ChowNow quería comprender mejor la rentabilidad, el margen de rentabilidad y la economía por unidad a escala de cliente y de transacción sin tener que desarrollar una integración de API o compartir sus datos con una canalización de ETL.

Con Stripe Data Pipeline, ChowNow tiene una imagen completa de los clientes de sus restaurantes y cafeterías, todo en el mismo sitio. Se puede identificar de manera sencilla quién y cuánto está cobrando por las suscripciones y los pedidos de comida.

También puede proporcionar información nueva a sus restaurantes y mejorar la detección del fraude buscando indicios de fraude por restaurante (por ejemplo, contracargos).

Al desglosar el margen neto por restaurante, ChowNow pudo optimizar las tarifas de su producto sin comisiones y mejorar la retención de los restaurantes.

Lime utilizaba una canalización de ETL de otro proveedor para exportar datos de Stripe a su almacén de datos y se dio cuenta de que los datos exportados no siempre coincidían con los datos en Stripe. Dedicaban un ingeniero de datos a investigar la causa de cada discrepancia, lo que le suponía hasta dos horas de su tiempo para cada transacción que no coincidía.

Desde el momento de la adopción de Stripe Data Pipeline, Lime ahorró semanas de esfuerzos en ingeniería, ya que no tuvo que desarrollar y mantener una API para cada uno de los conjuntos de datos de Stripe. Dado que están listos para usar, Lime pudo acceder a sus datos actuales de Stripe directamente en su almacén de datos. El equipo financiero de Lime ahora puede hacer un seguimiento de los rembolsos prácticamente en tiempo real, lo que les permite informar de manera fiable del último estado de efectivo de la empresa. El equipo antifraude de Lime también se está beneficiando de los modelos mejorados de fraude.