Qu’est-ce que Buffer
Fondée en 2010, Buffer n’a presque plus besoin d’être présentée. Arrivée très tôt dans le SaaS, l’entreprise a défriché plusieurs terrains devenus depuis courants dans l’industrie : le content marketing, le mouvement des startups transparentes et le travail à distance.
La mission de Buffer est de donner à ses clients les moyens de construire leur marque et d’engager leur audience sur les réseaux sociaux.
Pour cela, l’entreprise propose 3 produits à ses clients :
- Publish : le produit d’origine, qui aide à programmer et à publier sur les canaux sociaux
- Reply : une boîte de réception partagée pour répondre aux conversations sur les canaux sociaux
- Analyze : l’analytics et le reporting des réseaux sociaux
Nous avons échangé avec Joel Gascoigne, CEO de Buffer, sur son expérience de la construction de Buffer et sur le rôle et la place qu’occupent les données d’abonnement dans l’entreprise.
Le défi : Buffer accumulait une « dette de reporting »
Pendant les 2 à 3 premières années d’existence de Buffer, Joel et son équipe n’avaient pas besoin d’une solution spécialisée d’analyse d’abonnement.
Le volume de transactions était assez faible pour qu’ils s’en sortent avec des requêtes en base de données afin de calculer leur MRR, leur churn, et même de mener quelques analyses de cohortes.
Mais à mesure que l’entreprise grandissait, leurs systèmes se sont mis à flancher sans arrêt, poussant l’équipe à repenser son approche et à chercher une solution capable de suivre le rythme.
En 2014, Buffer a commencé à utiliser à la fois Baremetrics et Looker. Baremetrics répondait à la volonté de transparence publique, tandis qu’en interne l’équipe s’appuyait presque exclusivement sur Looker pour suivre et reporter ses métriques de revenu.
Baremetrics était limitant : il ne permettait d’analyser que le revenu issu de Stripe, alors que l’équipe facturait et encaissait déjà via le mobile et la facturation sur mesure.
C’est pourquoi ils ont adopté Looker pour leurs besoins d’analytics internes. L’outil leur a permis de franchir les premiers obstacles, mais il a fini par en créer d’autres.
Non seulement cette solution maison exigeait une équipe dédiée de 2 personnes pour la maintenir, mais l’équipe avait aussi du mal à collecter les données dans Looker et à leur faire confiance.
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 admet que lui et son équipe ont probablement mis trop de temps à comprendre qu’il fallait changer de dispositif analytique.
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?
Des données peu fiables freinaient toute l’équipe
C’est là que Joel a réalisé que ces problèmes touchaient toute l’équipe — jusqu’à la façon dont le produit évoluait.
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.
Tout cela est un peu surprenant, sachant que l’équipe de Buffer croulait sous les données : Joel nous a raconté qu’entre ses clients payants, l’offre gratuite et l’essai de 14 jours, l’entreprise comptait à l’époque environ 350 mille utilisateurs actifs mensuels (MAU).
Cela n’aidait en rien à dégager une vision plus claire de la progression de l’activité.
MRR numbers were changing all the time. I realized we had a moving target for the most important metric in our company.
Le dispositif pesait sur la culture d’équipe
Au départ, Joel et son équipe espéraient que Looker permettrait à chacun d’exploiter les données d’abonnement pour en tirer des enseignements et mieux décider pour l’entreprise.
Cela ne s’est pas vérifié : toute l’organisation s’est retrouvée dans une situation de dépendance permanente à l’aide de l’équipe data.
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 solution : investir dans une infrastructure de données repensée
Joel nous a expliqué qu’ils avaient mis si longtemps à décider de quitter Looker en partie parce que l’équipe redoutait d’abandonner une solution dans laquelle elle avait investi tant de temps.
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.
Lorsqu’ils avaient bâti leur dispositif, le marché de l’analytics n’était pas si solide : il leur avait fallu compter sur leurs propres solutions. Cette fois, Joel a compris qu’il devait prendre du recul et adopter une mentalité « budget zéro ».
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 a eu ce qu’il appelle “an honest conversation” avec Dan, le CTO de Buffer. Lors de cette réunion, ils ont décidé de refondre entièrement leur dispositif analytique.
Joel nous a confié un point intéressant : il savait que déployer ces outils logiciels demanderait un investissement important, et il a pris cette décision en toute conscience :
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.
Choisir chaque brique séparément
Joel savait aussi qu’en utilisant des outils distincts pour la gestion du pipeline de données, l’analyse de l’engagement produit et l’analyse d’abonnement, ils pourraient retenir le meilleur outil pour chaque brique du dispositif.
