挑战
Blaze 依靠 Stripe 来提供支付和订阅计费服务。随着公司规模扩大，它很快发现标准管理平台报告无法满足需求，它们需要对收入、流失率和留存率进行更深入的洞察。
处理这些数据的主要责任落在了 Blaze 的分析主管 John Snyder 身上——他一个人支持产品、市场、财务以及高管团队的整个分析工作。由于精力有限，Snyder 本应专注于分析工作，但实际上大部分时间都花在了人工准备数据上。这包括导出数据、整合来自多个系统的数据，以及人工将其导入 Blaze 的 Snowflake 数据仓库。这些耗时的工作流程延缓了获得洞察的速度，也引发了数据可靠性方面的担忧。
随着新产品的推出和用户快速增长，Blaze 需要一种更快、更具可扩展性的方式来探索数据，以确保决策基于准确的洞察。公司需要一个解决方案，能够应对不断增长的数据需求，同时不增加其小型分析团队的工作负担。
解决方案
Blaze 选择了采用 Stripe Sigma 和 Data Pipeline。
Blaze 利用 Stripe Sigma 快速查询 Stripe Billing 数据，并直接在管理平台中使用 SQL 构建自定义报告。Snyder 通常从 Stripe Sigma 预构建的 SQL 模板开始——比如活跃用户增长、每月经常性收入增长和订阅者流失率——并通过不同维度切片数据来定制，以了解影响业务表现的因素。这些模板为他的分析提供了一个快速的起点，而且由于 Stripe Sigma 的查询直接针对 Stripe 的真实数据源，团队可以信赖每份报告的准确性。
Blaze 的分析主管 Snyder 表示：“Stripe Sigma 为我节省了无数小时。它提供了大量开箱即用的预构建 SQL 模板，并且计费管理平台中的所有报告在 Stripe Sigma 中也都可以作为模板使用。这样，我就可以查看每个指标背后的 SQL，并根据需要调整查询，以了解促使指标上升或下降的驱动因素。”
Blaze 为了免于人工数据迁移，实施了 Data Pipeline，将 Stripe 数据自动持续同步到 Snowflake。Snyder 在 24 小时内完成了设置，随后即可在数据仓库中访问 Blaze 的所有 Stripe 数据，无需持续的工程维护工作。
“我们始终可以访问最新的 Stripe 数据，这对我们非常重要，因为我们工作紧迫，希望能尽快推进。Data Pipeline 也让我对我们的数据充满信心——一切都无缝同步且安全，”Snyder 说。
除自动化数据传输外，Data Pipeline 还为 Blaze 提供了分析就绪型表格和 DataPipeline 独有的精选数据集，从而加快了报告和分析的速度。Snyder 在分析中高度依赖订阅项目变更事件数据集，该数据集为每个订阅项目的每月经常性收入变化提供了清晰、结构化的视图。
在之前的公司，我们的 BI 负责人花了好几周时间才建立类似的数据集，而且还需要持续维护。而现在我无需进行这些维护，并且对我与团队的分享结果充满信心。Data Pipeline 提供的开箱即用且经过整理的数据表是一个强大的基础，否则我就得把所有这些数据拼凑起来，而我没时间做这些。
成果
Stripe Sigma 和 Data Pipeline 帮助识别理想客户画像，降低了 25% 的获客成本
结合 Stripe Sigma 和 Data Pipeline，Snyder 现在可以识别 Blaze 最具价值的客户群体。他在 Stripe Sigma 中开始分析，使用预构建的 SQL 模板，如订阅流失率随时间变化和每用户平均收入 (ARPU)。在修改这些模板后，他将查询粘贴到 Snowflake，并结合通过 Data Pipeline 提供的额外 Stripe 数据，以及来自其他系统的客户画像数据丰富分析。
通过整合这些数据集，Snyder 计算了不同客户群的试用转付费转化率、留存率和终身价值 (LTV)，从而揭示了哪些客户带来最大的长期价值。这些洞察帮助 Blaze 明确了理想客户画像，并优化了营销和产品定位，最终实现了客户获取成本降低 25%。
经过整理的订阅数据集能产生更深层的产品和收入洞察
借助 Data Pipeline 经过整理的分析就绪型数据集——如订阅项目变更事件表——Snyder 现在可以更快地分析订阅行为和收入变化。该数据集使他能够轻松衡量月度订阅用户的保留率，并诊断 Blaze 新推出的 Autopilot 产品的表现，他发现留存率提升了 30%。他还利用该数据集了解推动收入变化的原因——是来自新订阅、流失率降低，还是两者兼有——并发现新增收入中有很大一部分来自购买多个订阅的客户。
客户生命周期分析揭示了可用于改进 Blaze 新 Autopilot 产品的洞察
通过将 Stripe 数据与产品用量、营销和 CRM 数据集集中在 Snowflake 中，Snyder 创建了一个一体化的视图，展示了用户在 Blaze 新产品 Autopilot 中的全流程——从免费试用注册，到付费转化、留存和流失。这使他能够分析客户生命周期，并了解哪些行为与更强的订阅表现相关。
通过自动化财务报告每月节省一整天的工作
Data Pipeline 确保 Blaze 的 Stripe 数据持续在 Snowflake 中可用，并与其他业务数据集中管理，Snyder 为会计团队构建了自动化月度收入报告，用于计算递延收入，以及其他财务报告。以前每月需要整整一天手动完成的工作现在可以自动运行——让他有更多时间专注于更高价值的工作。
更快、更清晰地可视化影响关键 SaaS 指标的因素
Stripe Sigma 为 Blaze 提供了一种更快的方式探索和理解影响每月经常性收入、流失率和留存率的因素。例如，Snyder 使用“每日订阅指标（每月经常性收入滚动变动表）”预构建的 SQL 模板查看每日每月经常性收入和订阅者的变化，然后修改查询，将数据按产品、客户群和其他维度拆分。这有助于明确哪些产品推动了新订阅，哪些产品导致了流失，从而为 Blaze 的增长和降低流失策略提供了数据支持。
我们将 Stripe Sigma 和 Data Pipeline 作为我们的团队成员。Data Pipeline 是我的数据工程师，Stripe Sigma 是我的分析师。
