Griffin Parry, generální ředitel m3ter – Interview Series

Griffin Parry je generální ředitel a spoluzakladatel m3ter. Jedná se o jeho druhou firmu, kterou založil, dříve spoluzaložil a vedl GameSparks, cloudovou společnost, kterou v roce 2017 získala Amazon (AMZN ), a poté strávil 3 roky prací na seniorních produktových a terénních pozicích v AWS. Začal svou kariéru v médiích (Sky, News International) se zaměřením na digitální strategii a rozvoj digitálních produktů, včetně spuštění a vedení online televizního portfolia Sky.

m3ter je SaaS platforma navržená pro pomoc firmám při implementaci a správě komplexních cenových modelů založených na využití, a to tak, že funguje jako vrstva měřicí a fakturační infrastruktury, která se nachází vedle stávajících systémů, jako jsou CRM a ERP. Přijímá surová data o využití produktu, aplikuje flexibilní logiku cenování a automatizuje celý proces od nabídky po platbu, což umožňuje firmám generovat přesné, reálné faktury, a to při snížení úniku výnosů a provozních nákladů. Odpojováním fakturace od základních systémů umožňuje m3ter firmám experimentovat s cenovými modely, spustit nové produkty rychleji a získat hlubší přehled o využití zákazníků a výnosových tocích, což z něj činí besonders cennou službu pro moderní softwarové firmy, které přecházejí na modely založené na spotřebě.

Založil jste a rozvinul GameSparks až do jeho akvizice, a poté jste se rozhodl založit m3ter se zaměřením specificky na fakturační infrastrukturu a moderní monetizaci. Co vás přitáhlo k tomuto konkrétnímu problému, a jak vaše dřívější zkušenosti ovlivnily toto rozhodnutí?

Jedná se o klasický případ zakladatelů, kteří řeší problém, se kterým se sami setkali. V GameSparks jsme měli moderní strategii monetizace – cenový model založený na využití – protože to fungovalo pro náš typ podnikání (cloudová infrastruktura). To bylo klíčové pro náš úspěch, ale také způsobilo mnoho operačních a prodejních problémů. Poté, co jsem pracoval v AWS, také v cloudové infrastruktuře, ale mnohem větší, jsme viděli, že mají stejné problémy. Viděli jsme také, jak много úsilí vkládají do řešení těchto problémů, protože to bylo kritické pro jejich podnikání. Došli jsme k závěru, že v světě založeném na využití je fakturační infrastruktura strategickou schopností, kterou většina firem nemůže vyvinout, a proto jsme založili m3ter, aby se tomu změnilo.

Produkty s umělou inteligencí mohou mít nepředvídatelné náklady na infrastrukturu spojené s inferencí, využíváním tokenů nebo opětovným trénováním modelů. Jak by měli zakladatelé uvažovat o sladění cen s hodnotou, a přitom chránit hrubé marže?

Tradiční produkty SaaS obecně měly téměř nulové marginální náklady na využití. Jinými slovy, množství, které zákazník využil vašeho produktu, neovlivňovalo vaše náklady na poskytování služby. To však neplatí pro produkty s umělou inteligencí, protože jejich využití generuje náklady, jako je spotřeba tokenů. Pokud jsou vaše ceny pevné, znamená to, že vaše hrubé marže se mohou výrazně lišit v závislosti na využití zákazníka. To zase činí cenové strategie založené na využití téměř nevyhnutelné: tyto strategie sladíte výnosy s náklady a stabilizují hrubé marže.

Jakmile se umělá inteligence stane součástí stávajících softwarových kategorií, očekáváte, že většina firem bude přidávat komponenty založené na využití k předplatným, nebo očekáváte, že se objeví zcela nové rámce monetizace?

Neočekávám nic úplně nového – pouze reinvenční cenových modelů, které jsme již viděli. Uvidíte celý spektrum, od čistých předplatných po modely založené na výsledcích. Ale největší skupina bude hybridní: pevné recidivující prvky pro předvídatelnost, kombinované s proměnnou metrikou, která funguje pro zákazníky (spojené s úspěchem) a dodavatele (dostatečně sladěné s náklady, aby chránily jejich marže).

Existuje rostoucí diskuse o cenách založených na výsledcích v éře umělé inteligence. Kde očekáváte skutečný tah, a kde věříte, že model se stává příliš složitým na efektivní implementaci?

Výzvou cen založených na výsledcích je atribuce – aby to fungovalo, musí být měřitelný výsledek jasně způsoben produktem dodavatele. Někdy je to možné – platby jsou příkladem, kde poskytovatelé berou podíl na transakci, a to se zdá spravedlivé. Ale z mé zkušenosti jsou tyto situace relativně vzácné, a firmy tendenci padají zpět na cenové metriky, které jsou více jako proxy pro hodnotu – například pro umělou inteligenci zákaznickou podporu, hovory vyřešené bez humanitního zásahu. Opět, bude mnoho řešení podél spektra od založených na využití, přes proxy pro hodnotu, po ceny založené na výsledcích – záleží na použití. Co všechny tyto metriky mají společného, je to, že něco musí být počítáno a musí mít aplikované cenové metriky, což je místo, kde m3ter vstupuje do hry.

