O que é a Buffer
Fundada em 2010, a Buffer quase não precisa de apresentação. Uma das primeiras a entrar no campo do SaaS, a empresa foi pioneira em uma série de frentes que hoje são lugar-comum na indústria — content marketing, o movimento das startups transparentes e o trabalho remoto.
A missão da Buffer é dar aos seus clientes o poder de construir a marca e engajar o público nas redes sociais.
Para isso, oferecem 3 produtos aos clientes:
- Publish: o produto original, que ajuda as pessoas a agendar e publicar em canais de redes sociais
- Reply: caixa de entrada compartilhada para responder conversas nos canais sociais
- Analyze: analytics e reporting para redes sociais
Conversamos com o CEO da Buffer, Joel Gascoigne, sobre a sua experiência construindo a Buffer e sobre o papel e o lugar que os dados de assinatura ocupam na empresa.
O desafio: a Buffer acumulava “dívida de reporting”
Nos primeiros 2-3 anos de existência da Buffer, Joel e o time dele não precisavam de uma solução especializada em subscription analytics.
O volume de transações era baixo o suficiente para que dessem conta com queries no banco de dados para calcular MRR, churn e até fazer alguma análise de cohort.
Mas, conforme a empresa cresceu, os sistemas começaram a falhar o tempo todo, levando o time a repensar a abordagem e buscar uma solução escalável.
Em 2014, a Buffer passou a usar Baremetrics e Looker. Enquanto o Baremetrics atendia o desejo de transparência pública, internamente o time usava o Looker quase exclusivamente para acompanhar e reportar métricas de receita.
O Baremetrics era limitado no sentido de que só permitia analisar a receita vinda do Stripe, e o time já usava cobrança mobile e faturamento customizado para cobrar e receber pagamentos.
Foi por isso que decidiram adotar o Looker para as necessidades internas de analytics. Isso ajudou a superar alguns dos desafios iniciais, mas com o tempo começou a criar outros problemas.
Além de exigir um time separado de 2 pessoas para dar suporte a essa solução caseira, eles também tinham dificuldade em coletar os dados no Looker e em confiar neles.
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 provavelmente ele e o time demoraram demais para perceber que precisavam mudar o setup de analytics.
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?
Os dados pouco confiáveis freavam todo o time
Foi então que Joel percebeu que esses problemas afetavam todo o time — inclusive a forma como o produto evoluía.
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.
Tudo isso é um pouco surpreendente, considerando que o time da Buffer estava se afogando em dados — Joel nos contou que, entre os clientes pagantes, o plano gratuito e o trial de 14 dias, eles chegavam a cerca de 350 mil usuários ativos mensais (MAU) na época.
Isso não ajudava a entregar um quadro mais claro de como o negócio avançava.
MRR numbers were changing all the time. I realized we had a moving target for the most important metric in our company.
O setup afetava a cultura do time
No início, Joel e o time esperavam que usar o Looker daria autonomia para o time usar os dados de assinatura, ganhar insight e tomar melhores decisões sobre o negócio.
Mas isso não se confirmou e colocou toda a organização numa situação de dependência constante da ajuda do time de dados.
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”.
A solução: investir em uma infraestrutura de dados renovada
Joel nos contou que parte do motivo pelo qual demoraram tanto para decidir abandonar o Looker era certa resistência do time em abrir mão de uma solução em que tinham investido tanto tempo construindo.
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.
Quando começaram a montar o setup, o nicho de analytics não era tão robusto, então tiveram que apostar nas próprias soluções. Desta vez, Joel percebeu que precisaria dar um passo atrás e adotar uma mentalidade de “orçamento zero”.
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 teve o que ele chama de “uma conversa honesta” com o CTO da Buffer, Dan. Naquela reunião, decidiram que precisavam reformular completamente o setup de analytics.
Uma coisa interessante que Joel compartilhou com a gente foi que ele sabia que implementar essas ferramentas exigiria um investimento grande, mas fez essa escolha 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.
Escolher cada peça individualmente
Joel também sabia que usar ferramentas diferentes para gestão do pipeline de dados, analytics de engajamento com o produto e subscription analytics permitiria escolher a melhor ferramenta para cada peça do setup.
