Griffin Parry, CEO m3ter – Wywiad z serii

Griffin Parry jest CEO i współzałożycielem m3ter. To jego druga firma, wcześniej współzałożył i kierował GameSparks, firmą świadczącą usługi w chmurze, którą Amazon (AMZN ) nabył w 2017 roku, a następnie spędził 3 lata pracując na stanowiskach senior product i field w AWS. Rozpoczął swoją karierę w sektorze mediów (Sky, News International) skupiając się na strategii cyfrowej i rozwoju produktów cyfrowych, w tym na uruchomieniu i prowadzeniu portfolio telewizji online Sky.

m3ter to platforma SaaS zaprojektowana, aby pomóc firmom wdrażać i zarządzać złożonymi modelami cen opartymi na użyciu, działając jako warstwa infrastruktury do pomiaru i rozliczania, która współpracuje z istniejącymi systemami, takimi jak CRM i ERP. Pobiera surowe dane dotyczące użycia produktu, stosuje elastyczną logikę cenową i automatyzuje cały proces od cytaty do gotówki, umożliwiając firmom generowanie dokładnych, bieżących rachunków, jednocześnie redukując utratę przychodu i koszty operacyjne. Decoupling billing from core systems, m3ter pozwala firmom eksperymentować z modelami cenowymi, wprowadzać nowe produkty szybciej i uzyskać głębszą wiedzę na temat użycia i przepływów pieniężnych klientów, co sprawia, że jest besonders wartościowy dla nowoczesnych firm oprogramowania, które przechodzą na modele biznesowe oparte na konsumpcji.

Założyłeś i rozwinąłeś GameSparks do momentu jego przejęcia, a następnie postanowiłeś założyć m3ter, koncentrując się specjalnie na infrastrukturze rozliczeń i nowoczesnej monetizacji. Co skłoniło Cię do zajęcia się tym konkretnym obszarem problemowym w Twojej drugiej firmie, i jak Twoje wcześniejsze doświadczenie jako założyciel wpłynęło na tę decyzję?

Jesteśmy klasycznym przypadkiem założycieli, którzy rozwiązują problem, który sami doświadczyli. W GameSparks mieliśmy nowoczesną strategię monetizacji — ceny oparte na użyciu — ponieważ działało to w naszym biznesie (infrastruktura chmury). Było to kluczowe dla naszego sukcesu, ale również powodowało wiele bólu operacyjnego i GTM. Następnie w AWS, również w biznesie infrastruktury chmury, choć o wiele większym, zobaczyliśmy, że mają te same problemy. Zobaczyliśmy również, jak wiele wysiłku włożyli w rozwiązanie tych problemów, ponieważ były one kluczowe dla ich biznesu. Doszliśmy do wniosku, że w świecie opartym na użyciu, infrastruktura rozliczeń jest strategiczną zdolnością, której większość firm nie może rozwinąć, więc założyliśmy m3ter, aby to zmienić.

Produkty natywne dla AI mogą mieć nieprzewidywalne koszty infrastruktury związane z inferencją, użyciem tokenów lub ponownym szkoleniem modelu. Jak powinni myśleć założyciele o wyrównywaniu cen z wartością, jednocześnie chroniąc marże brutto?

Tradycyjne produkty SaaS geralnie miały koszty marginalne użycia bliskie zeru. Innymi słowy, ilość, w jakiej klient używał produktu, nie wpływała na koszt obsługi. Nie jest to prawdą w przypadku produktów AI, ponieważ ich użycie generuje koszty, takie jak konsumpcja tokenów. Jeśli Twoje ceny są stałe, oznacza to, że Twoje marże brutto mogą się znacznie różnić w zależności od użycia przez klienta. To z kolei sprawia, że strategie cen opartych na użyciu są prawie nieuniknione: wyrównują one przychody z kosztami i stabilizują marże brutto.

Podczas gdy AI staje się częścią istniejących kategorii oprogramowania, czy oczekujesz, że większość firm będzie warstwowała składniki użycia na subskrypcje, czy widzisz pojawienie się całkowicie nowych ram monetizacji?

Nie oczekuję niczego całkowicie nowego — tylko reinwencję modeli cenowych, które widzieliśmy wcześniej. Zobaczysz pełne spektrum, od czystych subskrypcji po modele oparte na wynikach. Ale największy klaster będzie hybrydowy: elementy powtarzalne o stałej częstotliwości dla przewidywalności, połączone z metryką zmienną, która działa zarówno dla klientów (kojarzą ją z sukcesem), jak i dla dostawców (jest wystarczająco związana z kosztami, aby chronić ich marże).

Istnieje rosnąca dyskusja na temat cen opartych na wynikach w erze AI. Gdzie widzisz prawdziwą przyczepność, a gdzie uważasz, że model staje się zbyt skomplikowany, aby go skutecznie wdrożyć?

Wyzwanie związane z cenami opartymi na wynikach polega na atrybucji — aby to działało, wynik musi być niezbędnie powodowany przez produkt dostawcy. Czasami jest to możliwe — płatności są przykładem, gdzie dostawcy pobierają udział w transakcji, i wydaje się to sprawiedliwe. Ale w moim doświadczeniu takie sytuacje są dość rzadkie, a firmy tendencję do powrotu do metryk cenowych, które są bardziej jak proxy dla wartości — na przykład, dla agenta obsługi klienta AI, połączenia rozwiązane bez interwencji człowieka. Znowu, będzie wiele rozwiązań w spektrum od cen opartych na użyciu, przez proxy wartości, po ceny oparte na wynikach — wszystkie one mają wspólne, że coś musi być policzone i musi mieć zastosowaną cenę, co jest tym, gdzie wchodzi m3ter.

