Гриффин Парри, генеральный директор m3ter – Интервью

Гриффин Парри является генеральным директором и сооснователем m3ter. Это его второй стартап, поскольку ранее он был сооснователем и руководителем GameSparks, компании, предоставляющей облачные услуги, которую Amazon (AMZN ) приобрела в 2017 году. После этого он отработал 3 года на руководящих должностях в AWS. Он начал свою карьеру в медиа-секторе (Sky, News International), где занимался цифровой стратегией и разработкой цифровых продуктов, включая запуск и руководство онлайн-телевизионным портфелем Sky.

m3ter – это платформа SaaS, предназначенная для помощи компаниям в реализации и управлении сложными моделями ценообразования на основе использования, выступая в качестве слоя инфраструктуры для измерения и выставления счетов, который располагается рядом с существующими системами, такими как CRM и ERP. Она принимает сырые данные о использовании продукта, применяет гиблую логику ценообразования и автоматизирует весь процесс от цитаты до оплаты, что позволяет бизнесу генерировать точные, актуальные счета, сокращая утечку доходов и операционные расходы. Отделение выставления счетов от основных систем позволяет компаниям экспериментировать с моделями ценообразования, быстрее запускать новые продукты и получать более глубокое понимание использования клиентов и потоков доходов, что делает его особенно ценным для современных программных компаний, которые переходят на модели бизнеса, основанные на потреблении.

Вы основали и расширили GameSparks до ее приобретения, а затем решили создать m3ter, сосредоточившись конкретно на инфраструктуре выставления счетов и современной монетизации. Что привлекло вас к этой конкретной проблемной области для вашей второй компании, и как ваш ранее приобретенный опыт основателя повлиял на это решение?

Мы – классический случай, когда основатели решают проблему, с которой они столкнулись лично. В GameSparks у нас была современная стратегия монетизации – ценообразование на основе использования – потому что это сработало для нашего бизнеса (облачная инфраструктура). Это было ключом к нашему успеху, но также вызвало много операционных и GTM-боль. Затем в AWS, также облачном бизнесе инфраструктуры, хотя и намного большем, мы увидели, что у них были те же проблемы. Мы также увидели, сколько усилий они приложили для решения этих проблем, потому что это было критически важно для их бизнеса. Мы пришли к выводу, что в мире, основанном на использовании, инфраструктура выставления счетов является стратегической возможностью, которую большинство компаний не могут разработать, поэтому мы основали m3ter, чтобы изменить это.

Продукты, родные для ИИ, могут иметь непредсказуемые затраты на инфраструктуру, связанные с выводом, использованием токенов или повторной тренировкой моделей. Как основатели должны думать о согласовании ценообразования с ценностью, одновременно защищая валовые маржи?

Традиционные продукты SaaS обычно имели близкие к нулю маргинальные затраты на использование. Другими словами, использование продукта клиентом не влияло на ваши затраты на обслуживание. Это не так для продуктов ИИ, потому что их использование вызывает затраты, такие как потребление токенов. Если ваши цены фиксированы, это означает, что ваши валовые маржи могут значительно варьироваться для каждого клиента в зависимости от его использования. Это, в свою очередь, делает стратегии ценообразования на основе использования почти неизбежными: они согласовывают доходы с затратами и стабилизируют валовые маржи.

Когда ИИ становится неотъемлемой частью существующих программных категорий, ожидаете ли вы, что большинство компаний будут добавлять компоненты использования к подпискам или видите появление полностью новых рамок монетизации?

Я не ожидаю ничего совершенно нового – просто переизобретение моделей ценообразования, которые мы видели раньше. Вы увидите весь спектр, от чистых подписок до моделей, основанных на результатах. Но самый большой кластер будет гибридным: фиксированные периодические элементы для предсказуемости, в сочетании с переменной метрикой, которая работает как для клиентов (они ассоциируют ее с успехом), так и для поставщиков (она достаточно согласована с затратами, чтобы защитить их маржи).

Существует растущий интерес к ценообразованию, основанному на результатах, в эпоху ИИ. Где вы видите реальную тягу, и где, по вашему мнению, модель становится слишком сложной для эффективной реализации?

Проблема с ценообразованием, основанным на результатах, заключается в атрибуции – для того, чтобы оно работало, измеримый результат должен быть однозначно вызван продуктом поставщика. Иногда это возможно – платежи являются примером, где поставщики получают долю транзакции, и это кажется справедливым. Но, по моему опыту, такие ситуации относительно редки, и компании склонны полагаться на метрики ценообразования, которые больше похожи на прокси для ценности – например, для агента поддержки ИИ количество звонков, решенных без вмешательства человека. Опять же, будет много решений по всему спектру, от ценообразования на основе использования до прокси ценности и ценообразования, основанного на результатах – все зависит от случая. Что они имеют общего, так это то, что что-то должно быть посчитано и иметь примененное к нему ценообразование, что является областью, где m3ter входит в игру.

