Braze2025财年年报业绩会议总结

一、开场介绍

会议目的：讨论三个核心话题，包括人工智能时代数据架构作为竞争优势、公司业务势头（增长与利润率改善）、企业更换周期。

管理层发言摘要：

Bill Magnuson（CEO）回顾公司数据架构起源（源于对冲基金高频交易系统经验），强调实时数据流处理能力是核心差异化优势；介绍“可组合智能”（composable intelligence）概念，将AI与客户 engagement 结合，推动从“倾听、理解、行动”向“上下文、智能、交互”的转变。

核心财务数据：

暂无具体营收、净利润、EPS等数值信息；

上调了2025财年增长和利润率展望，Q2业绩表现强劲。

关键驱动因素：

销售团队生产力连续两季度提升，垂直化和国际战略更聚焦，效率改善；

减销（downsell）风险降低，续约结果改善（归因于实施/入职流程优化、零利率政策时期客户群体调整完成）；

全球化战略推进，利用成本优化地点降低成本结构；

OfferFit收购补充未来人员需求，未新增资源即可提升效率。

核心业务表现：

数据架构：基于流处理引擎，实时处理10万亿用户数据点，强调“上下文”价值，区别于传统批量数据存储；

产品升级：推出“可组合智能”，将品牌知识、创造力注入AI模型，实现跨场景决策自动化；新增渠道（着陆页、Line、WhatsApp扩展），即将推出Cacao。

研发投入与成果：

技术方向：强化学习、大规模语言模型（如Gemini Flash）集成，提升实时决策和个性化能力；

产品创新：Canvas流程自动化、智能体（agents）辅助营销决策，降低人工操作成本。

市场拓展：

OfferFit收购：带来10个重叠客户及17个潜在转化客户，两类SKU（25万-30万美元高端版、10万美元精简版），交叉销售潜力显著。

短期目标（2025年）：

在Forge大会发布AI驱动的客户 engagement 新愿景，聚焦上下文、智能、交互融合；

推进Project Catalyst，扩展产品矩阵（从高端定制到规模化低成本方案）。

中长期战略：

定位AI-centric客户 engagement 平台，利用可组合智能提升决策自主性；

强化决策产品（Decisioning）的高毛利优势，减少对高成本消息渠道的依赖。

数据架构与AI协同：

问：流处理引擎在AI/智能体时代的优势？

答：实时上下文处理能力适配AI决策需求，可组合智能实现品牌知识与模型融合，提升自动化决策范围。

OfferFit商业价值：

问：OfferFit的单位经济效益和战略价值？

答：高毛利（基础设施复用），两类SKU覆盖不同市场，推动交叉销售，定位为“战略高地”。

财务改善原因：

问：销售团队生产力提升和减销风险降低的具体措施？

答：优化销售赋能、垂直化聚焦、国际战略调整；改进实施/入职流程，消化过度购买客户群体。

管理层强调2025年将以“AI-centric客户 engagement”为核心战略，通过Forge大会分享更多关于上下文智能、可组合智能的愿景；

聚焦决策产品和智能工具创新，期待客户利用新功能创造惊喜，持续推动增长与利润率改善。【翻译结果】

身份不明的发言人

Bill Magnuson（董事长、首席执行官、总裁兼联合创始人）

Isabelle Winkles（首席财务官）

身份不明的参会者

Brent Bracelin（Piper Sandler Companies）

早上好。我叫Bren Braceland（注：原文可能为Brent Bracelin）。今天我们非常高兴邀请到联合创始人兼首席执行官Bill Magnuson。我们还有首席财务官Isabelle Wilkins（注：原文可能为Isabelle Winkles）。非常感谢你们支持本次会议。今天，我想在本次会议中讨论三个话题。第一，在人工智能时代，数据架构作为竞争优势的理念。我认为这是一个非常重要的话题。第二，业务势头。你们是少数几家在利润率、利润和增长方面都显示出增长前景改善的公司之一。第三，你们开始谈论更换周期。

