Griffin Parry, VD för m3ter – Intervjuserie

Griffin Parry är VD och medgrundare av m3ter. Detta är hans andra startup efter att ha tidigare varit med och grundat och lett GameSparks, ett molntjänstföretag som förvärvades av Amazon (AMZN ) 2017, varefter han tillbringade 3 år med att arbeta i seniora produkt- och fältroller på AWS. Han började sin karriär inom mediebranschen (Sky, News International) med fokus på digital strategi och digital produktutveckling, inklusive lansering och ledning av Skys online-TV-utbud.

m3ter är en SaaS-plattform som är utformad för att hjälpa företag att implementera och hantera komplexa användarbasrerade priser genom att fungera som en mät- och faktureringsinfrastruktur som sitter bredvid befintliga system som CRM och ERP. Den tar emot råa produktanvändningsdata, tillämpar flexibel prissättningslogik och automatiserar hela processen från offert till betalning, vilket möjliggör för företag att generera exakta, realtidsfakturor samtidigt som de minskar intäktsläckage och operativa kostnader. Genom att koppla loss faktureringen från kärnsystemen tillåter m3ter företag att experimentera med prismodeller, lansera nya produkter snabbare och få en djupare insikt i kundanvändning och intäktsflöden, vilket gör det särskilt värdefullt för moderna programvaruföretag som övergår till konsumtionsbaserade affärsmodeller.

Du grundade och skalade upp GameSparks till förvärv, sedan valde du att starta m3ter med fokus specifikt på faktureringsinfrastruktur och modern prissättning. Vad drog dig till detta specifika problemområde för ditt andra företag, och hur påverkade din tidigare grundarupplevelse detta beslut?

Vi är ett klassiskt fall av grundare som löser ett problem som de själva har upplevt. På GameSparks hade vi en modern prissättningsstrategi — användarbasrerad prissättning — eftersom det fungerade för den typ av verksamhet vi bedrev (molninfrastruktur). Det var nyckeln till vår framgång, men det orsakade också mycket operativ och GTM-smärta. Sedan på AWS, också ett molninfrastrukturföretag, fast mycket större, såg vi att de hade samma problem. Vi såg också hur mycket ansträngning de lade ner på att lösa dem eftersom det var kritiskt för deras verksamhet. Vi kom till insikt om att i en användarbasrerad värld är faktureringsinfrastruktur en strategisk förmåga som de flesta företag inte kan utveckla, så vi grundade m3ter för att ändra på det.

AI-nativa produkter kan ha oförutsägbara infrastrukturkostnader kopplade till inferens, tokenanvändning eller modellomträning. Hur bör grundare tänka kring att anpassa prissättning till värde samtidigt som de skyddar bruttomarginaler?

Traditionella SaaS-produkter hade vanligtvis nära noll marginalkostnader för användning. Med andra ord påverkade inte kundens användning av produkten din kostnad för att tillhandahålla den. Det är inte sant för AI-produkter eftersom deras användning driver kostnader som t.ex. tokenkonsumtion. Om dina priser är fasta innebär det att dina bruttomarginaler kan variera avsevärt per kund beroende på deras användning. Det gör i sin tur att användarbasrerade prissättningsstrategier nästan oundvikliga: de anpassar intäkter till kostnader och stabiliserar bruttomarginaler.

När AI integreras i befintliga programvarukategorier, förväntar du dig att de flesta företag kommer att lägga till användarkomponenter på prenumerationer, eller ser du helt nya prissättningsramverk som uppstår?

Jag förväntar mig ingenting helt nytt – bara en återuppfinning av prissättningsmodeller som vi har sett tidigare. Du kommer att se hela spektrumet, från renodlade prenumerationer till resultatbaserade modeller. Men den största klustern kommer att vara hybrid: fasta återkommande element för förutsägbarhet, kombinerat med en variabel parameter som fungerar för både kunder (de associerar det med framgång) och leverantörer (det är tillräckligt anpassat till kostnader för att skydda deras marginaler).

Det finns en växande diskussion kring resultatbaserad prissättning i AI-eran. Var ser du verklig dragkraft uppstå, och var tror du att modellen blir för komplex för att implementeras effektivt?

Utmaningen med resultatbaserad prissättning är attribuering – för att det ska fungera måste ett mätbart resultat tydligt drivas av leverantörens produkt. Ibland är det möjligt – betalningar är ett exempel, där leverantörer tar en andel av transaktionen, och det verkar rättvist. Men i min erfarenhet är dessa situationer relativt sällsynta, och företag tenderar att falla tillbaka på prissättningsparametrar som är mer lika proxier för värde – t.ex. för en AI-kundsupportagent, samtal som lösts utan mänskligt ingripande. Återigen, det kommer att finnas många lösningar längs spektrumet från användarbasrerad, via värdeproxier, till resultatbaserad prissättning – det beror på användningsfallet. Vad de alla har gemensamt är att något måste räknas och ha prissättning tillämpad, vilket är där m3ter kommer in.

