¿Qué es Buffer?
Fundada en 2010, Buffer apenas necesita presentación. Como una de las primeras en llegar al mundo SaaS, la empresa abrió camino en varios terrenos que hoy son habituales en el sector: el content marketing, el movimiento de las startups transparentes y el trabajo remoto.
La misión de Buffer es dar a sus clientes el poder de construir su marca y conectar con su audiencia en redes sociales.
Para eso ofrecen 3 productos a sus clientes:
- Publish: el producto original, que ayuda a programar y publicar en canales sociales
- Reply: bandeja de entrada compartida para responder conversaciones en canales sociales
- Analyze: analítica y reporting para redes sociales
Hablamos con Joel Gascoigne, CEO de Buffer, sobre su experiencia construyendo Buffer y sobre el papel y el lugar que ocupan los datos de suscripción en la empresa.
El reto: Buffer estaba acumulando «deuda de reporting»
Durante los primeros 2 o 3 años de vida de Buffer, Joel y su equipo no necesitaron una solución especializada de analítica de suscripciones.
El volumen de transacciones era lo bastante bajo como para ir tirando con consultas a la base de datos para calcular su MRR, su churn e incluso hacer algún análisis de cohortes.
Sin embargo, a medida que la empresa creció, sus sistemas empezaron a fallar todo el tiempo, lo que llevó al equipo a replantearse el enfoque y buscar una solución escalable.
En 2014, Buffer empezó a usar Baremetrics y Looker. Mientras Baremetrics cubría su deseo de transparencia pública, de puertas adentro el equipo usaba Looker casi en exclusiva para seguir y reportar las métricas de ingresos.
Baremetrics resultaba limitante porque solo les permitía analizar los ingresos procedentes de Stripe, cuando el equipo ya usaba también la facturación móvil y la personalizada para cobrar.
Por eso decidieron adoptar Looker para sus necesidades de analítica interna. Les ayudó a superar algunos de los retos iniciales, pero con el tiempo empezó a crear otros problemas.
Además de exigir un equipo aparte de 2 personas para mantener esa solución casera, también les costaba recopilar los datos de Looker y fiarse de ellos.
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 admite que probablemente él y el equipo tardaron demasiado en darse cuenta de que tenían que cambiar su montaje de analítica.
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?
Los datos poco fiables frenaban a todo el equipo
Fue entonces cuando Joel se dio cuenta de que esos problemas afectaban a todo el equipo, incluida la evolución del producto.
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.
Todo eso resulta un poco sorprendente, teniendo en cuenta que el equipo de Buffer se estaba ahogando en datos: Joel nos contó que, entre los clientes de pago, el plan gratuito y la prueba de 14 días, tenían por entonces unos 350 mil usuarios activos mensuales (MAU).
Eso no ayudaba a tener una imagen más clara de cómo avanzaba el negocio.
MRR numbers were changing all the time. I realized we had a moving target for the most important metric in our company.
El montaje estaba afectando a la cultura del equipo
Al principio, Joel y su equipo esperaban que usar Looker diera al equipo la autonomía para explotar sus datos de suscripción, obtener información y tomar mejores decisiones sobre el negocio.
Sin embargo, no fue así, y toda la organización acabó en una situación en la que necesitaba ayuda constante del equipo de datos.
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”.
La solución: invertir en una infraestructura de datos renovada
Joel nos contó que parte del motivo por el que tardaron tanto en decidir dejar Looker fue el recelo del equipo a abandonar una solución en la que habían invertido tantísimo tiempo.
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.
Cuando empezaron a construir su montaje, el nicho de la analítica no era tan sólido, así que tuvieron que recurrir a sus propias soluciones. Esta vez, Joel entendió que tenía que dar un paso atrás y adoptar una mentalidad de «presupuesto cero».
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 tuvo lo que él llama “an honest conversation” con Dan, el CTO de Buffer. En esa reunión decidieron que tenían que renovar por completo su montaje de analítica.
Algo interesante que nos contó Joel es que se dio cuenta de que implementar estas herramientas de software exigiría una inversión grande, pero tomó esa decisión de forma consciente:
I would gladly spend $100,000 on a tool if that would allow me to avoid hiring. A smaller team allows us to be more productive and move quicker.
Elegir cada pieza por separado
Joel también sabía que usar herramientas distintas para gestionar el pipeline de datos, la analítica de engagement con el producto y la analítica de suscripciones les permitiría elegir la mejor herramienta para cada pieza del montaje.
