Griffin Parry, CEO of m3ter – Interview Series

Griffin Parry adalah CEO dan co-founder m3ter. Ini adalah startup keduanya setelah sebelumnya ia co-founder dan memimpin GameSparks, sebuah perusahaan layanan cloud yang diakuisisi oleh Amazon pada 2017, setelah itu ia menghabiskan 3 tahun bekerja di posisi senior produk dan lapangan di AWS. Ia memulai karirnya di sektor media (Sky, News International) yang fokus pada strategi digital dan pengembangan produk digital, termasuk meluncurkan dan memimpin portofolio TV online Sky.

m3ter adalah platform SaaS yang dirancang untuk membantu perusahaan mengimplementasikan dan mengelola harga berbasis penggunaan yang kompleks dengan bertindak sebagai lapisan infrastruktur pengukuran dan penagihan yang berada di samping sistem yang ada seperti CRM dan ERP. Ini mengonsumsi data penggunaan produk mentah, menerapkan logika harga yang fleksibel, dan mengotomatisasi proses quote-to-cash secara keseluruhan, memungkinkan bisnis untuk menghasilkan tagihan yang akurat dan waktu nyata sambil mengurangi kebocoran pendapatan dan biaya operasional. Dengan memisahkan penagihan dari sistem inti, m3ter memungkinkan perusahaan untuk bereksperimen dengan model harga, meluncurkan produk baru lebih cepat, dan memperoleh visibilitas yang lebih dalam tentang penggunaan dan aliran pendapatan pelanggan, membuatnya sangat berharga bagi perusahaan perangkat lunak modern yang beralih ke model bisnis berbasis konsumsi.

Anda mendirikan dan mengembangkan GameSparks hingga akuisisi, kemudian memilih untuk memulai m3ter yang fokus secara khusus pada infrastruktur penagihan dan monitisasi modern. Apa yang menarik Anda ke ruang masalah ini untuk perusahaan kedua Anda, dan bagaimana pengalaman pendiri sebelumnya mempengaruhi keputusan tersebut?

Kami adalah kasus klasik dari pendiri yang memecahkan masalah yang telah mereka alami secara langsung. Di GameSparks, kami memiliki strategi monitisasi modern — harga berbasis penggunaan — karena itu berhasil untuk jenis bisnis yang kami jalankan (infrastruktur cloud). Ini kunci keberhasilan kami, tetapi juga menyebabkan banyak rasa sakit operasional dan GTM. Kemudian di AWS, juga bisnis infrastruktur cloud, meskipun lebih besar, kami melihat mereka memiliki masalah yang sama. Kami juga melihat seberapa banyak upaya yang mereka lakukan untuk memecahkan masalah tersebut karena itu sangat penting untuk bisnis mereka. Kami menyadari bahwa dalam dunia berbasis penggunaan, infrastruktur penagihan adalah kemampuan strategis yang sebagian besar perusahaan tidak dapat mengembangkan, sehingga kami mendirikan m3ter untuk mengubah itu.

Produk AI-asli dapat memiliki biaya infrastruktur yang tidak terduga yang terkait dengan inferensi, penggunaan token, atau pelatihan ulang model. Bagaimana pendiri harus memikirkan tentang menyelaraskan harga dengan nilai sambil melindungi margin bruto?

Produk SaaS tradisional umumnya memiliki biaya marginal penggunaan yang hampir nol. Dengan kata lain, jumlah yang digunakan pelanggan produk Anda tidak mempengaruhi biaya Anda untuk melayani. Ini tidak benar untuk produk AI karena penggunaannya mengarah pada biaya seperti konsumsi token. Jika harga Anda tetap, itu berarti margin bruto Anda dapat bervariasi secara signifikan per pelanggan tergantung pada penggunaannya. Itu, pada gilirannya, membuat strategi harga berbasis penggunaan hampir tak terhindarkan: itu menyelaraskan pendapatan dengan biaya dan menstabilkan margin bruto.

Seiring AI menjadi terintegrasi ke dalam kategori perangkat lunak yang ada, apakah Anda mengharapkan sebagian besar perusahaan untuk melapisi komponen penggunaan pada langganan, atau apakah Anda melihat kerangka monitisasi baru yang sepenuhnya muncul?

Saya tidak mengharapkan apa pun yang sepenuhnya baru – hanya reinvensi model harga yang telah kita lihat sebelumnya. Anda akan melihat spektrum penuh, dari langganan murni hingga model berbasis hasil. Tapi klaster terbesar akan menjadi hibrida: elemen berulang tetap untuk prediktabilitas, dikombinasikan dengan metrik variabel yang bekerja untuk kedua pelanggan (mereka mengasosiasikan dengan keberhasilan) dan vendor (itu sejalan cukup dengan biaya untuk melindungi margin mereka).

Ada diskusi yang berkembang sekitar harga berbasis hasil di era AI. Di mana Anda melihat traksi nyata muncul, dan di mana Anda percaya model menjadi terlalu kompleks untuk diimplementasikan secara efektif?

Tantangan dengan harga berbasis hasil adalah atribusi – agar itu berhasil, hasil yang dapat diukur perlu didorong secara jelas oleh produk vendor. Terkadang itu memungkinkan – pembayaran adalah contoh, di mana penyedia mengambil bagian dari transaksi, dan itu tampak adil. Tapi dalam pengalaman saya, situasi seperti itu relatif jarang, dan perusahaan cenderung jatuh kembali pada metrik harga yang lebih seperti proksi nilai – misalnya, untuk agen dukungan pelanggan AI, panggilan yang diselesaikan tanpa intervensi manusia. Lagi, akan ada banyak solusi sepanjang spektrum dari harga berbasis penggunaan, melalui proksi nilai, hingga harga berbasis hasil – itu tergantung pada kasus penggunaan. Apa yang mereka bagikan bersama adalah bahwa sesuatu perlu dihitung dan harga diterapkan, yang merupakan tempat m3ter masuk.