O time da Buffer escolheu o Segment como base do seu setup de dados. Ele coleta os dados e os alimenta nas outras ferramentas que usam.
O Mixpanel “mora” em cima do Segment e ajuda o time a acompanhar o engajamento com o produto.
O ChartMogul reúne os dados de assinatura do Stripe, do mobile e do faturamento customizado e permite que Joel e o time entendam para onde o negócio está indo.
Esse setup também facilita evoluir o sistema e integrá-lo com as ferramentas que o time da Buffer usa para suporte (Zendesk), mensagens in-app (Appcues) e e-mail (Customer.io).
Construir internamente?
Por um tempo, Joel achou que o melhor caminho seria construir a própria ferramenta para acompanhar receita e outras métricas-chave de assinatura.
Mas percebeu que isso exigiria não só recursos de engenharia, como também responder a perguntas difíceis que não eram o forte deles.
Perguntas como “Que fórmula de MRR devemos usar?” levaram Joel a perceber que precisavam focar em criar valor para os clientes e “terceirizar” as áreas em que não são especialistas.
O resultado: reacender o crescimento graças a um melhor entendimento dos dados
O time da Buffer já conseguiu conduzir mudanças estratégicas no negócio graças à nova abordagem de analisar e usar os seus dados.
No início de 2018, o crescimento do MRR começava a desacelerar, e isso levou Joel a pensar na melhor forma de crescer dos $ 16 milhões de ARR em que estavam naquele momento para $ 50 milhões ao longo do tempo.
Ele sabia que não era viável esperar que o próximo crescimento de 10x na receita viesse com a adição de outros 700 mil clientes (~10x o número que tinham na época).
Foi aí que percebeu que precisariam encontrar um novo jeito de crescer. Olhar para os dados de assinatura permitiu encontrar o caminho.
Foi então que o time decidiu focar em acelerar o crescimento do ARPA.
Joel conta que, na época, a receita média por conta (ARPA) era de apenas $ 18-19. O time definiu a meta de crescer esse número para voltar a crescer e a investir no desenvolvimento dos produtos.
Para crescer o ARPA, escolheram duas direções estratégicas específicas:
- Revisaram pricing e packaging e atualizaram tudo de um jeito que permitisse apoiar os clientes de forma mais relevante. O plano mais baixo, por exemplo, saiu de $ 10 para $ 15/mês.
- Expandiram a oferta de produtos, adicionando Reply e Analyze ao seu conjunto de ferramentas de gestão de redes sociais.
Hoje, a receita média por cliente da Buffer está em torno de $ 25.
Enquanto o número de clientes pagantes permaneceu mais ou menos estável, em cerca de 75.000, essa iniciativa permitiu ao time sustentar o crescimento e chegar a $ 20 milhões de ARR.
2 métricas North Star diferentes?
Quando perguntamos ao time da Buffer sobre as suas métricas North Star, as pessoas do time de produto mencionaram o ARPA.
Joel também olha o ARPA, mas pensa nele no contexto do MRR total da 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.
Ele admite, porém, que talvez o MRR não seja a forma mais significativa de olhar o negócio.
Telling product managers to “grow MRR” is not actionable. Improving our analytics set up allowed us to identify a solid strategy to implement.
O ChartMogul foi fundamental nisso. Joel nos contou que tem 3 abas sempre abertas no navegador — uma é o calendário, a segunda é uma das ferramentas internas de comunicação que o time usa e a última é o dashboard do ChartMogul.
Use os seus dados de assinatura se não quiser ficar para trás
Na última década operando em SaaS, Joel viu a indústria ficar cada vez mais sofisticada.
Ele acredita que essa é uma característica que veio para ficar e que vai exercer um efeito ainda mais forte na indústria.
Ele chama os dados de assinatura de “a espinha dorsal” dos negócios SaaS — porque são a única fonte real de insight sobre o que está e o que não está funcionando.
It is going to become a competitive advantage to have a deeper knowledge of your subscription data.
Joel argumenta que as empresas que não desenvolverem uma cultura de entender e usar esses dados de forma significativa estão destinadas a ficar para trás.
We’re at the point where if you’re starting a SaaS company, you need a tool like ChartMogul from Day 1.