Podczas definiowania wartości w produktach zasilanych przez AI, jakie praktyczne metryki powinny koncentrować się firmy jako realistyczne proxy dla wyników?

To jest trudne do odpowiedzi, ponieważ jest to bardzo specyficzne dla przypadku użycia. Są pewne „zawsze” rozważania — czy metryka jest prosta, przewidywalna, związana z wartością i wystarczająco związana z kosztami, aby chronić marże? Ale sama metryka zależy od tego, co robi produkt. „Tokeny użyte” działa dla modelu LLM. „Dokumenty przetworzone” działa dla analizy umów. „Zapytania wykonane” działa dla wyszukiwania przedsiębiorstw. „Rozmowy obsłużone (bez interwencji człowieka) działa dla obsługi klienta.

Jakie są najczęstsze operacyjne i techniczne wyzwania, z którymi firmy spotykają się podczas przechodzenia z modeli subskrypcyjnych na hybrydowe lub oparte na użyciu?

Kluczowe punkty bólu są wokół utraty przychodu, złych doświadczeń klientów i braku elastyczności cenowej, która utrudnia pracę Działom Produktu i Sprzedaży. Przyczyny są zakorzenione w niewłaściwych podstawach operacyjnych. Kluczowe (nowe) zdolności potrzebne podczas przechodzenia z subskrypcji na hybrydowe lub oparte na użyciu są przetwarzanie danych użycia, zaawansowane (i ciągłe) obliczanie rachunków i automatyczne połączenia między systemami CRM, rozliczeń i ERP.

Wiele przedsiębiorstw jest głęboko zaangażowanych w systemy takie jak Salesforce (CRM ) i NetSuite. Jak m3ter modernizuje infrastrukturę monetizacji bez zmuszania firm do przebudowy istniejącej sterty?

Ustanowione narzędzia do cytaty do gotówki, takie jak Salesforce i NetSuite, zakładają świat subskrypcji. Nie oznacza to, że nie mogą one działać dobrze dla nowoczesnych podejść do monetizacji — po prostu trzeba wypełnić krytyczne luki, co robi m3ter. Koncentrujemy się dokładnie na tym, co jest brakujące: przetwarzanie danych użycia, zaawansowane ocenianie i automatyzacja przepływów danych między systemami cytaty do gotówki.

Utrata przychodu jest często niedoceniana. Jak istotny jest ten problem w nowoczesnych firmach SaaS, i co zwykle powoduje ją?

Utrata przychodu jest wartością, która została zarobiona (sprzedana i dostarczona), ale która nie została zebrana z powodu błędów rozliczeniowych — Twoje rachunki nie w pełni odzwierciedlają użycie przez klienta, lub nie stosują odpowiednich warunków handlowych. Jest to duży problem — zespół Revenue Integrity PwC szacuje go na 4-7%, a im bardziej złożona jest cena, tym bardziej prawdopodobne jest to. Przyczyna korzeni się w systemach i kontrolach: niepobieranie danych użycia w sposób skuteczny; brak automatycznych połączeń między źródłami prawdy dla cen i mechanizmu obliczania rachunku; i mechanizm obliczania rachunku nie jest wystarczająco zaawansowany, aby poradzić sobie z złożonością (na przykład, polegając na arkuszach kalkulacyjnych).

Jak większa elastyczność cenowa wpływa na innowacje produktowe i strategię sprzedaży w organizacjach oprogramowania?

Prosto — im większa elastyczność cenowa, tym szybciej można wprowadzać nowe produkty, i tym łatwiej można dostosowywać ceny do potrzeb i życzeń klientów, w tym w umowach prywatnych, które pomagają Sprzedaży wygrywać. Jest to strategiczna zdolność dla biznesu. Ale nie można mieć elastyczności bez automatyzacji i kontroli. W przeciwnym razie, występują błędy rozliczeniowe, utrata przychodu i wyzwania związane z zgodnością.

Spójrzając w przyszłość, czy widzisz AI odgrywającą rolę w dynamicznym optymalizowaniu modeli cenowych w czasie rzeczywistym, i co musiałoby być na miejscu, aby to działało niezawodnie w skali?

Zdecydowanie jestem bardzo podekscytowany potencjałem AI w optymalizacji cen. Ale jestem mniej przekonany o aspekcie czasu rzeczywistego, przynajmniej dla firm oprogramowania jako usługi lub rozwiązań jako usługi. Jeśli sprzedajesz pokoje hotelowe lub bilety lotnicze, dynamiczne ceny działają, ponieważ jest to transakcja jednorazowa. Ale dostawcy oprogramowania B2B chcą relacji z klientami, które trwają, i klienci nie chcą, aby ceny zmieniały się nieprzewidywalnie z dnia na dzień. Tak więc optymalizacja cen będzie się koncentrowała na tworzeniu cen dostosowanych do długoterminowych umów — cen zaprojektowanych, aby dostarczyć najlepsze rezultaty zarówno dla dostawcy, jak i klienta w relacjach wieloletnich.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić m3ter.