Metaplane: $333K в месяц на data observability для аналитических команд — кейс Кевина Ху

Metaplane — B2B-платформа для контроля качества данных в аналитических хранилищах: автоматически находит поломанные таблицы, аномалии и ломающиеся отчёты до того, как их заметит бизнес. $333K выручки в месяц ($4M ARR), три основателя, прибыльно, привлечено $13.8M Series A. Запущена в 2019 году в Бостоне, стартовала с $50K.

Главный поворот в истории — Metaplane стартовала как MLOps-инструмент, но через год клиенты сами рассказали, что используют продукт не для ML, а для мониторинга обычных таблиц. Команда переключилась на новую категорию data observability и поймала рынок в момент его формирования.

Кто такие основатели

Кевин Ху, Кевин Стампфри и Гай Линдер — выпускники MIT и Y Combinator. До Metaplane Кевин Ху работал в исследовательских ролях над качеством данных в академической среде, видел, как любая модель машинного обучения умирает не от плохого алгоритма, а от мусора во входящих данных.

Команда вышла из YC W20 с продуктом для контроля качества ML-данных, но быстро поняла, что рынок MLOps узкий и зрелый — Weights & Biases и MLflow уже заняли всё. А вот рядом, в обычной аналитике, никто эту проблему ещё не закрывал.

Какую проблему решает Metaplane

В современной data-команде используется десяток инструментов: Fivetran забирает данные из источников, dbt строит модели, Snowflake хранит результат, Looker рисует дашборды. Любое звено может сломаться: API источника изменил формат, dbt-модель упала, в таблице появились дубликаты.

Бизнес узнаёт о поломке через 2–3 дня — когда финансовый директор открывает отчёт и видит цифры, которые «не сходятся». Дальше неделю команда ищет, где сломалось.

Metaplane подключается к Snowflake, BigQuery, dbt и постоянно мониторит каждую таблицу: объём строк, распределение значений, время последнего обновления, схема. Если что-то ломается — Slack-уведомление в data-канал команды.

Как родилась идея

Кевин Ху в первый год после YC ходил на митапы data-инженеров и слышал одну и ту же фразу: «мы не доверяем своим данным». Это не вопрос модели — это вопрос инфраструктуры. Внутри Snowflake десятки тысяч таблиц, и никто точно не знает, какие из них актуальны.

После 50 интервью команда переориентировала продукт. Старая MLOps-функциональность ушла в архив, новая платформа полностью под data observability.

Как собирали продукт

Первая версия — Python-скрипты, которые забирали метаданные из Snowflake по cron и складывали в Postgres. Стартовый бюджет — $50K из накоплений основателей и YC-чека.

Стек на старте:

Слой	Инструмент
Backend	Python + Flask
Хранилище метрик	Postgres
Frontend	React + TypeScript
Интеграции	Snowflake, BigQuery, dbt, Looker API
Хостинг	AWS

После пивота команда переписала ядро на стриминговую архитектуру: метрики собираются непрерывно, аномалии детектируются ML-моделью в реальном времени.

Стратегия роста

Контент для data-инженеров

Команда выпустила сотни статей про data quality, observability, тестирование dbt-моделей. Это работало вдвойне: статьи приводили трафик и одновременно образовывали рынок — объясняли, что такое data observability и зачем оно нужно.

Сейчас Metaplane часто упоминается рядом с Monte Carlo, Bigeye и Datafold как один из создателей категории.

Бесплатный план через комьюнити

Metaplane предлагала бесплатный план для маленьких команд (до 5 пользователей). Это привлекло сотни стартапов, которые ставили продукт и приходили в Slack-комьюнити. Из этого комьюнити выросли первые платные клиенты.

Глубокая интеграция с dbt

dbt — стандарт построения аналитических моделей. Metaplane не просто «работает с dbt», а встраивается в dbt-pipeline и тестирует каждую модель после деплоя. Это сделало продукт неотделимой частью workflow data-команды.

Outbound на enterprise

Для крупных контрактов команда нанимала специализированных продавцов, работающих по конкретному списку аккаунтов. Цикл сделки 3–6 месяцев, ACV от $50K в год.

Pricing

• Free — до 5 пользователей и 10 таблиц
• Pro — от $825/мес: до 50 таблиц, базовые алерты
• Team — от $2K/мес: неограниченные таблицы, SSO
• Enterprise — кастомно: SOC2, выделенный CSM, on-prem

Цена растёт от объёма мониторируемых таблиц и сложности интеграций.

5 уроков из кейса

1. Клиенты часто знают лучше, что им нужно. Metaplane пивотнула из MLOps в data observability потому, что услышала на 50 интервью одну и ту же боль. Не нужно изобретать — нужно слушать. Если несколько клиентов говорят «мы используем продукт не так, как вы его задумали» — это сигнал для пивота.
2. Создавать категорию выгоднее, чем входить в существующую. Когда Metaplane стартовала, термина «data observability» почти не было. Сегодня компания — один из 3–4 лидеров новой категории. Это сильнее, чем быть 10-м продуктом в зрелой нише.
3. Контент образовывает рынок, а не только привлекает трафик. Статьи Metaplane объясняли, что такое data quality и зачем за это платить. Это типичный приём для новых категорий — нужно сначала научить рынок, а потом продать.
4. Бесплатный план работает в B2B, если он встроен в workflow. Маленькие команды бесплатно используют Metaplane, привыкают к продукту, потом растут и переходят на платный план. Это классический PLG для B2B-инструментов.
5. Глубокая интеграция с экосистемой — главная защита. Metaplane встроена в dbt, Snowflake, Looker. Удалить продукт = переделать data-pipeline. Это держит retention выше 95% и делает компанию привлекательной для invестoрoв.

Главная мысль: в B2B-инфраструктуре побеждает тот, кто становится частью рабочего процесса. Metaplane не «ещё один мониторинг». Это часть pipeline между Snowflake и dashboardом, без которой data-команда уже не работает. Такая встроенность стоит дороже любого маркетинга.