A Lavender é um coach de e-mails de vendas com IA. Ela ajuda times de receita a escrever e-mails de prospecção melhores, que recebem mais respostas, com pontuação em tempo real, sugestões de personalização e coaching nativo na caixa de entrada, dentro de ferramentas como Gmail e Outlook.
Quando a Lavender começou a escalar dois modelos de go-to-market bem diferentes — um produto self-serve de PLG ao lado de uma operação enterprise liderada por vendas — o time bateu de frente com um problema surpreendentemente comum em empresas SaaS em crescimento: já não conseguia responder a perguntas básicas com segurança.
Qual era o ARR deles?
A receita passava pelo Stripe, mas as métricas por baixo dela estavam cada vez mais difíceis de reconciliar entre produtos, modelos de pricing e tipos de cliente.
Nas palavras de Elliott Fisher, COO da Lavender:
“When I joined the company in 2024… there was never full confidence in what our ARR number was.”
Como eles chegaram até aqui?
RevOps superarquitetado
No caso da Lavender, a confusão em torno do ARR não era resultado de um sistema quebrado, e sim de anos de decisões ad hoc, mudanças de responsável e contornos bem-intencionados.
Escalar dois modelos de go-to-market diferentes significa experimentação constante: testar mensagens, táticas de crescimento e estratégias de pricing diferentes.
“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.”
Quando você vende para tipos de cliente diferentes, por fluxos diferentes e com caminhos de cobrança diferentes nos bastidores, a receita deixa de ser um número simples. Ela vira um problema permanente de coordenação.
O momento em que a Lavender teve que “explodir tudo”
Um dia, o CEO fez uma pergunta simples: “What’s our current ARR number?”
E ninguém conseguiu responder com segurança.
“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.”
Para Elliott, foi um momento decisivo. Eles precisavam parar de empilhar correções sobre um sistema que já era complexo. Em vez de continuar remendando inconsistências, a Lavender decidiu começar do zero.
Voltaram à única fonte de dados em que ainda confiavam plenamente: o Stripe.
O time exportou quatro anos de histórico de faturas e reconstruiu o modelo de waterfall de ARR manualmente no Excel, linha por linha. Foi um processo trabalhoso, mas deu a eles algo que não tinham antes: uma baseline limpa.
Mais importante ainda: aquilo obrigou a Lavender a criar consistência interna em torno de definições de receita, inputs e responsáveis, formando a base para SOPs mais sólidos dali para frente.
O ChartMogul como bote salva-vidas e fonte da verdade
Com uma baseline limpa dos dados de assinatura reconstruída, o passo seguinte era garantir que ninguém precisasse fazer aquilo à mão outra vez.
O CFO deles na Pilot recomendou automatizar o ARR de verdade. Foi aí que a Lavender chegou ao ChartMogul.
A Lavender concluiu o onboarding em menos de uma semana.
“ChartMogul was so straightforward and intuitive… It was very relieving. Here we finally can have this number calculated for us in real time.”
Diferente das ferramentas que já havia testado, o ChartMogul não trouxe mais complexidade. Ele entregou um número de ARR confiável de imediato, com a opção de evoluir para análises mais profundas com o tempo.
“ChartMogul could be as simple as telling us ARR, and as dynamic as analyzing revenue by product or customer type as we grew”
Limpando o que a automação normalmente não alcança
O que tornava o setup da Lavender especialmente complexo era que os dados de assinatura não ficavam em um só lugar. Eles tinham várias contas no Stripe sustentando a operação self-serve, além do SalesBricks para os negócios enterprise. Em muitos casos, um mesmo cliente aparecia nos três sistemas. Um cliente enterprise podia existir como contrato no SalesBricks, ter um pagamento único em uma conta do Stripe e uma assinatura recorrente criada em outra.
Antes do ChartMogul, reconciliar essa dispersão significava planilhas, contornos manuais ou simplesmente aceitar que os números nunca iam fechar por completo. Com o ChartMogul, o time passou a editar dados de faturas diretamente, mesclar vários registros em um único cliente, gerar assinaturas manualmente onde elas não existiam e transformar pagamentos únicos em receita recorrente quando necessário.
Essa flexibilidade se mostrou decisiva. Em vez de forçar a Lavender a reconstruir seus processos em torno de um modelo de dados rígido, o ChartMogul permitiu refletir como a receita realmente fluía pelo negócio e, a partir daí, padronizar tudo.
Rodando o negócio no ChartMogul
Hoje, Elliott considera o ChartMogul a base das métricas da Lavender.
“ChartMogul is our source of truth… because it aggregates the information across products.”
Elliott usa a ferramenta todos os dias, do reporting para a liderança à visibilidade sobre renovações. As reuniões executivas semanais giram em torno de churn, retenção, renovações e ARR. Novas assinaturas são verificadas em tempo real e as renovações próximas são sinalizadas proativamente para o time de vendas.
Conforme a Lavender ampliou seu portfólio de produtos, o ChartMogul também ajudou o time a entender de onde vinha o crescimento e quem estava puxando esse crescimento. Com enriquecimento e segmentação, a Lavender passou a analisar cohorts por:
- Setor
- Tamanho da empresa
- Geografia
- Segmento de cliente
“Jordan said, ‘we can actually do data enrichment for you.’ Another life-saving miracle for us.”
O resultado foi uma análise de cohorts mais clara, decisões de go-to-market mais afiadas e um reporting mais confiável em todo o negócio.
O conselho de Elliott: simplifique primeiro, automatize depois
Para Elliott, a lição é simples e foi aprendida no osso. Métricas limpas não vêm de ferramentas complexas. Elas vêm de fluxos consistentes, responsabilidades claras e rigor operacional.
“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.”
No fim, o objetivo não era mais software. Era clareza, consistência e um sistema em que o negócio pudesse confiar.