När du definierar värde i AI-drivna produkter, vilka praktiska mått bör företag fokusera på som realistiska proxier för resultat?

Detta är svårt att svara på, eftersom det är mycket användningsfallspecifikt. Det finns några “alltid” överväganden – är måttet enkelt, förutsägbart, associerat med värde och tillräckligt anpassat till kostnader för att tjäna, är det också väl anpassat till kostnader för att tjäna? Men måttet i sig beror på vad produkten gör. “Token används” fungerar för en LLM-modell. “Dokument bearbetade” fungerar för kontraktanalys. “Frågor utförda” fungerar för företagssökning. “Samtal hanterade (utan mänskligt ingripande) fungerar för kundsupport.

Vilka är de vanligaste operativa och tekniska utmaningarna som företag står inför när de övergår från prenumeration endast-modeller till hybrid- eller användarbasrerade priser?

De viktigaste smärtorna är kring intäktsläckage, dåliga kundupplevelser och brist på prissättningsagilitet som hämmar Produkt och Försäljning. Orsakerna är rotade i felaktiga operativa grunder. De viktigaste (nya) förmågorna som behövs när man övergår från prenumeration endast till hybrid- eller användarpriser är användningsdata bearbetning, avancerad (och kontinuerlig) fakturaberäkning och automatiserade anslutningar mellan CRM-, fakturerings- och ERP-system.

Många företag är djupt engagerade i system som Salesforce (CRM ) och NetSuite. Hur moderniserar m3ter prissättningsinfrastruktur utan att tvinga företag att göra om sin befintliga stack?

Etablerad offert-till-betalningsverktyg som Salesforce och NetSuite antar en värld av prenumerationer. Det betyder inte att de inte kan fungera bra för moderna prissättnings tillvägagångssätt – du behöver bara fylla i kritiska luckor, vilket är vad m3ter gör. Vi fokuserar specifikt på vad som saknas: användningsdata bearbetning, avancerad prissättning och automatiserad dataflödesanslutning mellan offert-till-betalnings system.

Intäktsläckage är ofta underskattat. Hur betydande är detta problem i moderna SaaS-företag, och vad orsakar det vanligtvis?

Intäktsläckage är värde som har tjänats in (du har sålt det och levererat det) men som inte har samlats in på grund av faktureringsfel – dina fakturor fångar inte alla kundanvändningar, eller tillämpar inte rätt kommersiella villkor. Det är en stor sak – PwC:s Intäktsintegritetsgrupp uppskattar det till 4-7%, och ju mer komplex prissättning, desto mer sannolikt är det. Rotorsaken beror på system och kontroller: inte att samla in användningsdata effektivt; inte ha automatiserade anslutningar mellan källor till sanning för prissättning och fakturaberäkningsmekanismen; och fakturaberäkningsmekanismen inte är tillräckligt sofistikerad för att hantera komplexitet (t.ex. förlita sig på kalkylblad).

Hur påverkar större prissättningsflexibilitet produktinnovation och försäljningsstrategi inom programvaruföretag?

Enkelt – ju mer prissättningsagilitet du har, desto snabbare kan du skicka ut nya produkter, och desto lättare kan du anpassa prissättning till kundernas behov och önskemål, inklusive i privata priserbjudanden som hjälper Försäljning att vinna. Det är en strategisk förmåga för företaget. Men du kan inte ha flexibilitet utan automation och kontroll. Annars får du faktureringsfel, intäktsläckage och efterlevnadsutmaningar.

Ser du framåt, tror du att AI kommer att spela en roll i dynamisk optimering av prissättningsmodeller i realtid, och vad behöver vara på plats för att det ska fungera tillförlitligt i stor skala?

Jag är absolut mycket entusiastisk över potentialen för AI i prissättningsoptimering. Men jag är mindre övertygad om den realtidsaspekten, åtminstone för programvara som en tjänst eller lösning som en tjänst-företag. Om du säljer hotellrum eller flygstolar fungerar dynamisk prissättning eftersom det är en engångstransaktion. Men B2B-programvaruleverantörer vill ha kundrelationer som varar, och kunder vill inte att prissättningen ska förändras oförutsägbart från dag till dag. Så prissättningsoptimering kommer att fokusera istället på att skapa skräddarsydd prissättning för långsiktiga avtal – prissättning som är utformad för att leverera de bästa resultaten för både leverantör och kund över multiåriga relationer.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka m3ter.