L’équipe de Buffer a choisi Segment comme socle de son dispositif de données. L’outil collecte les données et les alimente vers les autres outils utilisés.
Mixpanel « vit » au-dessus de Segment et aide l’équipe à suivre l’engagement avec le produit.
ChartMogul réunit les données d’abonnement issues de Stripe, du mobile et de la facturation sur mesure, et permet à Joel et à son équipe de comprendre où va l’entreprise.
Ce dispositif facilite aussi l’enrichissement du système et son intégration avec les outils que l’équipe de Buffer utilise pour le support (Zendesk), la messagerie in-app (Appcues) et l’e-mail (Customer.io).
Développer en interne ?
Pendant un temps, Joel a pensé que la meilleure voie serait de construire leur propre outil pour suivre le revenu et les autres métriques d’abonnement clés.
Mais il a compris que cela exigerait non seulement des ressources d’ingénierie, mais aussi de répondre à des questions difficiles qui n’étaient pas leur point fort.
Des questions comme « Quelle formule de MRR devons-nous utiliser ? » l’ont amené à conclure qu’ils devaient se concentrer sur la valeur créée pour leurs clients et « externaliser » les domaines où ils ne sont pas experts.
Le résultat : une croissance relancée grâce à une meilleure compréhension des données
L’équipe de Buffer a déjà pu conduire des changements stratégiques dans son activité grâce à sa nouvelle façon d’analyser et d’utiliser ses données.
Début 2018, la croissance du MRR commençait à ralentir, ce qui a poussé Joel à réfléchir à la meilleure façon de passer des 16 millions de dollars d’ARR d’alors à 50 millions de dollars à terme.
Il savait qu’il était illusoire d’attendre le prochain facteur 10 de revenu de l’ajout de 700 000 clients supplémentaires (environ 10 fois le nombre qu’ils avaient alors).
C’est là qu’il a compris qu’il leur fallait trouver un nouveau levier de croissance. L’examen de leurs données d’abonnement leur a montré la voie.
L’équipe a alors décidé de concentrer ses efforts sur une croissance rapide de l’ARPA.
Joel raconte qu’à l’époque, l’Average Revenue per Account (ARPA) n’était que de 18 à 19 $. L’équipe s’est fixé pour objectif de faire croître ce chiffre afin de renouer avec la croissance et de réinvestir dans le développement des produits.
Pour faire croître leur ARPA, ils ont retenu deux directions stratégiques précises :
- Ils ont réexaminé leur tarification et leur packaging, et les ont revus de façon à accompagner leurs clients plus utilement. Leur offre la plus basse est ainsi passée de 10 à 15 $/mois.
- Ils ont élargi leur offre produit en ajoutant Reply et Analyze à leur suite d’outils de gestion des réseaux sociaux.
Aujourd’hui, le revenu moyen par client de Buffer s’établit autour de 25 $.
Alors que le nombre de clients payants est resté plus ou moins stable, autour de 75 000, cette initiative a permis à l’équipe de soutenir sa croissance et d’atteindre 20 millions de dollars d’ARR.
2 métriques North Star différentes ?
Quand nous avons interrogé l’équipe de Buffer sur ses métriques North Star, l’équipe produit a d’abord cité l’ARPA.
Joel regarde également l’ARPA, mais il le pense aussi dans le contexte du 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.
Il admet toutefois que le MRR n’est peut-être pas la façon la plus parlante de regarder l’activité.
Telling product managers to “grow MRR” is not actionable. Improving our analytics set up allowed us to identify a solid strategy to implement.
ChartMogul y a joué un rôle décisif. Joel nous a confié qu’il garde 3 onglets ouverts en permanence dans son navigateur : son agenda, l’un des outils de communication interne de l’équipe et, enfin, son dashboard ChartMogul.
Exploitez vos données d’abonnement si vous ne voulez pas décrocher
Au cours de la dernière décennie passée dans le SaaS, Joel a vu l’industrie devenir de plus en plus sophistiquée.
Il est convaincu que cette caractéristique va perdurer et peser encore plus fortement sur le secteur.
Il appelle les données d’abonnement “the backbone” des entreprises SaaS — parce qu’elles sont la seule véritable source d’information sur ce qui fonctionne et ce qui ne fonctionne pas.
It is going to become a competitive advantage to have a deeper knowledge of your subscription data.
Joel soutient que les entreprises qui ne développent pas une culture de la compréhension et de l’usage utile de ces données sont condamnées à décrocher.
We’re at the point where if you’re starting a SaaS company, you need a tool like ChartMogul from Day 1.