我们公司上市已近四年。希望了解企业更换周期相关的变化细节。关于数据架构，你们最初构建流处理引擎的起源故事是什么？以及你们认为这在人工智能时代如何形成你们的优势？

好的，关于起源故事。我们可以追溯到2011年，14年前我们创立了这家公司。实际上，当我们最初开始涉足移动领域时，我们专注于移动业务，但当时移动应用还没有营销团队，因为早在2011年它们还没有商业模式——那时它们都还没有盈利。所以我认为，我和我的联合创始人实际上没有任何营销技术背景。因此，我们实际上并没有被该领域已有的架构所束缚，因为A，它们并不相关，我们不一定只是为营销用例而构建。

我们是从第一性原理出发构建移动 engagement 解决方案的。B，我们的经验并不来自营销技术领域。实际上，John Hyman，我们现在的首席技术官，以及我——我是公司创立时的首席技术官，我们是两位技术联合创始人，我们都来自对冲基金行业。因此，这个系统的架构更类似于高频交易系统。因为如果你想想高频交易系统想要实现的目标，你知道，你要接收数据——这是2011年左右的高频交易，还不像现在这样在FPGA上实现皮秒级延迟等等。

所以略有不同。但实际上，你需要接收新的经济指标、新的数据量，当它们流经系统时，你需要用这些数据更新你对当前世界状态的模型。然后你采用一种策略，并将该策略应用于模型的增量变化，以确定是否需要采取行动，比如买入或卖出。然后你需要观察这可能如何影响市场，因为交易机会可能仍然存在或已经消失。然后你记录所有这些，并处理报告以便随着时间推移改进策略。

但基本思想是，你需要认真对待流入的每一个数据，因为它可能导致你需要采取行动，而该行动需要尽快执行。并且基于单个数据点可能有许多不同的重叠策略适用。因此，当你考虑客户 engagement 数据处理问题时，实际上就像我们集成到客户的产品中，以便我们理解来自每个用户的实时演变的上下文，这些用户在采取不同行动时会生成大量的单个数据点。

我们现在将所有这些称为第一方数据，对吧？这种数据流以及从中立即获取洞察的能力一直是我们差异化的重要部分。这些数据流入系统。然后我们采用客户今天在Canvas中编程的所有不同客户 engagement 策略，对吧？实际上，新的数据点进来，我们更新用户模型，然后我们将客户编程的所有Canvas应用于这个新的世界状态。这将导致这些Canvas采取某些行动。

它们可能仍然处于延迟或等待状态，可能触发消息，可能将你移至条件的下一部分，可能调用某种机器学习优化或其他类型的预测，以输入到其他流程中。当然，你需要执行相当于“进行交易”的操作。对我们来说，这就是消息的传递或产品体验的个性化。所以，我认为我们也很早就意识到，数据的价值在于处理数据流的能力，而不仅仅是将其永久锁定在数据仓库中。

实际上，我认为我们甚至把这一点放在如此重要的位置，以至于在我们IPO时，一些投资者误解并认为我们甚至不存储数据。我当时想，不，我们实际上存储数据——我们有10万亿用户档案，我们当然存储数据。但我们想向市场传达的信息是，客户实时演变的上下文，以及在数据生成时理解数据流的能力，比仅仅将数据存储在某种批量关系数据存储中更重要。

当然，企业中有重要数据存在于大型关系数据存储和云数据仓库中。我们的Braze数据平台每年同步数万亿行数据，规模巨大，以补充这一点。但这里的新的重要之处在于存在这种数据流，我们可以存在于数据流中，我们可以进行实时分类数据流等操作，这与运行生成受众的批量查询不同——受众是静态的概念，必然总是过时的。

我们实际上可以存在于数据流中，并实时生成这些洞察。我甚至要指出，我从我们IPO之前就一直使用“上下文”这个词来描述这一点，很久以来，我的营销团队总是说，人们不知道“上下文”是什么，你应该只谈论数据。而现在，当然，当我们考虑人工智能需要什么才能做出智能决策时，上下文是我们谈论的一切——你需要关于客户、问题和世界的强大上下文。