El equipo de Buffer eligió Segment como base de su montaje de datos. Recoge los datos y los alimenta al resto de herramientas que usan.
Mixpanel «vive» encima de Segment y ayuda al equipo a medir el engagement con el producto.
ChartMogul reúne los datos de suscripción de Stripe, del móvil y de la facturación personalizada, y permite a Joel y a su equipo entender hacia dónde va el negocio.
Este montaje también facilita ampliar el sistema e integrarlo con las otras herramientas que usa el equipo de Buffer para soporte (Zendesk), mensajería in-app (Appcues) y email (Customer.io).
¿Construirlo en casa?
Durante un tiempo, Joel pensó que lo mejor sería construir su propia herramienta para seguir los ingresos y otras métricas clave de suscripción.
Pero se dio cuenta de que eso no solo exigía recursos de ingeniería, sino también responder preguntas difíciles que no eran su punto fuerte.
Preguntas como «¿Qué fórmula de MRR deberíamos usar?» llevaron a Joel a entender que tenían que centrarse en crear valor para sus clientes y «externalizar» las áreas en las que no son expertos.
El resultado: reactivar el crecimiento gracias a entender mejor los datos
El equipo de Buffer ya ha podido impulsar cambios estratégicos en su negocio gracias a su nuevo enfoque para analizar y usar sus datos.
A comienzos de 2018, el crecimiento del MRR empezaba a ralentizarse, y eso llevó a Joel a pensar en la mejor manera de pasar de los 16 M$ de ARR que tenían entonces a 50 M$ con el tiempo.
Sabía que no era viable esperar que el siguiente crecimiento de 10x en ingresos llegara sumando otros 700.000 clientes (unas 10 veces los que tenían en ese momento).
Fue entonces cuando entendió que tenían que encontrar una nueva forma de crecer. Mirar sus datos de suscripción les permitió ver el camino a seguir.
Y ahí el equipo tomó la decisión de centrarse en impulsar un crecimiento rápido del ARPA.
Joel cuenta que en aquel momento el ingreso medio por cuenta (ARPA) era de solo 18-19 $. El equipo se marcó el objetivo de hacer crecer esa cifra para volver a crecer y a invertir en el desarrollo de los productos.
Para hacer crecer su ARPA eligieron dos direcciones estratégicas concretas:
- Revisaron su pricing y su empaquetado y los actualizaron de forma que pudieran dar un mejor servicio a sus clientes. Por ejemplo, su plan más bajo pasó de 10 a 15 $/mes.
- Ampliaron su oferta de producto añadiendo Reply y Analyze a su suite de herramientas de gestión de redes sociales.
Hoy, el ingreso medio por cliente de Buffer ronda los 25 $.
Aunque el número de clientes de pago se ha mantenido más o menos plano en torno a los 75.000, esta iniciativa ha permitido al equipo sostener el crecimiento y alcanzar los 20 millones de dólares de ARR.
¿2 métricas North Star distintas?
Cuando preguntamos por primera vez al equipo de Buffer por sus métricas North Star, la gente de producto mencionó el ARPA.
Joel también mira el ARPA, pero lo piensa en el contexto del MRR total de 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.
Aun así, admite que el MRR quizá no sea la forma más significativa de mirar el negocio.
Telling product managers to “grow MRR” is not actionable. Improving our analytics set up allowed us to identify a solid strategy to implement.
ChartMogul ha sido clave en eso. Joel nos contó que tiene 3 pestañas siempre abiertas en su navegador: una con su calendario, otra con una de las herramientas internas de comunicación del equipo y, por último, una con su dashboard de ChartMogul.
Usa tus datos de suscripción si no quieres quedarte atrás
En la última década operando en SaaS, Joel ha visto cómo el sector se volvía cada vez más sofisticado.
Cree que es un rasgo que va a quedarse y que ejercerá un efecto aún más fuerte en el sector.
Llama a los datos de suscripción “the backbone” de los negocios SaaS, porque son la única fuente real de información sobre lo que funciona y lo que no.
Joel sostiene que las empresas que no desarrollen una cultura de entender y usar esos datos de forma significativa están condenadas a quedarse atrás.
It is going to become a competitive advantage to have a deeper knowledge of your subscription data.
We’re at the point where if you’re starting a SaaS company, you need a tool like ChartMogul from Day 1.