Griffin Parry, CEO της m3ter – Συνέντευξη Σειράς

Griffin Parry είναι ο CEO και συνιδρυτής της m3ter. Αυτή είναι η δεύτερη εταιρεία του, αφού είχε ιδρύσει και ηγήθηκε της GameSparks, μιας εταιρείας cloud υπηρεσιών που αγοράστηκε από την Amazon το 2017, μετά από την οποία worked σε ανώτερες θέσεις προϊόντος και πωλήσεων στην AWS. Ξεκίνησε την καριέρα του στο τομέα των μέσων ενημέρωσης (Sky, News International) με επίκεντρο τη ψηφιακή στρατηγική και την ανάπτυξη ψηφιακών προϊόντων, συμπεριλαμβανομένης της έναρξης και της ηγεσίας του online TV portofolio της Sky.

m3ter είναι μια πλατφόρμα SaaS που σχεδιάστηκε για να βοηθήσει τις εταιρείες να εφαρμόσουν και να διαχειριστούν σύνθετα μοντέλα τιμολόγησης βάσει χρήσης, λειτουργώντας ως ένα επίπεδο υποδομής μετρήσεων και τιμολόγησης που συνδέεται με υφιστάμενες συστήματα όπως CRMs και ERPs. Καταναλώνει сырыя δεδομένα χρήσης προϊόντων, εφαρμόζει ευέλικτη λογική τιμολόγησης και αυτοματοποιεί ολόκληρη τη διαδικασία από την προσφορά έως την πληρωμή, επιτρέποντας στις επιχειρήσεις να δημιουργούν ακριβείς, πραγματικού χρόνου λογαριασμούς ενώ μειώνουν την απώλεια εσόδων και τον λειτουργικό υπερβολικό φόρτο. Αποσυνδέοντας το τιμολόγιο από τα βασικά συστήματα, η m3ter επιτρέπει στις εταιρείες να πειραματίζονται με μοντέλα τιμολόγησης, να εκκινήσουν νέα προϊόντα πιο γρήγορα και να αποκτήσουν μεγαλύτερη ορατότητα στις χρήσεις πελατών και τις ροές εσόδων, καθιστώντας την ιδιαίτερα πολύτιμη για τις σύγχρονες εταιρείες λογισμικού που μετατοπίζονται προς μοντέλα επιχειρήσεων βάσει κατανάλωσης.

Ιδρύσατε και εξέτασατε την GameSparks μέχρι την αγορά, και στη συνέχεια επέλεξατε να ξεκινήσετε την m3ter με επίκεντρο συγκεκριμένα την υποδομή τιμολόγησης και τη σύγχρονη μονεταρίωση. Τι σας drew σε αυτό το συγκεκριμένο χώρο προβλημάτων για την δεύτερη εταιρεία σας, και πώς η προηγούμενη εμπειρία σας ως ιδρυτής επηρέασε αυτή την απόφαση;

Είμαστε ένα κλασικό παράδειγμα ιδρυτών που λύνουν ένα πρόβλημα που είχαν βιώσει προσωπικά. Στην GameSparks, είχαμε ένα σύγχρονο μοντέλο μονεταρίωσης — τιμολόγηση βάσει χρήσης — γιατί αυτό λειτουργούσε για τον τύπο επιχείρησης που ήμασταν (υποδομή cloud). Ήταν κλειδί για την επιτυχία μας, αλλά επίσης προκάλεσε πολλά λειτουργικά και πωλήσεων προβλήματα. Στην AWS, επίσης μια εταιρεία υποδομής cloud, αν και πολύ μεγαλύτερη, είδαμε ότι είχαν τα ίδια προβλήματα. Είδαμε επίσης πόσο κόπο έβαλαν για να τα λύσουν επειδή ήταν κρίσιμο για την επιχείρησή τους. Καταλήξαμε στο συμπέρασμα ότι σε ένα κόσμο βάσει χρήσης, η υποδομή τιμολόγησης είναι μια στρατηγική ικανότητα που οι περισσότερες εταιρείες δεν μπορούσαν να αναπτύξουν, οπότε ιδρύσαμε την m3ter για να αλλάξουμε αυτό.