坦率地说，我们一直都是这样思考这个问题的。

所以，你们最初的设计标准是针对这种流和上下文进行优化的，应用于真正的多渠道 engagement。

是的。

现在有了人工智能和智能体（agents）这个新事物。当数据流变化时，这种核心技术栈在智能体世界中能为你们带来什么？

是的。

你知道，它是什么？它能给你们带来优势吗？是不同的流程吗？请解释如何将多渠道与智能体（Agentix）连接起来。

好的，这里有几点。首先，如果你查看我们的IPO材料，你会看到我们分解的客户 engagement 栈，包括数据摄入、然后是分类、编排和个性化——这些位于中间层，是应用智能的地方。所以顶层是摄入数据并获取上下文。中间层是应用智能的地方。然后底层是行动层，你实际执行消息传递或个性化产品体验等操作，我们将其分解为“倾听、理解和行动”。

在最近的 earnings 电话会议中你们听到我说过，我认为随着这一演变，是时候从这种与人类问题有很强联系的“倾听、理解和行动”，转向将其视为“上下文、智能和交互”。对吧？所以我们正在转向这种新的术语：上下文、智能、交互。当然，我们在智能组件上的投资——我们从长期在现代强化学习等方面的复合投资中受益匪浅，同时也从大规模语言模型或我们现在视为大规模世界模型的进展中获益。

因此，由于这些世界模型可以从中获得更多语义意义，数据点能够更快地被上下文化。现代强化学习能够代表营销战略做出更复杂的决策，并且能够在更高的抽象层次上做到这一点——你可以信任系统自主负责更复杂的决策集。这意味着，当你试图执行客户 engagement 战略时，你实际上可以依靠机器学习优化来承担越来越多需要做出的决策。

对吧。这对营销人员的角色有影响——你可以摆脱照看单个活动和手动A/B测试的繁重工作，实际上上升到能够管理一系列智能体和操作员的层面，这些智能体和操作员由模型支持，代表你执行这些策略。你知道，这对客户体验有影响——体验更好，因为相关性更高，并且对提供给系统的数据有更强的理解。

因此，系统能更好地适应你关心的事情，并提高相关性。这当然转化为品牌更好的绩效和结果。从营销人员的角度来看，你在更高的抽象层次上运作，并且具有更高的生产力水平。不过，我认为与此同时发生的一个重要演变是——一年前，我们谈论营销人员生产力的提升，因为他们拥有各种我们现在称为智能体或操作员的工具，帮助他们进行文案写作、变体生成、翻译、检查文化适宜性等——有很多小任务，我们为营销人员提供了这些更智能的助手，使他们作为个人更高效和有效。

我认为我们现在处于下一阶段，我们将在Forge大会上分享更多相关内容，但先给你们一个预览——我们的发展方向，我认为同样重要的是退后一步认识到，这些单个智能单元、模型、操作员和智能体，不仅被个人用来提高个人生产力，实际上还被赋予了我们团队和品牌的创造力、战略和知识。

对吧。然后能够在这些系统中以独立性和自主性运行，这种自主性实际上独立于单个营销人员和单个用户而存在，并且实际上成为品牌可以利用的智能资产。因此，我们正在通过一个新概念来审视这一点，我们称之为“可组合智能”（composable intelligence）——就像过去十年左右在数据领域强调可组合性一样。当然，Braze数据平台是该领域的重要参与者，以实现围绕这种上下文的更多可组合性。

但这种可组合智能的理念是，你能够为你正在训练的模型赋予能力——无论是理解你的品牌、理解你的业务优先级，还是理解客户数据背后的语义意义以及他们的旅程——这样你就可以利用这种语义理解来优先考虑你可以采取的不同活动行动，并推动你的业务战略及其优先级，这远远超出了“我的品牌准则”的范畴，而是实际上赋予它创造力、智能，并将其作为一种资产持续存在，可以插入到客户 engagement 领域中你必须完成的所有不同工作中。

一个非常简单的例子是，我们以文化适宜性检查器和品牌指南工具为例。一年前，在Braze中，当你作为营销人员编写自己的主题行或消息文案时，你可以使用这两个工具来进行双重检查，或者提供一些灵感来帮助你克服写作障碍。现在，随着你与这些工具的长期互动，你实际上在系统变得更智能的过程中，赋予它对你的品牌、品牌表达方式以及创造力的理解。