При определении ценности в продуктах, основанных на ИИ, на какие практические метрики должны компании сосредоточиться как на реалистичных прокси для результатов?

Это трудно ответить, потому что это очень зависит от конкретного случая. Есть некоторые “всегда” соображения – является ли метрика простой, предсказуемой, связанной с ценностью и достаточно согласованной с затратами, чтобы защитить их? Но сама метрика зависит от того, что делает продукт. “Использованные токены” работает для модели LLM. “Обработанные документы” работает для анализа контрактов. “Выполненные запросы” работает для корпоративного поиска. “Обработанные разговоры (без вмешательства человека) работает для поддержки клиентов.

Какие наиболее распространенные операционные и технические проблемы, с которыми сталкиваются компании при переходе от моделей подписки только к гибридным или основанным на использовании моделям ценообразования?

Ключевые болевые точки связаны с утечкой доходов, плохими впечатлениями клиентов и отсутствием гибкости ценообразования, которая ограничивает Продукт и Продажи. Причины коренятся в неправильных операционных основаниях. Ключевые (новые) возможности, необходимые при переходе от подписки только к гибридному или ценообразованию на основе использования, являются обработкой данных об использовании, продвинутым (и непрерывным) расчетом счетов и автоматизированными соединениями между системами CRM, выставления счетов и ERP.

Многие предприятия глубоко привержены системам, таким как Salesforce (CRM ) и NetSuite. Как m3ter модернизирует инфраструктуру монетизации без принуждения компаний к полной перестройке своей существующей стека?

Установленные инструменты для цитаты на оплату, такие как Salesforce и NetSuite, предполагают мир подписок. Это не означает, что они не могут работать хорошо для современных подходов к монетизации – вам просто нужно заполнить критические пробелы, что и делает m3ter. Мы сосредоточены именно на том, что отсутствует: обработке данных об использовании, продвинутом тарифе и автоматизации потоков данных между системами цитаты на оплату.

Утечка доходов часто недооценивается. Насколько серьезна эта проблема в современных бизнесах SaaS, и что обычно вызывает ее?

Утечка доходов – это стоимость, которая была заработана (вы ее продали и доставили), но которая не была собрана из-за неточностей в выставлении счетов – ваши счета не полностью отражают все использование клиентов или не применяют правильные коммерческие условия. Это большая проблема – команда Revenue Integrity PwC оценивает ее в 4-7%, и чем более сложное ценообразование, тем более вероятно, что это произойдет. Коренная причина заключается в системах и контролях: неэффективное захват данных об использовании; отсутствие автоматизированных соединений между источниками правды для ценообразования и механизмом расчета счета; и механизм расчета счета не достаточно сложен, чтобы справиться с сложностью (например, полагаясь на электронные таблицы).

Как большая гибкость ценообразования влияет на инновации продукта и стратегию продаж внутри программных организаций?

Просто – чем больше гибкости ценообразования у вас есть, тем быстрее вы можете доставить новые продукты, и тем легче вы можете адаптировать ценообразование к потребностям и желаниям ваших клиентов, включая частные сделки по ценообразованию, которые помогают Продажам выиграть. Это стратегическая возможность для бизнеса. Но вы не можете иметь гибкость без автоматизации и контроля. В противном случае, вы получите ошибки в выставлении счетов, утечку доходов и проблемы с соблюдением требований.

Оглядываясь вперед, видите ли вы ИИ, играющий роль в динамической оптимизации моделей ценообразования в реальном времени, и что нужно, чтобы это работало надежно в масштабе?

Я, безусловно, очень взволнован потенциалом ИИ в оптимизации ценообразования. Но я менее убежден в реальном времени. По крайней мере, для бизнеса программного обеспечения или решения как услуги. Если вы продаете номера отелей или авиабилеты, динамическое ценообразование работает, потому что это разовая транзакция. Но поставщики программного обеспечения для бизнеса хотят отношения с клиентами, которые сохраняются, и клиенты не хотят, чтобы ценообразование менялось непредсказуемо день за днем. Итак, оптимизация ценообразования будет сосредоточена вместо этого на создании индивидуального ценообразования для долгосрочных сделок – ценообразования, предназначенного для обеспечения лучших результатов как для поставщика, так и для клиента в течение многолетних отношений.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить m3ter.