูลเหตุการณ์การเปลี่ยนแปลงในรายการการเรียกเก็บเงินตามรอบบิล ซึ่งให้มุมมองที่ชัดเจนและมีโครงสร้างเกี่ยวกับการเปลี่ยนแปลง MRR ของรายการการชำระเงินตามรอบบิลแต่ละรายการ

ผลลัพธ์

Stripe Sigma และ Data Pipeline ช่วยระบุโปรไฟล์ลูกค้าที่เหมาะสมและลดต้นทุนการหาลูกค้าได้ 25%

การใช้ Stripe Sigma และ Data Pipeline ร่วมกันทำให้ Snyder สามารถระบุกลุ่มลูกค้าที่มีมูลค่าสูงสุดของ Blaze ได้ เขาเริ่มการวิเคราะห์นี้ใน Stripe Sigma โดยใช้อัตราการเลิกใช้บริการของผู้สมัครใช้บริการตามช่วงเวลาและเทมเพลต SQL ที่สร้างไว้ล่วงหน้าโดย ARPU หลังจากแก้ไขเทมเพลตเหล่านี้แล้ว เขาจะวางคำขอลงใน Snowflake และเสริมด้วยข้อมูล Stripe เพิ่มเติมที่ส่งผ่าน Data Pipeline ควบคู่ไปกับข้อมูลตัวตนของลูกค้าจากระบบอื่นๆ

ด้วยการรวมชุดข้อมูลเหล่านี้ Snyder ได้คำนวณการแปลงการทดลองใช้เป็นการชำระเงิน การรักษาลูกค้า และ LTV ในกลุ่มลูกค้าที่แตกต่างกัน ซึ่งแสดงให้เห็นว่าลูกค้ารายใดมอบมูลค่าในระยะยาวมากที่สุด ข้อมูลเชิงลึกเหล่านี้ช่วยให้ Blaze กำหนดโปรไฟล์ลูกค้าที่เหมาะสม และเพิ่มประสิทธิภาพการตลาดและการกำหนดจุดยืนของผลิตภัณฑ์ ซึ่งในที่สุดสามารถลดต้นทุนการหาลูกค้าได้ถึง 25%

ชุดข้อมูลการเรียกเก็บเงินตามรอบบิลที่คัดสรรจะสร้างข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์และรายรับที่ละเอียดยิ่งขึ้น

ด้วยชุดข้อมูลที่ได้รับการคัดสรรและพร้อมสำหรับการวิเคราะห์ของ Data Pipeline เช่น ตารางเหตุการณ์การเปลี่ยนแปลงรายการการเรียกเก็บเงินตามรอบบิล ตอนนี้ Snyder จึงสามารถวิเคราะห์พฤติกรรมการชำระเงินตามรอบบิลและการเปลี่ยนแปลงรายรับได้เร็วขึ้นมาก ชุดข้อมูลนี้จะช่วยให้เขาสามารถวัดผลการรักษาการเรียกเก็บเงินตามรอบบิลแบบรายเดือนได้อย่างง่ายดาย และวิเคราะห์ประสิทธิภาพของผลิตภัณฑ์ Autopilot ใหม่ของ Blaze ได้ โดยระบุถึงการปรับปรุงการรักษาลูกค้าได้ 30% นอกจากนี้ เขายังใช้ชุดข้อมูลนี้เพื่อทำความเข้าใจถึงปัจจัยที่ขับเคลื่อนการเปลี่ยนแปลงของรายรับ ไม่ว่าการเติบโตจะมาจากการสมัครใช้บริการใหม่ การลดอัตราการเลิกใช้บริการ หรือทั้งสองอย่าง และพบว่ารายได้ใหม่ที่มีส่วนแบ่งที่สำคัญนั้นมาจากลูกค้าที่ซื้อการสมัครใช้บริการหลายรายการหรือไม่

การวิเคราะห์วงจรการใช้งานของลูกค้าช่วยให้ได้ข้อมูลเชิงลึกเพื่อปรับปรุงผลิตภัณฑ์ Autopilot ใหม่ของ Blaze

ด้วยการรวมศูนย์ข้อมูล Stripe เข้ากับชุดข้อมูลการใช้งานผลิตภัณฑ์ การตลาด และ CRM ใน Snowflake ทำให้ Snyder สามารถสร้างมุมมองแบบรวมศูนย์เกี่ยวกับความคืบหน้าของผู้ใช้ผ่านผลิตภัณฑ์ Autopilot ใหม่ของ Blaze ตั้งแต่การลงทะเบียนทดลองใช้ฟรี ไปจนถึงการเปลี่ยนเป็นผู้ใช้แบบชำระเงิน การรักษาลูกค้า และการเลิกใช้บริการ ซึ่งช่วยให้สามารถวิเคราะห์วงจรการใช้งานของลูกค้าและเข้าใจพฤติกรรมที่สัมพันธ์กับผลลัพธ์ในการเรียกเก็บเงินตามรอบบิลได้ดีขึ้น

ประหยัดเวลาทำงานรายเดือนหนึ่งวันเต็มด้วยระบบรายงานทางการเงินอัตโนมัติ

ด้วย Data Pipeline ช่วยให้มั่นใจว่าข้อมูล Stripe ของ Blaze จะพร้อมใช้งานอย่างต่อเนื่องใน Snowflake และรวมศูนย์กับข้อมูลธุรกิจอื่นๆ ทั้งหมด Snyder จึงได้สร้างรายงานรายรับรายเดือนอัตโนมัติสำหรับทีมบัญชีเพื่อคำนวณรายรับแบบรับล่วงหน้า พร้อมกับรายงานทางการเงินอื่นๆ โดยรายงานที่ก่อนหน้านี้ต้องใช้เวลาทำงานด้วยตัวเองเป็นเวลาเต็มวันในแต่ละเดือน แต่ในตอนนี้สามารถทำงานได้เองโดยอัตโนมัติ ทำให้เขามีเวลาไปโฟกัสกับงานที่สร้างผลกระทบสูงได้มากขึ้น

การมองเห็นปัจจัยที่ส่งผลต่อเมตริก SaaS ที่สำคัญได้เร็วขึ้นและชัดเจนยิ่งขึ้น

Stripe Sigma ช่วยให้ Blaze มีวิธีที่รวดเร็วยิ่งขึ้นในการสำรวจและทำความเข้าใจสิ่งที่มีอิทธิพลต่อ MRR, การเลิกใช้บริการ และการรักษาลูกค้า ตัวอย่างเช่น Snyder ได้ใช้เทมเพลต SQL ที่สร้างไว้ล่วงหน้า "เมตริกการสมัครใช้บริการต่อวัน (MRR เลื่อนไปข้างหน้า)" เพื่อดูการเปลี่ยนแปลงประจำวันของ MRR และผู้สมัครใช้บริการ จากนั้นก็ปรับปรุงคำขอเพื่อแยกย่อยข้อมูลตามผลิตภัณฑ์ กลุ่มผู้ใช้ และมิติอื่นๆ ที่จะช่วยระบุผลิตภัณฑ์ที่ขับเคลื่อนด้วยการสมัครใช้บริการใหม่ และผลิตภัณฑ์ที่ส่งผลต่อการเลิกใช้บริการ ซึ่งเป็นข้อมูลสำคัญสำหรับกลยุทธ์การเติบโตและการลดการเลิกใช้บริการของ Blaze