并实际上激励它去生成其他内容。所以现在，举个简单的例子，我可以启动一个新的Canvas，从模板开始——比如一个“遗忘购物车”Canvas——然后我可以使用这个模型来个性化模板中的所有内容。对吧。所以模板不仅仅是静态的，它实际上利用你在系统中赋予的品牌理解和创造力而存在。

但当然，这仍然是一种手动状态——因为我们跳到决策产品，我们信任决策产品围绕客户沟通方式做出复杂决策。何时、如何、为何沟通，使用什么样的内容策略来吸引他们的注意力并促使他们采取行动，同时以品牌的促销成本或对内容的负面反应最小化的方式进行。内容生成是你可以想象的需要在客户旅程的许多不同部分部署这些决策产品的领域。

对吧。现代客户旅程非常复杂，你希望能够使用可组合智能，将这些赋予品牌理解的不同模型与流处理器中的其他技术相结合，以便为编排和相关性优化等决策注入更多智能。因此，我认为，这需要实时上下文和理解，需要对第一方数据的投资，需要安装点，需要这种大规模事件驱动的流处理器——我们已经将其扩展到能够在高强度并行负载下可靠地、安全地、经济高效地、高性能地运行，每年处理超过10万亿个数据点。

然后将其流入智能系统，该系统将继续以更自主、更高抽象层次的方式交付，能够随着时间推移做出更复杂的决策，从而为使用它的个人提供更大的杠杆作用。当然，随着我们能够实现更高水平的智能，它将为客户提供更有意义的互动。你知道，你必须将其与所有不同渠道的全面投资相结合。对吧。因此，Braze在过去几年继续构建新渠道——我们添加了着陆页，添加了Line，极大地扩展了WhatsApp的功能，继续扩展产品内消息和调查功能。

我们将在今年晚些时候推出Cacao。我们也对LLM的一些进展感到非常兴奋。当我们第一次看到聊天机器人响应能够开始进入对话流中间时，考虑到调用这些响应的延迟和成本，它与数千亿甚至数万亿的消息量并不匹配。但实际上，在过去一两年中，在我们的测试中，像Gemini Flash这样的模型实际上比我们每年进行数千亿次的 median connected content 调用更快。

因此，我们现在处于LLM的成本和性能曲线的这一部分，我们可以开始将其直接注入Canvas程序的中间。这对互动质量和流程中的智能都有好处。因此，从历史上看，当我们发布新工具时——如新的Canvas模块、新一代编程语言和新渠道——我们的客户群总是以令人愉快的方式让我感到惊讶，他们如何利用这些工具。你知道，我们将在Forge分享更多相关内容，但我们为他们带来的下一代智能工具，我真的很期待他们再次给我们带来惊喜。

你对即将到来的事情显然充满热情和兴奋。我喜欢你们拥有这种差异化的数据架构，现在添加了大量智能，这将真正改变人们使用平台的方式。Isabelle，对你来说，很明显Q2有一些共鸣，非常强劲的季度。你们实际上上调了增长和利润率的展望。在传统软件增长市场——我们看到放缓已有几年——你们看到了逆转。帮助我们理解其中的联系。

好的。我认为我们看到几个不同方面的事情开始融合。所以我将逐步介绍推动收入增长的因素，以及这些因素如何影响盈利能力。收入方面有两个方面需要讨论。一是我们销售团队的整体生产力。我们已经连续两个季度看到销售团队的整体生产力有所提高——过去几年我们一直在谈论，实际上我们的销售能力略高于我们看到的生产力水平。

我们对此持开放态度，因为我们有明确的愿景，我们认为情况会正常化，我们将提高销售团队的整体赋能能力，我们将在短期内做得更好。这一点现在确实开始取得成果，并且在多个不同类别中都有效。我们在垂直化方面做得更好。我们的国际战略变得更加专注。所以我认为我们在多个不同维度上变得更加高效。销售团队的整体生产力正在提高。

这是关于新业务和追逐净新美元的方面。另一个方面是，我们同时看到了减销（downsell）方面的改善。在过去六七个季度中，我们一直在努力改善续约结果。从实施和入职开始，我们做得更好，确保没有实施被落下，快速完成实施，确保当客户开始使用该工具时，他们能够最大限度地提高投资回报率——在之前的时期，可能有些组件没有被充分利用，无法为客户带来最大潜力。