Τα προϊόντα που είναι εγγενώς AI μπορούν να έχουν απρόβλεπτες υποδομικές κόστη που συνδέονται με inference, χρήση token ή επαναεκπαίδευση μοντέλων. Πώς πρέπει οι ιδρυτές να σκέφτονται για την ευθυγράμμιση της τιμολόγησης με την αξία ενώ προστατεύουν τα περιθώρια κέρδους;

Τα παραδοσιακά προϊόντα SaaS γενικά είχαν近零 περιθώρια κόστους χρήσης. Με άλλα λόγια, η ποσότητα που ο πελάτης χρησιμοποιούσε το προϊόν σας δεν επηρέαζε το κόστος σας για την εξυπηρέτηση. Αυτό δεν ισχύει για τα προϊόντα AI γιατί η χρήση τους οδηγεί σε κόστη όπως η κατανάλωση token. Αν οι τιμές σας είναι σταθερές, αυτό σημαίνει ότι τα περιθώρια κέρδους σας μπορούν να ποικίλουν σημαντικά ανά πελάτη ανάλογα με τη χρήση τους. Αυτό, με τη σειρά του, καθιστά τις στρατηγικές τιμολόγησης βάσει χρήσης σχεδόν αναπόφευκτες: ευθυγραμμίζει τα έσοδα με τα κόστη και σταθεροποιεί τα περιθώρια κέρδους.

Όταν το AI ενσωματώνεται σε υφιστάμενες κατηγορίες λογισμικού, περιμένετε οι περισσότερες εταιρείες να προσθέσουν στοιχεία χρήσης στις συνδρομές τους, ή να δείτε εντελώς νέα πλαίσια μονεταρίωσης να αναδύονται;

Δεν περιμένω τίποτα εντελώς νέο – απλά μια ανανέωση των μοντέλων τιμολόγησης που έχουμε δει πριν. Θα δείτε το πλήρες φάσμα, από καθαρές συνδρομές σε μοντέλα βασισμένα σε αποτελέσματα. Αλλά η μεγαλύτερη συσσώρευση θα είναι υβριδική: σταθερά ανακυκλούμενα στοιχεία για προβλέψιμη, σε συνδυασμό με một μεταβλητό μετρήσιμο που λειτουργεί και για τους πελάτες (συσχετίζουν το με επιτυχία) και για τους προμηθευτές (είναι αρκετά ευθυγραμμισμένο με τα κόστη για να προστατεύσει τα περιθώρια τους).

Υπάρχει μια αυξανόμενη συζήτηση γύρω από την τιμολόγηση βάσει αποτελεσμάτων στην εποχή του AI. Πού βλέπετε πραγματική τράκταση να αναδύεται, και πού πιστεύετε ότι το μοντέλο γίνεται πολύ σύνθετο για να εφαρμοστεί αποτελεσματικά;

Η πρόκληση με την τιμολόγηση βάσει αποτελεσμάτων είναι η απόδοση – για να λειτουργήσει, ένα μετρήσιμο αποτέλεσμα χρειάζεται να είναι αδιαμφισβήτητα οδηγούμενο από το προϊόν του προμηθευτή. Μερικές φορές αυτό είναι δυνατό – οι πληρωμές είναι ένα παράδειγμα, όπου οι παρόχοι λαμβάνουν ένα μερίδιο της συναλλαγής, και αυτό φαίνεται δίκαιο. Αλλά από την εμπειρία μου, αυτές οι καταστάσεις είναι σχετικά σπάνιες, και οι εταιρείες tend να πέσουν πίσω σε μετρήσιμα που είναι πιο σαν προξένια για αξία – για παράδειγμα, για ένα AI πράκτορα υποστήριξης πελατών, κλήσεις που επιλύονται χωρίς ανθρώπινη παρέμβαση. Πάλι, θα υπάρχουν πολλές λύσεις κατά μήκος του φάσματος από τη χρήση, μέσω προξένια αξίας, σε τιμολόγηση βάσει αποτελεσμάτων – αυτό зависит από την περίπτωση χρήσης. Ότι μοιράζονται κοινό είναι ότι κάτι χρειάζεται να μετρηθεί και να εφαρμοστεί τιμολόγηση σε αυτό, που είναι εκεί όπου η m3ter έρχεται.