Ketika mendefinisikan nilai dalam produk AI-powered, apa metrik praktis yang harus perusahaan fokuskan sebagai proksi realistis untuk hasil?

Ini adalah pertanyaan yang sulit untuk dijawab, karena itu sangat spesifik kasus penggunaan. Ada beberapa “selalu” pertimbangan – apakah metrik sederhana, dapat diprediksi, terkait dengan nilai, dan sejalan cukup dengan biaya untuk melayani? Tapi metrik itu sendiri tergantung pada apa yang dilakukan produk. “Token yang digunakan” bekerja untuk model LLM. “Dokumen yang diproses” bekerja untuk analisis kontrak. “Kueri yang dijalankan” bekerja untuk pencarian perusahaan. “Percakapan yang ditangani (tanpa intervensi manusia) bekerja untuk dukungan pelanggan.

Apa tantangan operasional dan teknis yang paling umum dihadapi perusahaan ketika beralih dari model langganan saja ke hibrida atau harga berbasis penggunaan?

Poin nyeri kunci adalah sekitar kebocoran pendapatan, pengalaman pelanggan yang buruk, dan kurangnya kelenturan harga yang menghambat Produk dan Penjualan. Penyebabnya berakar pada fondasi operasional yang salah. Kemampuan kunci (baru) yang dibutuhkan ketika beralih dari langganan saja ke harga hibrida atau berbasis penggunaan adalah pengolahan data penggunaan, perhitungan tagihan lanjutan (dan terus-menerus), dan koneksi otomatis antara sistem CRM, penagihan, dan ERP.

Banyak perusahaan besar sangat berkomitmen pada sistem seperti Salesforce dan NetSuite. Bagaimana m3ter memodernisasi infrastruktur monitisasi tanpa memaksa perusahaan untuk mengganti tumpukan yang ada?

Alat quote-to-cash yang mapan seperti Salesforce dan NetSuite menganggap dunia langganan. Itu tidak berarti mereka tidak dapat bekerja dengan baik untuk pendekatan monitisasi modern – Anda hanya perlu mengisi celah kritis, yang dilakukan oleh m3ter. Kami fokus tepat pada apa yang hilang: pengolahan data penggunaan, peringkat lanjutan, dan otomatisasi aliran data antara sistem quote-to-cash.

Kebocoran pendapatan sering kali diremehkan. Seberapa signifikan masalah ini dalam bisnis SaaS modern, dan apa yang biasanya menyebabkannya?

Kebocoran pendapatan adalah nilai yang telah diperoleh (Anda telah menjualnya dan mengirimkannya) tetapi yang belum dikumpulkan karena ketidakakuratan penagihan – tagihan Anda tidak sepenuhnya menangkap semua penggunaan pelanggan, atau tidak menerapkan syarat komersial yang tepat. Ini adalah masalah besar – tim Integritas Pendapatan PwC memperkirakan sekitar 4-7%, dan semakin kompleks harga, semakin mungkin. Penyebab akar berasal dari sistem dan kontrol: tidak mengumpulkan data penggunaan secara efektif; tidak memiliki koneksi otomatis antara sumber kebenaran untuk harga dan mekanisme perhitungan tagihan; dan mekanisme perhitungan tagihan tidak cukup canggih untuk menangani kompleksitas (misalnya, mengandalkan spreadsheet).

Bagaimana fleksibilitas harga yang lebih besar mempengaruhi inovasi produk dan strategi penjualan dalam organisasi perangkat lunak?

Sederhana – semakin banyak kelenturan harga yang Anda miliki, semakin cepat Anda dapat mengirimkan produk baru, dan semakin mudah Anda dapat menyesuaikan harga dengan kebutuhan dan keinginan pelanggan, termasuk dalam kesepakatan harga pribadi yang membantu Penjualan memenangkan. Ini adalah kemampuan strategis untuk bisnis. Tapi Anda tidak dapat memiliki fleksibilitas tanpa otomatisasi dan kontrol. Jika tidak, Anda akan mendapatkan kesalahan penagihan, kebocoran pendapatan, dan tantangan kepatuhan.

Menghadap ke depan, apakah Anda melihat AI memainkan peran dalam mengoptimalkan harga model secara dinamis dalam waktu nyata, dan apa yang perlu ada untuk itu bekerja secara handal pada skala?

Saya sangat bersemangat tentang potensi AI dalam optimasi harga. Tapi saya kurang yakin tentang aspek waktu nyata, setidaknya untuk bisnis perangkat lunak sebagai layanan atau solusi sebagai layanan. Jika Anda menjual kamar hotel atau kursi pesawat, harga dinamis bekerja karena itu adalah transaksi satu kali. Tapi vendor perangkat lunak B2B ingin memiliki hubungan pelanggan yang berkelanjutan, dan pelanggan tidak ingin harga berubah tidak terduga hari demi hari. Jadi optimasi harga akan fokus pada menciptakan harga khusus untuk kesepakatan jangka panjang – harga yang dirancang untuk menghasilkan hasil terbaik bagi kedua vendor dan pelanggan selama hubungan multi-tahun.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi m3ter.