“En tant que fondateur non technique, je récupère moi-même des réponses à travers notre base de données, PostHog et Stripe — sans besoin d'ingénieurs.”

Ordinal est une plateforme de gestion des réseaux sociaux qui aide les équipes à rédiger, planifier, collaborer et programmer des publications sur des canaux comme LinkedIn, Twitter et Instagram. Avec une base client fortement self-service et une montagne croissante de données sur les réseaux sociaux, le co-fondateur Jeffrey Zhao avait besoin d’un moyen d’aller de la question à l’insight sans détourner les ingénieurs du produit.

Avant Basedash, l’équipe volait un peu à l’aveugle. Ils avaient PostHog pour l’analytics événementielle et le reporting natif de Stripe, mais rien qui puisse traiter des questions plus profondes au niveau base de données — ou réunir toutes leurs sources de données en un seul endroit.

« On cherchait un moyen d’obtenir ce genre de requêtes plus directement, et aussi d’agréger différentes sources de vérité — les données événementielles de PostHog, les données de la base, les données Stripe — tout en un endroit centralisé. »

Des outils éparpillés, des insights éparpillés

La stack analytics d’Ordinal était répartie sur plusieurs outils. PostHog gérait bien les séquences d’événements, mais son produit SQL n’était pas assez mature pour le genre de requêtes ad hoc dont l’équipe avait besoin. Stripe leur donnait les données de facturation de façon isolée. La base de production avait tout le reste, mais en tirer des réponses demandait du temps d’ingénierie.

L’équipe a même envisagé de construire quelque chose en interne. Mais le vrai coût n’était pas seulement l’effort d’ingénierie — c’était la friction constante de naviguer entre différents outils et de ne jamais avoir une image unifiée de ce qui se passait dans l’entreprise.

Pourquoi Basedash

Jeffrey a découvert Basedash via un post sur les réseaux sociaux à propos du reporting hebdomadaire automatisé — plus précisément, l’idée de mettre en place des rapports personnalisés qui tournent selon un planning et font émerger des insights sur ce qui fonctionne et ce qui ne fonctionne pas.

« Pouvoir simplement interroger en langage naturel une question que j’ai, en tant que personne plutôt non technique, sans avoir à déranger notre équipe d’ingénierie, c’est incroyable. Et récupérer ce graphique stylisé que je peux ensuite juste envoyer en capture d’écran ou partager avec le reste de l’équipe, c’est vraiment génial. »

L’équipe a connecté sa base de production Supabase, son analytics PostHog, et son Basedash Warehouse — réunissant tout dans une seule interface conversationnelle. En quelques jours, ils avaient des dashboards couvrant l’usage produit, les métriques d’acquisition et l’analyse de conversion, plus un rapport hebdomadaire automatisé livrant des insights directement sur Slack.

Débloquer les insights d’onboarding PLG

Pour une entreprise où la plupart des clients sont en self-service, comprendre ce qui pilote l’activation est critique — mais aussi facile à sous-prioriser. Sans quelqu’un qui vérifie activement les données, les insights d’onboarding ont tendance à se perdre dans le bruit.

Avec Basedash, Ordinal a mis en place un reporting automatisé pour faire émerger passivement des schémas comportementaux : quelles actions sont corrélées à la conversion, quels comportements précoces prédisent la rétention long terme, et où le funnel self-service se casse.

« Le côté onboarding self-service, c’est une de ces choses cachées qui est toujours facile à sous-prioriser parce qu’on n’entend pas concrètement les clients en parler. Que ça se passe de façon passive, c’est en fait une énorme valeur ajoutée. »

Au lieu de vérifier manuellement des dashboards PostHog ou de faire des demandes de données ponctuelles, l’équipe obtient désormais une vue régulière et structurée de la santé de l’onboarding — livrée automatiquement.

Faire tourner Ordinal Data Labs

Une des façons les plus intéressantes dont Ordinal utilise Basedash va au-delà de l’analytics interne. L’équipe siège sur un jeu de données massif de publications sur les réseaux sociaux, à travers LinkedIn, Twitter et d’autres plateformes. Les réseaux sociaux sont notoirement opaques — les plateformes n’expliquent pas leurs algorithmes, et l’espace est plein de rumeurs non vérifiées sur ce qui fonctionne ou pas.

Ordinal a lancé Data Labs, une série de contenus qui utilise leurs données pour répondre à des questions que les plateformes elles-mêmes ne veulent pas aborder. Inclure un lien dans un post LinkedIn nuit-il vraiment à la portée ? Différents types de réactions affectent-ils la performance ? L’équipe utilise Basedash pour interroger leurs données de production, générer des graphiques et transformer des résultats statistiquement significatifs en articles de blog et contenus réseaux sociaux.

« On a vraiment des données statistiquement significatives et on peut vous dire quel est l’impact réel. On crée une série de contenus basée sur toutes ces données comme un levier marketing top-of-funnel — ce qui est un cas d’usage vraiment intéressant pour Basedash. »

Ce qui a commencé comme un outil d’analytics interne est devenu un élément central de la stratégie de contenu d’Ordinal — transformant des données propriétaires en recherche publiée qui génère de la notoriété et de la confiance.

Impact

Depuis l’adoption de Basedash, Ordinal est passé d’un analytics éparpillé, outil par outil, à une couche de données unifiée que toute l’équipe peut utiliser :

• Trois sources de données — base de production, PostHog, et entrepôt de données — connectées et interrogeables via une seule interface
• Des dashboards couvrant l’usage produit, l’acquisition et la conversion construits sans implication de l’ingénierie
• Des rapports hebdomadaires automatisés livrant des insights d’onboarding et d’activation sur Slack
• Un co-fondateur non technique répondant lui-même à des questions de données qui demandaient auparavant du temps d’ingénierie
• Des données propriétaires de réseaux sociaux transformées en recherche publiée via Ordinal Data Labs

« L’expérience d’utiliser Basedash pour la première fois est plutôt magique. Pouvoir simplement poser une question et récupérer un graphique stylisé en retour — c’est vraiment génial. »