“Basedash es el analista de datos que nunca tuvimos que contratar. Es lo primero que abro cada mañana.”

Parallel es la red de distribución de TikTok para marcas. En lugar de depender de una sola cuenta de marca, Parallel gestiona una red de más de 10 000 cuentas orgánicas que publican contenido para clientes cientos de miles de veces al mes, lo que representa aproximadamente el 0.2 % de todas las publicaciones diarias en TikTok. El resultado es contenido de estilo orgánico entregado con la escala y consistencia de la publicidad pagada, a una fracción del CPM. Parallel impulsa programas para grandes marcas de consumo masivo y aplicaciones de consumidores.

Operar una red de ese tamaño produce una cantidad enorme de datos. Cada cuenta, publicación, plantilla, sonido y campaña de marca tiene sus propias métricas, y cualquiera de ellas puede ser la palanca que hace que una campaña funcione o que silenciosamente deje de funcionar. Peter Solimine, cofundador y CEO, necesitaba una forma de interrogar todo eso sin sacar a los ingenieros del producto ni construir otro dashboard interno.

“Todo nuestro negocio es contenido moviéndose a través de cuentas. Si no puedes ver qué está pasando a nivel de publicación y de cuenta, estás volando a ciegas.”

Antes de Basedash

Los datos de producción de Parallel viven en Postgres sobre Supabase. Detrás de cada publicación viral hay una cadena de registros estructurados: la cuenta que la publicó, la plantilla en la que se basó, el sonido que usó, el cliente para el que se hizo, las vistas y conversiones que generó. Datos útiles, pero nada útiles si la única forma de consultarlos es escribir SQL a mano o abrir un ticket con ingeniería.

En los primeros días, eso era exactamente lo que pasaba. La mayoría de las preguntas no triviales sobre el desempeño de la red pasaban por ingeniería, lo que significaba que la mayoría de las preguntas nunca se hacían. El costo de averiguar algo era más alto que el costo de adivinar, un compromiso familiar en cualquier startup con mucha carga operativa, y uno costoso cuando tu negocio se basa en la experimentación continua.

Por qué Basedash

Peter apuntó Basedash a la base de datos Postgres de Parallel y de inmediato tuvo una interfaz conversacional sobre los mismos datos que impulsan la plataforma de distribución. No hubo documentación de esquema que escribir, ni dashboards que definir, ni un proyecto de ingeniería que aprobar, solo preguntas y respuestas.

“Puedo preguntarle a Basedash cualquier cosa sobre la red y obtener una respuesta en segundos. El tipo de preguntas que antes parecían demasiado costosas de hacer —cómo están rindiendo las cuentas de este grupo esta semana, qué plantillas están generando vistas para este cliente, dónde están fallando las URLs de sonido— simplemente ya pasan.”

Hoy, Peter corre conversaciones regulares en todo el negocio, y una porción creciente del equipo la usa para sus propias preguntas en producto, operaciones y gestión de cuentas.

Lo que Parallel realmente le pregunta a Basedash

Las preguntas que Parallel resuelve con Basedash son específicas de la realidad operativa de manejar una red grande de distribución de contenido:

• Desempeño de contenido. Qué plantillas, sonidos y publicaciones generan más vistas y conversiones, segmentado por cliente, grupo de cuentas, hora del día y plataforma.
• Salud de cuentas. Identificar cuentas muertas, cuentas activas sin vistas, y grupos que están bajando de desempeño silenciosamente: el tipo de higiene de red que se vuelve invisible sin alguien que la esté revisando activamente.
• Reporting por cliente. Obtener vistas dedicadas del desempeño de cada programa de marca, desde la cadencia de publicación y la mezcla de plantillas hasta las publicaciones con mejor desempeño.
• Integridad operativa. Detectar URLs de sonido rotas, assets defectuosos y problemas de calidad de datos en el pipeline de publicación antes de que se conviertan en un problema de campaña.

“Es lo primero que abro en la mañana. Corro varias conversaciones antes de mi primera reunión solo para ver qué está pasando en la red.”

Una cultura de datos liderada por el fundador

La mayoría de las herramientas de analytics apuntan a equipos de datos. Basedash funciona para operadores. Para Peter, esa distinción es todo el punto: como fundador de un negocio construido en torno a manejar decenas de miles de cuentas en paralelo, necesita la capacidad analítica de un equipo de datos sin la latencia de uno.

La interfaz conversacional permite que las preguntas evolucionen de forma natural. Una consulta simple (“cuántas publicaciones tuvo este cliente ayer”) se convierte en una investigación (“qué cuentas están rindiendo por debajo para este cliente esta semana, y hay una plantilla o un sonido en común”) sin cambiar de herramienta ni escribir una consulta.

“Cada minuto que ahorro en análisis es un minuto que recupero para el negocio real. Basedash multiplica eso en todo el equipo.”

Impacto

Desde que adoptó Basedash, Parallel construyó una capa de analytics autoservicio sobre su plataforma de distribución de contenido:

• El CEO responde sus propias preguntas sobre la red todos los días, sin escribir SQL ni abrir un ticket
• Visibilidad en tiempo real de la salud de las cuentas, el desempeño de contenido y los resultados por cliente en miles de cuentas gestionadas
• Tiempo de ingeniería recuperado para trabajo de producto en lugar de solicitudes de datos puntuales
• Problemas operativos como sonidos rotos y publicaciones fallidas detectados temprano porque son fáciles de buscar
• Una porción creciente del equipo autoserviciendo su propio análisis en lugar de pasar por una sola persona

“Basedash convirtió la capa de datos de nuestra empresa en algo autoservicio. Para un negocio tan intensivo en operaciones como el nuestro, esa es la diferencia entre adivinar y saber.”