Lavender est un coach d’e-mails de vente propulsé par l’IA. La solution aide les équipes revenue à rédiger de meilleurs e-mails d’outbound, ceux qui obtiennent plus de réponses, grâce à un scoring en temps réel, des suggestions de personnalisation et un coaching intégré à la boîte de réception, dans des outils comme Gmail et Outlook.
Lorsque Lavender a commencé à faire monter en puissance deux motions go-to-market très différentes — un produit PLG en self-serve d’un côté, une motion enterprise portée par les ventes de l’autre —, l’équipe s’est heurtée à un problème étonnamment courant dans les entreprises SaaS en croissance : elle ne pouvait plus répondre avec assurance à des questions élémentaires.
Quel était leur ARR ?
Le revenu passait bien par Stripe, mais les métriques sous-jacentes devenaient de plus en plus difficiles à réconcilier entre les produits, les modèles de tarification et les types de clients.
Comme le résume Elliott Fisher, COO de Lavender :
“When I joined the company in 2024… there was never full confidence in what our ARR number was.”
Comment en sont-ils arrivés là ?
Un RevOps sur-architecturé
Chez Lavender, la confusion autour de l’ARR ne venait pas d’un système défaillant, mais d’années de décisions prises au cas par cas, de responsabilités qui changeaient de mains et de contournements bien intentionnés.
Faire monter en puissance deux motions go-to-market différentes suppose d’expérimenter en permanence… tester des messages, des tactiques de croissance et des stratégies de tarification différentes.
“We had consultants and we paid them a fortune. We hired a RevOps director… we had another SaaS tool for analysis and forecasting… All of this contributed to us over-architecting how we did RevOps.”
Dès lors que vous vendez à des types de clients différents, via des workflows différents, avec des circuits de facturation différents en coulisses, le revenu cesse d’être un simple chiffre. Il devient un problème de coordination permanent.
Le moment où Lavender a dû « tout faire sauter »
Un jour, le CEO a posé une question simple : “What’s our current ARR number?”
Et personne n’a pu répondre avec assurance.
“None of the leadership could give him an answer… and at that point it was like, alright, we have to essentially blow this up and rebuild it from scratch.”
Pour Elliott, ce fut un moment décisif. Il fallait cesser d’empiler les correctifs sur un système déjà complexe. Plutôt que de continuer à rustiner les incohérences, Lavender a décidé de repartir de zéro.
L’équipe est revenue à la seule source de données en laquelle elle avait encore pleinement confiance : Stripe.
Elle a exporté quatre années d’historique de factures et reconstruit son modèle de waterfall d’ARR à la main dans Excel, ligne par ligne. Un travail minutieux, mais qui lui a donné ce qu’elle n’avait jamais eu : une base de référence propre.
Plus important encore, l’exercice a obligé Lavender à instaurer une cohérence interne sur les définitions du revenu, les données d’entrée et les responsabilités, posant ainsi les fondations de procédures plus solides pour la suite.
ChartMogul, bouée de sauvetage et source de vérité
Une fois cette base propre reconstruite pour ses données d’abonnement, l’étape suivante consistait à ne plus jamais refaire ce travail à la main.
Leur CFO chez Pilot leur a conseillé d’automatiser correctement le calcul de l’ARR. C’est là que Lavender s’est tourné vers ChartMogul.
L’onboarding a pris moins d’une semaine.
“ChartMogul was so straightforward and intuitive… It was very relieving. Here we finally can have this number calculated for us in real time.”
Contrairement aux outils essayés jusque-là, ChartMogul n’a pas ajouté de complexité. L’équipe a immédiatement obtenu un chiffre d’ARR fiable, avec la possibilité d’aller vers des analyses plus poussées au fil du temps.
“ChartMogul could be as simple as telling us ARR, and as dynamic as analyzing revenue by product or customer type as we grew”
Nettoyer ce que l’automatisation ne sait généralement pas traiter
Ce qui rendait la configuration de Lavender particulièrement complexe, c’est que ses données d’abonnement n’étaient pas centralisées. Plusieurs comptes Stripe alimentaient la motion self-serve, auxquels s’ajoutait SalesBricks pour les deals enterprise. Bien souvent, un même client apparaissait dans les trois systèmes : un client enterprise pouvait exister sous forme de contrat dans SalesBricks, avoir un paiement unique dans un compte Stripe et un abonnement récurrent créé dans un autre.
Avant ChartMogul, réconcilier cet éparpillement passait par des tableurs, des contournements, ou l’acceptation résignée que les chiffres ne colleraient jamais tout à fait. Avec ChartMogul, l’équipe peut modifier directement les données de facturation, fusionner plusieurs enregistrements en un seul client, générer manuellement des abonnements là où il n’en existait pas, et convertir au besoin des paiements uniques en revenu d’abonnement.
Cette souplesse s’est révélée déterminante. Au lieu d’obliger Lavender à refondre ses processus autour d’un modèle de données rigide, ChartMogul lui a permis de refléter la circulation réelle du revenu dans l’entreprise, puis de la standardiser pour la suite.
Piloter l’entreprise avec ChartMogul
Aujourd’hui, Elliott considère ChartMogul comme le socle des métriques de Lavender.
“ChartMogul is our source of truth… because it aggregates the information across products.”
Elliott s’en sert quotidiennement, du reporting de direction au suivi des renouvellements. Les comités hebdomadaires s’appuient sur le churn, la rétention, les renouvellements et l’ARR. Les nouveaux abonnements sont vérifiés en temps réel et les renouvellements à venir signalés de façon proactive à l’équipe commerciale.
À mesure que Lavender étoffait son offre produit, ChartMogul a aussi aidé l’équipe à comprendre d’où venait la croissance et qui la portait. Grâce à l’enrichissement et à la segmentation, Lavender peut analyser ses cohortes par :
- Secteur
- Taille d’entreprise
- Zone géographique
- Segment de clientèle
“Jordan said, ‘we can actually do data enrichment for you.’ Another life-saving miracle for us.”
Résultat : une analyse de cohortes plus lisible, des décisions go-to-market plus précises et un reporting plus assuré dans toute l’entreprise.
Le conseil d’Elliott : simplifier d’abord, automatiser ensuite
Pour Elliott, la leçon est simple, et durement acquise. Des métriques propres ne naissent pas d’un outillage complexe. Elles naissent de workflows cohérents, de responsabilités clairement attribuées et de rigueur opérationnelle.
“You need to simplify the workflow. Create a process where the data can be consistent. Assign an owner… then look for tools like ChartMogul to automate the work.”
Au fond, l’objectif n’était pas d’ajouter du logiciel. C’était d’obtenir de la clarté, de la cohérence et un système auquel l’entreprise puisse faire confiance.