CFO รับมือการเติบโต ราคา และการคาดการณ์อย่างไรในยุค AI

 (info.a16z.com)
9 คะแนน โดย GN⁺ 2025-07-03 | ยังไม่มีความคิดเห็น | แชร์ทาง WhatsApp
  • การนำ AI มาใช้กำลังทำให้ บทบาทของประธานเจ้าหน้าที่การเงิน (CFO) เปลี่ยนแปลงอย่างรวดเร็ว และ ทุกด้านกำลังถูกพลิกโฉม ทั้งการตั้งราคา การคาดการณ์ โครงสร้างรายได้ และการบริหารต้นทุน
  • การเปลี่ยนผ่านจากโมเดลสมัครสมาชิกไปสู่การตั้งราคาตามผลลัพธ์และตามการใช้งานกำลังเกิดขึ้นอย่างรวดเร็ว พร้อมกับการนำตัวชี้วัด ARR (รายได้ประจำต่อปี) แบบใหม่และโมเดลไฮบริดมาใช้แพร่หลายมากขึ้น
  • บริการ AI มี ต้นทุนผันแปรสูง เช่น โทเค็นและการเรียกใช้ API อีกทั้ง โครงสร้างการใช้งานและต้นทุนของลูกค้าแต่ละรายมีความหลากหลายมาก ทำให้ความซับซ้อนของการตั้งราคาและการคาดการณ์รายได้เพิ่มสูงขึ้นอย่างมาก
  • คุณค่าเชิงกลยุทธ์ของ R&D และการลงทุนเพื่ออนาคต ตลอดจนความจำเป็นของการลงทุนด้านผลิตภัณฑ์และเทคโนโลยีเพื่อสร้างความแตกต่างและความสามารถในการแข่งขันระยะยาว กำลังมีความสำคัญมากขึ้น
  • การคาดการณ์อุปสงค์และการวิเคราะห์การเงินขั้นสูงด้วย AI/แมชชีนเลิร์นนิงกลายเป็นสิ่งจำเป็น แต่ความไม่แน่นอนของการคาดการณ์ก็ยังคงสูงมาก

การนำ AI มาใช้และการเปลี่ยนแปลงของบทบาท CFO

  • การนำ AI มาใช้กำลังก่อให้เกิดการเปลี่ยนแปลงเชิงโครงสร้างต่อการดำเนินธุรกิจ และ CFO ก็กำลังใช้เครื่องมืออัตโนมัติอย่าง AI copilot อย่างจริงจัง
  • ต้องเผชิญกับความท้าทายหลายด้าน ทั้งการเติบโตอย่างรวดเร็ว โครงสร้างต้นทุนแบบใหม่ และโมเดลการตั้งราคาที่ซับซ้อน

1. การเปลี่ยนแปลงของการตั้งราคา: จากสมัครสมาชิกสู่ตามผลลัพธ์และการใช้งาน

  • กำลังเปลี่ยนจากการตั้งราคาแบบสมัครสมาชิกไปสู่การตั้งราคาตามการใช้งานหรือผลลัพธ์อย่างรวดเร็ว
    • Databricks: เรียกเก็บเงินเฉพาะในส่วนที่ลูกค้าได้รับคุณค่าจริง โดยใช้โมเดลรับรู้รายได้ ตามผลลัพธ์ที่เกิดขึ้น ไม่ใช่ตามอินพุต

      "จุดแตกต่างที่สำคัญที่สุดของ Databricks คือการตั้งราคาและการรับรู้รายได้ยึดตามผลลัพธ์ทั้งหมด หากลูกค้าไม่ได้รับคุณค่า เขาก็จะไม่ใช้งาน และรายได้นั้นก็จะไม่ปรากฏใน P&L"
      — Dave Conte, CFO, Databricks

    • ElevenLabs: นำโครงสร้างส่วนลดแบบไดนามิกมาใช้ โดย ลดราคาต่อหน่วยให้อัตโนมัติเมื่อระดับ commitment ของลูกค้าเพิ่มขึ้น เพื่อสร้างความภักดีของลูกค้าในระดับสูง

      "นโยบายการตั้งราคาของเรายึดตามการเพิ่มกำไรโดยรวม แต่เมื่อ commitment ของลูกค้าเพิ่มขึ้น ราคาต่อหน่วยก็จะลดลงโดยอัตโนมัติ ระบบจะคำนวณส่วนลดผ่าน price calculator เพื่อกระตุ้นให้เกิดสัญญาที่ใหญ่ขึ้นและลดความเสี่ยงด้านรายได้"
      — Maciej Mylik, Finance, ElevenLabs

    • Concourse: ทดลองเปลี่ยนราคามากกว่า 7 ครั้งในช่วง 40 วันหลังเปิดตัว และปรับปรุงราคาแบบวนซ้ำอย่างรวดเร็วตามการตอบสนองของตลาด

      "ใน 40 วันหลังเปิดตัว เราเปลี่ยนราคามากกว่า 7 ครั้ง มันช่วยให้เราเข้าใจตลาดและความเต็มใจจ่ายของลูกค้าได้มาก ตอนนี้ราคาก็ยังเป็นแค่สไลด์ในพรีเซนเทชัน และเราตั้งใจจะทดลองและปรับปรุงต่อไป"
      — Matthieu Hafemeister, Cofounder, Concourse

