هندسة بيانات SaaS: من الجداول اليدوية إلى تحليلات ذاتية
منظومة بيانات حديثة في 7 أسابيع: ألغت 56 ساعة شهريًا من التقارير اليدوية، وقلّصت الإقفال الشهري من 5 أيام إلى يومين، وحافظت على 186,000 دولار من ARR.
الشركة تقدّم منتج SaaS لإدارة المشاريع تستخدمه أكثر من 1,200 شركة، وتنمو 40% سنويًا. بياناتها موزعة على 7 أنظمة: HubSpot، Stripe، قاعدة بيانات الإنتاج على PostgreSQL، Intercom، Google Analytics، QuickBooks، Gusto. وكانت الإجابة عن أسئلة أساسية تخص الأعمال تأخذ من محللَين اثنين أيامًا من العمل على جداول البيانات.
حساب صافي الاحتفاظ بالإيرادات (NRR) كان يتطلب تصدير البيانات من Stripe ثم HubSpot ثم قاعدة بيانات المنتج، ومطابقة معرّفات العملاء غير المتطابقة بدوال VLOOKUP، والخروج برقم لا يثق به أحد ثقة كاملة. أراد الرئيس التنفيذي لوحة متابعة جاهزة صباح كل يوم اثنين تعرض الإيرادات السنوية المتكررة (ARR)، وصافي الاحتفاظ بالإيرادات، ومعدل إلغاء الاشتراكات، وتوسّع الحسابات، واتجاهات الاستخدام، دون تدخل أي محلل. وكان نائب الرئيس للشؤون المالية يقضي 5 أيام في الإقفال الشهري، لأن التقارير المالية تتطلب تجميعًا يدويًا من 4 أنظمة.
بدأ العمل بتقييم للبيانات مدته أسبوع واحد وتكلفته 4,000 دولار، راجع المصادر السبعة كلها ورتّب احتياجات التقارير حسب الأولوية. كانت لوحة ARR/MRR وحدها تكلّف 4 ساعات عمل يدوي أسبوعيًا، وحساب NRR يكلّف 8 ساعات شهريًا، وملف الإقفال المالي 20 ساعة شهريًا. الخطة: إدخال كل البيانات في Snowflake، ونمذجة المؤشرات باستخدام dbt، وتقديم لوحات متابعة ذاتية الخدمة عبر Metabase.
في الأسبوعين 2 و3 جُهّزت البنية التحتية. ربط Fivetran المصادر السبعة كلها بجداول مزامنة تناسب الحاجة: كل ساعة لبيانات استخدام المنتج، وكل 6 ساعات لبيانات Stripe وبيانات HubSpot، ويوميًا لبيانات Google Analytics وبيانات QuickBooks. واعتُمدت في Snowflake بنية من ثلاث طبقات: طبقة خام لا تُعدَّل تعمل كسجل تدقيق، وطبقة تجهيز (staging) توحّد معرّفات العملاء بين الأنظمة، وجداول جاهزة للاستخدام (marts) لمجالات المالية والعملاء والمنتج والدعم.
في الأسبوعين 4 و5 بُني 34 نموذجًا في dbt: الإيرادات الشهرية المتكررة (MRR) لكل عميل مع منطق الاحتساب النسبي، ومخطط شلالي لتغيّر ARR، وحساب NRR حسب الأفواج (cohorts)، ومؤشر مركّب لصحة العميل، ونماذج لتبنّي الميزات. كل نموذج تحميه اختبارات لجودة البيانات، فإذا وصلت بيانات تالفة من المصدر توقّف مسار البيانات بخطأ واضح بدل أن ينتج مؤشرات خاطئة. وفي الأسبوعين 6 و7 سُلّمت 6 لوحات متابعة على Metabase (الإدارة التنفيذية، الإقفال المالي، صحة العملاء، تحليلات المنتج، الدعم، التسويق)، ودُرّبت الفرق في جلسة مدتها ساعتان.
انخفض إعداد التقارير يدويًا من أكثر من 56 ساعة شهريًا إلى 4 ساعات من المراجعة (انخفاض 93%). وتقلّص الإقفال الشهري من 5 أيام إلى يومين (انخفاض 60%). وصارت الإجابة عن سؤال يخص الأعمال تأخذ 30 ثانية على لوحة المتابعة بعد أن كانت تأخذ من 4 إلى 8 ساعات من التحليل اليدوي. مصادر البيانات السبعة كلها موجودة الآن في Snowflake كمصدر واحد موثوق، مع تقييم لحظي لصحة العملاء البالغ عددهم 1,200 عميل.
أتاحت لوحة صحة العملاء التدخل المبكر: رصد فريق نجاح العملاء 47 حسابًا تتجه نحو إلغاء الاشتراك واحتفظ بعدد 31 منها (نسبة احتفاظ 66%)، فحافظ على نحو 186,000 دولار من الإيرادات السنوية المتكررة. وكشفت تحليلات المنتج أن تتبّع الوقت، وهي ميزة قليلة الاستخدام، يرتبط ببقاء العملاء ارتباطًا أقوى 2.4 مرة من أي ميزة أخرى، فتغيّرت أولويات دورة الإصدار التالية.
بلغ إجمالي استثمار السنة الأولى 78,200 دولار (44,000 دولار للبناء، و850 دولار شهريًا تكاليف المنصات، و2,000 دولار شهريًا رسوم دعم ثابتة)، مقابل أكثر من 270,000 دولار من القيمة في السنة الأولى مصدرها وقت المحللين الموفَّر ومنع إلغاء الاشتراكات.
قبل Gigabit كان كل يوم اثنين يبدأ بسؤال: هل لدى أحد آخر الأرقام؟ اليوم يبدأ كل يوم اثنين بعبارة: هذا ما تقوله لنا الأرقام. هذا الانتقال من جمع البيانات إلى العمل بها يساوي أكثر من الوقت الموفَّر وحده.
دراسات الحالة المنشورة لدينا هي في معظمها لشركات من أمريكا الشمالية، ولم نسلّم بعد نظامًا أو وكيلًا يعمل باللغة العربية. جميع المبالغ بالدولار الأمريكي. اسم العميل غير معلن.