Όταν ορίζεται η αξία σε προϊόντα που βασίζονται στο AI, ποια πρακτικά μετρήσιμα πρέπει οι εταιρείες να επικεντρωθούν ως πραγματικά προξένια για αποτελέσματα;

Αυτό είναι ένα δύσκολο να απαντηθεί, γιατί είναι πολύ συγκεκριμένο στην περίπτωση χρήσης. Υπάρχουν κάποια “πάντα” συζητήσεις – είναι το μετρήσιμο απλό, προβλέψιμο, συσχετισμένο με αξία, και αρκετά ευθυγραμμισμένο με τα κόστη για την εξυπηρέτηση; Αλλά το μετρήσιμο selbst зависит από το τι κάνει το προϊόν. “Tokens χρησιμοποιημένα” λειτουργεί για ένα μοντέλο LLM. “Εγγράφες επεξεργασμένες” λειτουργεί για ανάλυση συμβολαίου. “Ερωτήσεις εκτελεσμένες” λειτουργεί για entreprise αναζήτηση. “Συζητήσεις χειριζόμενες (χωρίς ανθρώπινη παρέμβαση) λειτουργεί για υποστήριξη πελατών.

Ποια είναι τα πιο κοινά λειτουργικά και τεχνικά προβλήματα που αντιμετωπίζουν οι εταιρείες όταν μετατοπίζονται από μοντέλα συνδρομής μόνο σε υβριδικά ή μοντέλα τιμολόγησης βάσει χρήσης;

Τα κλειδιά προβλήματα είναι γύρω από την απώλεια εσόδων, τις κακές εμπειρίες πελατών και την έλλειψη ευελιξίας τιμολόγησης που δένει το Product και Sales. Οι αιτίες είναι ριζωμένες στις λάθος λειτουργικές βάσεις. Τα κλειδιά (νέα) ικανότητες που χρειάζονται όταν μετατοπίζονται από συνδρομές μόνο σε υβριδικά ή μοντέλα τιμολόγησης βάσει χρήσης είναι η επεξεργασία δεδομένων χρήσης, η προηγμένη (και συνεχής) υπολογισμός λογαριασμών και οι αυτοματοποιημένες συνδέσεις μεταξύ CRM, λογαριασμών και ERP συστημάτων.

Πολυάριθμες επιχειρήσεις είναι βαθιά δεσμευμένες σε συστήματα όπως το Salesforce και το NetSuite. Πώς η m3ter μοντερνοποιεί την υποδομή μονεταρίωσης χωρίς να αναγκάζει τις εταιρείες να αναθεωρήσουν το υφιστάμενο στάκτη τους;

Τα καθιερωμένα εργαλεία quote-to-cash όπως το Salesforce και το NetSuite υποθέτουν ένα κόσμο συνδρομών. Αυτό δεν σημαίνει ότι δεν μπορούν να λειτουργήσουν καλά για σύγχρονες προσεγγίσεις μονεταρίωσης – απλά χρειάζεται να γεμίσετε κρίσιμα κενά, που είναι αυτό που κάνει η m3ter. Εστιάζουμε ακριβώς σε αυτά που λείπουν: επεξεργασία δεδομένων χρήσης, προηγμένη rating και αυτοματοποίηση ροών δεδομένων μεταξύ συστημάτων quote-to-cash.