2. การนำตัวชี้วัด ARR (รายได้ประจำต่อปี) แบบใหม่มาใช้

  • ตัวชี้วัด ARR แบบดั้งเดิมสะท้อนรายได้ของโมเดลตามการใช้งานได้ยาก
    • ElevenLabs: วัดรายได้จริงได้แม่นยำขึ้นด้วยการรวม Commit ARR + Annualized Usage

      "ลูกค้าองค์กรจำนวนมากใช้เกินโควตาอยู่บ่อยครั้ง ดังนั้นเราจึงทำให้รายได้ตามการใช้งานเป็นรายปี แล้วรวมเข้ากับตัวชี้วัดใหม่—ARR บวกการใช้งานรายปี มิฉะนั้นเราจะประเมินรายได้ที่แท้จริงต่ำเกินไป"
      — Maciej Mylik, Finance, ElevenLabs

    • Ambient.ai: ชี้ให้เห็นความจริงว่า “ในโมเดลตามการใช้งาน แม้แต่นิยามของ ARR เองก็ไม่ชัดเจนอีกต่อไป”

      "ในโมเดลตามการบริโภค เราต้องคิดใหม่ว่าจะนิยาม ARR อย่างไร แม้จะมีสัญญาผูกพัน แต่ปริมาณการใช้งานจริงเปลี่ยนทุกเดือน ทำให้นิยาม ARR แบบเดิมใช้ได้ยาก"
      — Noah Barr, CFO, Ambient.ai

    • Databricks: ใช้ AI อย่างจริงจังเพื่อกระจายและคาดการณ์ความผันผวนของการใช้งานที่ไม่เป็นเชิงเส้น

      "โมเดล SaaS มีรายได้ที่เป็นเชิงเส้น แต่โมเดลตามการบริโภคมีลักษณะไม่เป็นเชิงเส้นโดยธรรมชาติ ลูกค้าอาจพุ่งสูงแล้วค่อยปรับให้เหมาะสม เราโฟกัสที่การกระจายการกระจุกตัวของลูกค้า และใช้ AI เพื่อคาดการณ์ ARR ตามการบริโภคที่แท้จริง"
      — Dave Conte, CFO, Databricks

3. การเปลี่ยนแปลงของโครงสร้างต้นทุนและแรงกดดันต่อมาร์จิ้น

  • สตาร์ตอัป AI ส่วนใหญ่พึ่งพาโมเดลขนาดใหญ่ภายนอกอย่าง OpenAI, Anthropic และ Mistral ทำให้ ต้นทุนผันแปร อย่างโทเค็นและการเรียกใช้ API สูงขึ้น
    • ElevenLabs: หากต้นทุนโครงสร้างพื้นฐานเพิ่มเร็วกว่าอัตราการใช้งาน วิศวกรจะเข้ามาปรับแต่งทันที

      "ถ้าต้นทุนโครงสร้างพื้นฐานเพิ่มเร็วกว่าอัตราการใช้งาน วิศวกรจะเข้ามาทำ optimization ทันที วงจรของการควบคุมประสิทธิภาพต้นทุนดำเนินต่อเนื่องอยู่เสมอ"
      — Maciej Mylik, Finance, ElevenLabs

    • Together AI: ปรับราคาและแพ็กเกจอย่างยืดหยุ่น โดยพิจารณาโครงสร้างต้นทุน ราคาต่อหน่วย คู่แข่ง และความต้องการของลูกค้าแบบองค์รวม

      "การกำหนดราคาพิจารณาทั้งคุณค่าที่ลูกค้าได้รับ การ benchmark กับคู่แข่ง รวมถึงการวิเคราะห์ต้นทุนและรายได้ เนื่องจากโครงสร้างพื้นฐาน AI เปลี่ยนเร็วมาก เราจึงต้องทบทวนอยู่ตลอด เรายังปรับราคาและแพ็กเกจอย่างสร้างสรรค์ตามความต้องการลูกค้า ระยะเวลาสัญญา และขนาดของดีล"
      — Hanson Hermsmeier, VP of Corporate Finance, Together AI

    • สำหรับบริษัทที่ฝึกโมเดลเอง การบริหารต้นทุนคงที่ของ GPU และเวลาที่ไม่ได้ใช้งานก็เป็นเรื่องสำคัญมาก (เวลา GPU ที่ไม่ได้ใช้กระทบมาร์จิ้นโดยตรง)

      "เราต้องติดตามต้นทุน GPU อย่างใกล้ชิด เวลา GPU ที่ไม่ได้ใช้คือการสูญเสียการใช้ประโยชน์ และส่งผลโดยตรงต่อมาร์จิ้นกับประสิทธิภาพ ทุกช่วงเวลาที่ลูกค้าไม่ได้ใช้งาน มาร์จิ้นก็จะลดลง"
      — Hanson Hermsmeier, VP of Corporate Finance, Together AI

