Was ist Buffer
Das 2010 gegründete Unternehmen Buffer braucht kaum eine Vorstellung. Als früher Vertreter der SaaS-Branche hat es eine Reihe von Feldern geprägt, die heute selbstverständlich sind: Content-Marketing, die Bewegung der transparenten Startups und Remote-Arbeit.
Die Mission von Buffer ist es, Kunden in die Lage zu versetzen, ihre Marke aufzubauen und ihr Publikum auf Social Media zu erreichen.
Dafür bietet das Unternehmen drei Produkte an:
- Publish: das ursprüngliche Produkt, mit dem sich Beiträge für Social-Media-Kanäle planen und veröffentlichen lassen
- Reply: gemeinsamer Posteingang, um auf Konversationen in sozialen Kanälen zu antworten
- Analyze: Analysen und Reporting für Social Media
Wir haben mit Buffer-CEO Joel Gascoigne über seine Erfahrungen beim Aufbau von Buffer gesprochen – und über die Rolle, die Abonnementdaten im Unternehmen spielen.
Die Herausforderung: Buffer sammelte „Reporting-Schulden“ an
In den ersten zwei bis drei Jahren von Buffer brauchten Joel und sein Team keine spezialisierte Lösung für Subscription Analytics.
Das Transaktionsvolumen war so niedrig, dass sich MRR, Churn und selbst einige Kohortenanalysen über Datenbankabfragen berechnen ließen.
Mit dem Wachstum des Unternehmens fielen diese Systeme jedoch ständig aus, und das Team musste seinen Ansatz überdenken und eine skalierbare Lösung suchen.
2014 begann Buffer, sowohl Baremetrics als auch Looker einzusetzen. Während Baremetrics den Wunsch nach öffentlicher Transparenz erfüllte, nutzte das Team intern fast ausschließlich Looker, um Umsatzkennzahlen zu verfolgen und zu berichten.
Baremetrics war insofern limitiert, als sich damit nur die Umsätze aus Stripe analysieren ließen – das Team rechnete jedoch längst auch über Mobile und eigene Rechnungsstellung ab und zog dort Zahlungen ein.
Deshalb entschied es sich für Looker als internes Analyse-Tool. Das löste einige der ersten Probleme, schuf mit der Zeit aber neue.
Die selbst gebaute Lösung erforderte nicht nur ein eigenes zweiköpfiges Team zur Betreuung – es war auch schwierig, die Daten in Looker zusammenzubekommen und ihnen zu vertrauen.
It felt like a constant battle to get all the data in and it was also costing us a lot of time. I would often message (Buffer data scientist) Julian to ask “Why did our MRR number for this or that change?”
Joel gibt zu, dass er und das Team wahrscheinlich zu lange gebraucht haben, um zu erkennen, dass sich ihr Analytics-Setup ändern musste.
Early in 2019, I had an epiphany moment. I realized we had better data in the first 2-3 years of the company when we were using improvised solutions, than with our sophisticated business intelligence platform. How was that possible?
Die unzuverlässigen Daten bremsten das gesamte Team
Da wurde Joel klar, dass diese Probleme das ganze Team betrafen – bis hinein in die Weiterentwicklung des Produkts.
We increasingly started to feel like we were running blind. Because of the challenges we were struggling with, we constantly had to rely on assumptions for important decisions about the product and it was starting to tell.
Das überrascht ein wenig, denn das Team von Buffer ertrank in Daten: Zwischen zahlenden Kunden, dem kostenlosen Plan und der 14-tägigen Testphase kamen damals rund 350 Tausend monatlich aktive Nutzer (MAU) zusammen, wie Joel uns erzählte.
Ein klareres Bild der Geschäftsentwicklung ergab sich daraus nicht.
MRR numbers were changing all the time. I realized we had a moving target for the most important metric in our company.
Das Setup prägte die Teamkultur
Ursprünglich hofften Joel und sein Team, dass Looker das Team in die Lage versetzt, aus den eigenen Abonnementdaten Erkenntnisse zu ziehen und bessere Entscheidungen für das Geschäft zu treffen.
Das erwies sich als Irrtum: Die gesamte Organisation war fortlaufend auf die Unterstützung des Datenteams angewiesen.
At some point, I noticed this was producing a change in our team culture. More and more people just started to assume that they “were not good at data”.
Die Lösung: in eine erneuerte Dateninfrastruktur investieren
Joel erzählte uns, dass die Entscheidung gegen Looker auch deshalb so lange dauerte, weil das Team eine Lösung nur schwer aufgeben wollte, in deren Aufbau es so viel Zeit gesteckt hatte.
In hindsight, I think that waiting 4-5 years, when things were clearly not working out, was too long. In the end, I had to step in and make a call for the best of the (whole) team.
Als sie ihr Setup aufbauten, war der Analytics-Markt noch nicht so ausgereift – sie mussten auf eigene Lösungen setzen. Diesmal wurde Joel klar, dass er einen Schritt zurücktreten und eine „Nullbudget“-Haltung einnehmen musste.
I asked myself “If we were starting today, what would we put in place?” So we started researching and we saw that while our peer companies were using a mix of homegrown and specialized tools, many new startups were adopting the likes of Segment, Mixpanel, and ChartMogul from the get-go. I wanted to be using the tools of the future and always ready to upgrade and switch things out, rather than getting behind and building up debt. That would make us less effective, and also less attractive to people joining the team.
Joel führte mit Buffers CTO Dan ein Gespräch, das er selbst “an honest conversation” nennt. In diesem Treffen entschieden die beiden, das Analytics-Setup vollständig zu erneuern.