考虑到我们平均两年的合同期限，这需要一点时间才能见效。因此，至少需要一年时间才能在新的续约周期中看到成果。所以我们现在处于第六个季度，我们在初始实施方面做得更好，因此减销风险更低。我们已经度过了大量零利率政策（ZIRP）时期的客户群体——这些客户经历了一定程度的过度购买，现在已经从系统中调整过来。这两件事共同降低了整体风险状况，这意味着我们拥有的资源能够更好地处理续约时需要关注的减销部分。

因此，所有这些共同作用，降低了减销风险水平。我们不仅在Q2看到了这一点，在预测中也看到了。因此，销售团队的整体姿态、活力和效率有所提高，这使我们能够在Q2实现超出预期的业绩，并不仅基于Q2的超额表现，而是进一步上调了展望。显然，其中一些因素一直影响到底线。

因为如果你考虑减销，我们历史上的投资现在正在取得成果。我现在不需要增加销售人员就能在减销方面获得更好的结果。因此，你在收入方面获得了整体效率的提高，而不必在现在增加资源。这一切都非常好。然后我们在全球化战略方面取得了进展，利用成本优化的地点。因此，关于我们的整体成本结构，这方面也在不断改善。

最近发生了几件事。我们聘请了Ed作为新的首席收入官，然后我们刚刚完成了OfferFit的收购。这两件事都需要我们注意为确保这两件事成功所必需的投资。Ed上任后，实际上正在推进我们已经启动的举措。他敏锐地关注销售团队的更高效率。我们谈论“减少团队中的人员数量”。

因此，我们希望能够以不需要越来越多的人来处理这些任务的方式为客户提供服务。然后，关于OfferFit——现在我们已经将团队纳入公司，了解他们，并确定他们在组织中的位置，我们发现了更高的效率——不是因为他们会离开组织，而是因为他们满足了我们未来本来要增加的人员需求。

因此，我认为所有这些因素共同作用，提高了收入，并提高了将收入转化为利润的能力。

你们采用SaaS商业模式，但定价非常独特——考虑到你们从客户 engagement 角度进行定价。与大多数传统的基于用户数（C-based）的模型非常不同。

正确。

OfferFit。从单位经济效益的角度解释一下。Bill将OfferFit描述为你们的战略高地，具有潜在的开门和交叉销售潜力。OfferFit的单位经济效益是什么样的？

好的。OfferFit目前有两种SKU类型。原始SKU的售价为每单位25万至30万美元。是的，这是平台费用。包括设置和持续维护，以优化品牌特定的高杠杆用例。它通常由企业购买，可能是更复杂的企业，其用例即使在输出性能上有微小调整也能带来巨大收益。因此，投资回报率可能非常显著。我们有客户从一个用例开始，然后向上销售到两个、三个、四个用例——有些客户有四五个用例，并继续使用和向上销售。

所以我们对交叉销售机会感到非常兴奋。OfferFit带来了大约10个已经与Braze重叠的客户，以及大约17个仅使用OfferFit SKU但目前未从Braze购买客户 engagement 产品的客户——但显然我们希望这会转变。因此，交叉销售的潜在机会很多。还有一个更面向低端市场的SKU，售价约10万美元。这是OfferFit的精简版（Lite），可扩展性更高，但定制性略低，因此可以以稍低的价格出售。

因此，随着时间的推移，正如我们谈论过的Project Catalyst，我们预计将有广泛的产品和功能可供选择，并以各种方式实现货币化——从最高级别的定制性和适应性，到高度可扩展且运行和实施成本更低的级别。我们对这方面的潜力感到非常兴奋。

是的。我想补充一点，当你查看Braze在过去四年中的产品组合扩展时，过去几年中大部分收入的大幅增长都面临结构性利润率挑战，因为它们是高级消息传递——SMS、RCS、WhatsApp。这些是市场上具有挑战性的消息量，对吧？它们的底层有运营商垄断设施等。从单位角度来看，决策（Decisioning）具有更高的毛利率潜力，因为基础设施成本——我们已经知道如何以大规模、经济高效的方式运营基础设施。