Η απώλεια εσόδων συχνά υποτιμάται. Πόσο σημαντικό είναι αυτό το πρόβλημα στις σύγχρονες επιχειρήσεις SaaS, και τι τυπικά το προκαλεί;

Η απώλεια εσόδων είναι η αξία που έχει κερδηθεί (έχετε πουλήσει και παραδώσει) αλλά που δεν έχει συλλεχθεί λόγω λαθών τιμολόγησης – οι λογαριασμοί σας δεν καταγράφουν πλήρως όλες τις χρήσεις πελατών, ή δεν εφαρμόζουν τους σωστούς εμπορικούς όρους. Είναι ένα μεγάλο ζήτημα – η ομάδα Revenue Integrity της PwC την εκτιμά στο 4-7%, και όσο πιο σύνθετο είναι το τιμολόγιο, τόσο πιο πιθανό είναι. Η ριζική αιτία έρχεται xuống σε συστήματα και ελέγχους: δεν καταγράφουν αποτελεσματικά δεδομένα χρήσης; δεν έχουν αυτοματοποιημένες συνδέσεις μεταξύ πηγών αλήθειας για τιμολόγηση και του μηχανισμού υπολογισμού λογαριασμών; και ο μηχανισμός υπολογισμού λογαριασμών δεν είναι αρκετά sophisticiated για να χειριστεί την πολυπλοκότητα (για παράδειγμα, βασίζεται σε εύκολες υπολογίσεις).

Πώς η μεγαλύτερη ευελιξία τιμολόγησης επηρεάζει την καινοτομία προϊόντων και την στρατηγική πωλήσεων μέσα στις εταιρείες λογισμικού;

Απλό – η περισσότερη ευελιξία τιμολόγησης που έχετε, τόσο γρηγορότερα μπορείτε να εκκινήσετε νέα προϊόντα, και τόσο πιο εύκολα μπορείτε να προσαρμόσετε την τιμολόγηση στις ανάγκες και τις επιθυμίες των πελατών σας, συμπεριλαμβανομένων των ιδιωτικών συμφωνιών τιμολόγησης που βοηθούν τις Πωλήσεις να κερδίσουν. Είναι μια στρατηγική ικανότητα για την επιχείρηση. Αλλά δεν μπορείτε να έχετε ευελιξία χωρίς αυτοματοποίηση και έλεγχο. Αλλιώς, παίρνετε λάθη τιμολόγησης, απώλεια εσόδων και προκλήματα συμμόρφωσης.

Κοιτάζοντας μπροστά, βλέπετε το AI να παίζει ρόλο στη δυναμική βελτιστοποίηση των μοντέλων τιμολόγησης σε πραγματικό χρόνο, και τι χρειάζεται να είναι στη θέση του για να λειτουργήσει αξιόπιστα σε κλίμακα;

Είμαι σίγουρα πολύ ενθουσιασμένος με το δυναμικό του AI στην оптимποίηση τιμολόγησης. Αλλά είμαι λιγότερο πεισμένος για το πραγματικό χρόνο. Αν πουλάτε δωμάτια ξενοδοχείου ή αεροπορικά εισιτήρια, η δυναμική τιμολόγηση λειτουργεί γιατί είναι μια μια φορά συναλλαγή. Αλλά οι προμηθευτές B2B λογισμικού θέλουν σχέσεις πελατών που διαρκούν, και οι πελάτες δεν θέλουν την τιμολόγηση να αλλάζει απρόβλεπτα ημέρα με ημέρα. Έτσι, η βελτιστοποίηση τιμολόγησης θα επικεντρωθεί αντί για τη δημιουργία προσαρμοσμένων τιμολόγησεων για μακροπρόθεσμες συμφωνίες – τιμολόγηση που σχεδιάζεται για να παραδώσει τα καλύτερα αποτελέσματα και για τον προμηθευτή και τον πελάτη σε πολυετείς σχέσεις.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν m3ter.