Při definování hodnoty v produktech s umělou inteligencí, na které praktické metriky by se firmy měly zaměřit jako realistické proxy pro výsledky?

Tato otázka je obtížná, protože je velmi specifická pro použití. Existují některé „vždy“ úvahy – je metrika jednoduchá, předvídatelná, spojena s hodnotou a dostatečně sladěná s náklady, aby chránila marže? Ale metrika sama závisí na tom, co produkt dělá. „Tokeny použité“ fungují pro model LLM. „Dokumenty zpracované“ fungují pro analýzu smluv. „Dotazy provedené“ fungují pro firemní vyhledávání. „Konverzace zpracované (bez humanitního zásahu) fungují pro zákaznickou podporu.

Jaké jsou nejčastější provozní a technické výzvy, kterým firmy čelí při přechodu z modelů pouze na předplatné na hybridní nebo založené na využití?

Klíčové bolesti hlavy jsou kolem úniku výnosů, špatných zákaznických zkušeností a nedostatku cenové flexibility, která brání Produktu a Prodeji. Příčiny jsou zakořeněny v nesprávných provozních základech. Klíčové (nové) schopnosti potřebné při přechodu z modelů pouze na předplatné na hybridní nebo založené na využití jsou zpracování dat o využití, pokročilé (a kontinuální) výpočet faktur a automatizované připojení mezi systémy CRM, fakturace a ERP.

Mnohé podniky jsou hluboce zavázány k systémům, jako jsou Salesforce (CRM ) a NetSuite. Jak m3ter modernizuje monetizační infrastrukturu bez donucení firem k nahrazení stávajících zásobníků?

Zavedené nástroje pro nabídky a fakturaci, jako jsou Salesforce a NetSuite, předpokládají svět předplatného. To však neznamená, že nemohou fungovat dobře pro moderní monetizační přístupy – stačí pouze zaplnit kritické mezery, což je to, co m3ter dělá. Zaměřujeme se přesně na to, co chybí: zpracování dat o využití, pokročilé sazby a automatizaci toků dat mezi systémy pro nabídky a fakturaci.

Únik výnosů je často podceňován. Jak významný je tento problém v moderních firmách SaaS, a co obvykle způsobuje?

Únik výnosů je hodnota, která byla vydělána (prodána a dodána), ale nebyla shromážděna, protože fakturační nesrovnalosti – vaše faktury plně nezachytávají všechny využití zákazníků, nebo neaplikují správné komerční podmínky. Je to velký problém – tým Revenue Integrity z PwC odhaduje, že se jedná o 4-7%, a čím komplexnější je cenový model, tím větší je pravděpodobnost. Kořenová příčina spočívá v systémech a kontrolech: nezachycení dat o využití efektivně; absence automatizovaných připojení mezi zdroji pravdy pro cenový model a mechanismem výpočtu faktur; a mechanismus výpočtu faktur není dostatečně sofistikovaný, aby zvládl komplexnost (například spoléhání se na tabulky).

Jak větší cenová flexibility ovlivňuje inovace produktů a prodejní strategie v softwarových organizacích?

Jednoduše – čím více cenové flexibility máte, tím rychleji můžete spustit nové produkty, a tím snadněji můžete přizpůsobit ceny potřebám a přáním zákazníků, včetně soukromých cenových dohod, které pomáhají Prodeji vyhrát. Je to strategická schopnost pro podnikání. Ale nemůžete mít flexibilitu bez automatizace a kontroly. Jinak dostanete fakturační chyby, únik výnosů a problémy s dodržováním předpisů.

Pohledem do budoucnosti, vidíte umělou inteligenci hrající roli v dynamické optimalizaci cenových modelů v reálném čase, a co by muselo být na místě, aby to fungovalo spolehlivě v měřítku?

Jsem určitě velmi nadšený z potenciálu umělé inteligence v optimalizaci cen. Ale jsem méně přesvědčen o reálném čase, alespoň pro podniky SaaS nebo řešení jako služba. Pokud prodáváte hotelové pokoje nebo letenky, dynamické cenování funguje, protože se jedná o jednorázovou transakci. Ale dodavatelé softwaru pro podniky chtějí zákaznické vztahy, které vydrží, a zákazníci nechtějí, aby se ceny měnily nepředvídatelně den ze dne. Proto se optimalizace cen zaměří místo toho na vytváření individuálních cen pro dlouhodobé dohody – ceny navržené tak, aby poskytovaly nejlepší výsledky pro dodavatele i zákazníka v rámci víceletých vztahů.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit m3ter.