并且它销售的是性能——甚至比销售消耗量更好，它实际上以可证明的方式销售差异化性能，我们认为这具有持久的价值销售能力。

最后一个10秒的问题。Bill，为我们总结一下。明年你最兴奋的是什么？

你应该来参加Forge大会。我们非常兴奋地分享我们围绕以AI为中心的客户 engagement 的未来愿景。你今天听到了一些预览，谈论了上下文、智能和交互，以及可组合智能，还有我们在决策领域的重大举措——但这将非常令人兴奋。

好的，非常感谢。

是的，不客气。谢谢。

【总结内容】## 一、开场介绍

会议目的： 讨论三大主题，包括人工智能时代数据架构作为竞争优势、公司业务增长势头（增长与利润率改善）、企业更换周期演变。

管理层发言摘要：

Bill Magnuson（CEO）回顾公司起源：2011年由对冲基金背景团队创立，数据架构源于高频交易系统设计理念，强调实时数据流处理和“上下文”价值，区别于传统批量数据存储模式。

核心战略转向“上下文、智能、交互”融合，通过“可组合智能”（composable intelligence）将品牌知识注入AI模型，提升决策自主性。

核心财务数据

营收、净利润、每股收益（EPS）：暂无具体数值信息；

关键指标：Q2业绩强劲，上调2025财年增长及利润率展望，销售团队生产力连续两季度提升。

关键驱动因素

收入增长：销售团队效率改善（垂直化、国际战略聚焦）、减销（downsell）风险降低（实施/入职流程优化、零利率时期客户群体调整）；

利润率提升：全球化战略（成本优化地点）、OfferFit收购补充人员需求（未新增资源）、决策产品（Decisioning）高毛利潜力。

核心业务表现

数据架构：流处理引擎支持实时处理10万亿用户数据点，强调“上下文”实时决策，区别于静态批量数据查询；

产品功能：Canvas流程自动化、多渠道扩展（新增着陆页、Line、WhatsApp功能，即将推出Cacao）。

研发投入与成果

技术方向：强化学习、大规模语言模型（如Gemini Flash）集成，提升实时个性化和决策自动化能力；

创新概念：“可组合智能”将品牌知识、创造力注入AI模型，实现跨场景决策复用（如文化适宜性检查、品牌指南工具）。

市场拓展

OfferFit收购：带来10个重叠客户及17个潜在转化客户，两类SKU（25万-30万美元高端定制版、10万美元精简版），交叉销售潜力显著。

短期目标（2025年）

产品发布：在Forge大会发布AI驱动的客户 engagement 新愿景，推进Project Catalyst（扩展产品矩阵，覆盖高端定制到规模化方案）；

财务预期：维持增长与利润率上调趋势，依赖销售效率提升和OfferFit交叉销售。

中长期战略

行业定位：AI-centric客户 engagement 平台，以“可组合智能”提升决策自主性，减少对高成本消息渠道依赖；

技术路线：深化实时上下文处理与LLM融合，推动营销人员角色从手动操作转向智能体（agents）管理。

数据架构与AI协同

问：流处理引擎在AI时代的核心优势是什么？

答：实时上下文处理适配AI决策需求，可组合智能实现品牌知识与模型融合，支持跨场景自动化决策。

OfferFit商业价值

问：OfferFit的单位经济效益及战略意义？

答：高端SKU定价25万-30万美元，精简版10万美元，交叉销售潜力大；决策产品毛利率高于传统消息渠道，为战略高地。

财务改善逻辑

问：销售团队生产力提升的具体措施？

答：优化销售赋能、垂直化聚焦、国际战略调整；减销风险降低源于实施流程优化及客户群体结构调整。

管理层强调2025年战略核心为“AI-centric客户 engagement”，将在Forge大会发布完整愿景；

聚焦“上下文、智能、交互”融合，通过可组合智能和决策产品提升客户体验与运营效率，推动长期增长与利润率改善。

查看业绩会议全文

来源：

为提升阅读体验，雪球对本页面进行了排版优化

风险提示：用户发表的所有文章仅代表个人观点，与雪球的立场无关。投资决策需建立在独立思考之上。