Interessant war ein weiterer Punkt, den Joel mit uns teilte: Ihm war klar, dass die Einführung dieser Software-Tools eine große Investition bedeutet – und er entschied sich bewusst dafür:
I would gladly spend $100,000 on a tool if that would allow me to avoid hiring. A smaller team allows us to be more productive and move quicker.
Jeden Baustein einzeln auswählen
Joel wusste außerdem: Verschiedene Tools für Data-Pipeline-Management, Produkt-Engagement-Analysen und Subscription Analytics zu nutzen, würde es erlauben, für jeden Baustein des Setups das beste Werkzeug zu wählen.
Als Grundlage seines Daten-Setups wählte das Buffer-Team Segment. Es sammelt die Daten und speist sie in die übrigen Tools ein.
Mixpanel „sitzt“ auf Segment auf und hilft dem Team, das Engagement mit dem Produkt zu verfolgen.
ChartMogul führt die Abonnementdaten aus Stripe, Mobile und der eigenen Rechnungsstellung zusammen und erlaubt Joel und dem Team zu verstehen, wohin sich das Geschäft entwickelt.
Dieses Setup lässt sich zudem leicht ausbauen und mit den Tools verbinden, die das Buffer-Team für Support (Zendesk), In-App-Nachrichten (Appcues) und E-Mail (Customer.io) nutzt.
Selbst bauen?
Eine Zeit lang hielt Joel es für den besten Weg, ein eigenes Tool für Umsatz und andere wichtige Abonnementkennzahlen zu bauen.
Doch ihm wurde klar, dass das nicht nur Engineering-Ressourcen erfordert, sondern auch Antworten auf schwierige Fragen, die nicht zu den eigenen Stärken gehören.
Fragen wie „Welche MRR-Formel sollen wir verwenden?“ ließen Joel erkennen, dass sie sich darauf konzentrieren müssen, Wert für ihre Kunden zu schaffen – und Bereiche „auszulagern“, in denen sie keine Experten sind.
Das Ergebnis: neues Wachstum durch ein besseres Verständnis der Daten
Dank des neuen Umgangs mit der Analyse und Nutzung eigener Daten hat das Buffer-Team bereits strategische Veränderungen im Geschäft angestoßen.
Anfang 2018 verlangsamte sich das MRR-Wachstum, und Joel begann zu überlegen, wie sich der Umsatz von damals 16 Mio. $ ARR mit der Zeit auf 50 Mio. $ steigern lässt.
Ihm war klar: Das nächste Zehnfache des Umsatzes würde nicht dadurch entstehen, weitere 700.000 Kunden zu gewinnen (etwa das Zehnfache der damaligen Zahl).
Also brauchte es einen neuen Wachstumsweg. Der Blick in die Abonnementdaten zeigte ihn.
So entschied das Team, den Fokus auf ein schnelles ARPA-Wachstum zu legen.
Joel berichtet, dass der durchschnittliche Umsatz pro Account (ARPA) damals nur 18–19 $ betrug. Das Team setzte sich zum Ziel, diese Zahl zu steigern, um wieder zu wachsen und in die Produktentwicklung zu investieren.
Um das ARPA zu steigern, wählte es zwei strategische Richtungen:
- Es überprüfte Pricing und Packaging und passte beides so an, dass es die Kunden sinnvoller unterstützt. Der günstigste Plan stieg zum Beispiel von 10 $ auf 15 $/Monat.
- Es erweiterte das Angebot und ergänzte die Suite für Social-Media-Management um Reply und Analyze.
Heute liegt der durchschnittliche Umsatz pro Kunde bei Buffer bei rund 25 $.
Während die Zahl der zahlenden Kunden mit rund 75.000 mehr oder weniger konstant blieb, hat diese Initiative dem Team erlaubt, das Wachstum zu halten und 20 Mio. $ ARR zu erreichen.
Zwei verschiedene North-Star-Kennzahlen?
Als wir das Buffer-Team zum ersten Mal nach seinen North-Star-Kennzahlen fragten, nannten die Kollegen im Produktteam ARPA.
Joel schaut ebenfalls auf ARPA, denkt es aber im Zusammenhang mit dem gesamten MRR von Buffer.
I see ARPA as one of the components of MRR (ARPA * Customers = MRR). Within that formula, we consciously decided to ignore the "Customers" variable and focus entirely on the ARPA variable, to drive MRR. So the team was focused on that, which is great, and of course, I'm always looking at MRR. At the end of the day, that's our revenue and drives a lot of other strategic decisions such as hiring and other spend.
Er räumt allerdings ein, dass MRR vielleicht nicht die aussagekräftigste Perspektive auf das Geschäft ist.
Telling product managers to “grow MRR” is not actionable. Improving our analytics set up allowed us to identify a solid strategy to implement.
ChartMogul spielt dabei eine zentrale Rolle. Joel erzählte uns, dass in seinem Browser dauerhaft drei Tabs offen sind: sein Kalender, eines der internen Kommunikationstools des Teams und schließlich das ChartMogul-Dashboard.
Nutzen Sie Ihre Abonnementdaten, wenn Sie nicht zurückfallen wollen
In einem Jahrzehnt im SaaS-Geschäft hat Joel erlebt, wie professionell die Branche geworden ist.
Er ist überzeugt, dass diese Entwicklung bleibt und die Branche noch stärker prägen wird.
Abonnementdaten nennt er “the backbone” von SaaS-Unternehmen – weil sie die einzige verlässliche Quelle dafür sind, was funktioniert und was nicht.
It is going to become a competitive advantage to have a deeper knowledge of your subscription data.
Joel argumentiert, dass Unternehmen, die keine Kultur des Verstehens und der sinnvollen Nutzung dieser Daten entwickeln, zwangsläufig zurückfallen.
We’re at the point where if you’re starting a SaaS company, you need a tool like ChartMogul from Day 1.