    • ยังมี ต้นทุนรูปแบบใหม่ เช่น fine-tuning และ HILT(Human-in-the-loop) ทำให้การเพิ่มประสิทธิภาพมีความสำคัญมาก

      "เรารวมทีม HILT(human-in-the-loop) ไว้ใน COGS เพื่อบริหารจัดการ เมื่ออัลกอริทึมดีขึ้น จำนวนการตัดสินที่มีประสิทธิผลต่อคนก็เพิ่มขึ้นและต้นทุนต่อหน่วยลดลง แต่เรายังคงต้องปรับอัตรา false positive เพื่อบริหารความเสี่ยง"
      — Noah Barr, CFO, Ambient.ai

4. การประเมิน ROI และการลงทุนเพื่ออนาคต

  • เมื่อ AI ทำให้ฟีเจอร์หลักกลายเป็นสินค้าโภคภัณฑ์ได้อย่างรวดเร็ว การลงทุนเพื่ออนาคตและการสร้างความแตกต่างระยะยาวจึงเป็นสิ่งจำเป็น
    • Databricks: เน้นว่า แม้ R&D ที่ยังไม่สร้างรายได้ทันที ก็มีส่วนสำคัญต่อการยอมรับใช้งานและการเติบโตในระยะยาว

      "ไม่ใช่ทุกโปรเจกต์ R&D ที่จะเปลี่ยนเป็นรายได้ทันที แต่เราวัดได้ผ่าน predictive analytics ว่าฟีเจอร์บางอย่าง เช่น Unity Catalog มีส่วนต่อการยอมรับใช้งานของลูกค้าและการเติบโตอย่างไร"
      — Dave Conte, CFO, Databricks

    • Together AI: กล่าวว่าการลงทุนด้านวิจัย เชื่อมโยงไปสู่การสร้างความสามารถในการแข่งขันระยะยาว เช่น การลดต้นทุนโครงสร้างพื้นฐานและการเพิ่มประสิทธิภาพ

      "โปรเจกต์วิจัยอาจไม่ได้เชื่อมกับรายได้โดยตรงทันที แต่มีบทบาทมากต่อการสร้างความแตกต่างระยะยาว การพัฒนาผลิตภัณฑ์ และการทำให้ลูกค้าติดกับแพลตฟอร์ม ตัวอย่างเช่น เราลงทุนในงานวิจัยด้าน kernel และสร้างความแตกต่างได้ทั้งการลดต้นทุนโครงสร้างพื้นฐานและการเพิ่มประสิทธิภาพ"
      — Hanson Hermsmeier, VP of Corporate Finance, Together AI

    • ElevenLabs: ฟังก์ชันเดี่ยวอย่าง text-to-speech จะกลายเป็นสินค้าโภคภัณฑ์ในไม่ช้า ดังนั้นชั้นผลิตภัณฑ์ขั้นสูงอย่าง workflow และ API จึงจำเป็นต่อการสร้าง lock-in ของลูกค้า

      "text-to-speech จะกลายเป็นสินค้าโภคภัณฑ์ในท้ายที่สุด หากต้องการรักษาความสามารถในการแข่งขันระยะยาว เราต้องมีชั้นผลิตภัณฑ์ขั้นสูงอย่าง workflow ฟีเจอร์ที่ขับเคลื่อนด้วยข้อมูล และ API เพื่อทำให้ลูกค้าเปลี่ยนออกไปได้ยาก"
      — Maciej Mylik, Finance, ElevenLabs

5. การคาดการณ์การเงินขั้นสูงด้วย AI

  • ในตลาดที่เปลี่ยนแปลงตลอดเวลา การคาดการณ์การเงินอย่างแม่นยำเป็นเรื่องยาก และการวิเคราะห์ด้วย AI/ML กลายเป็นสิ่งจำเป็น
    • Together AI: ระบุว่า “แม้แต่ 12 เดือนข้างหน้าในอุตสาหกรรม AI ก็ยังคาดการณ์ได้ยาก และการรับมือกับการเปลี่ยนแปลงและความเสี่ยงคือศูนย์กลางของกลยุทธ์การเงิน”

      "ในอุตสาหกรรม AI แม้แต่การคาดการณ์ 12 เดือนข้างหน้าก็ยังยาก การเปลี่ยนแปลงเกิดขึ้นเร็วมาก และมี use case ใหม่เกิดขึ้นตลอด เราต้องมีความยืดหยุ่นและสะท้อนการเปลี่ยนแปลงเข้าไปในการบริหารความเสี่ยง สิ่งเดียวที่แน่นอนใน AI คือการเปลี่ยนแปลง"
      — Hanson Hermsmeier, VP of Corporate Finance, Together AI

    • Databricks: ใช้แพลตฟอร์ม AI/ML ของบริษัทเองเพื่อทำ การคาดการณ์การใช้งานตามลูกค้า เวิร์กโหลด และผลิตภัณฑ์ รวมถึงการตั้งโควตาให้ทีมขาย

      "เราใช้ Databricks เอง (AI, ML และ advanced analytics) เพื่อคาดการณ์รูปแบบการใช้งานตามลูกค้า เวิร์กโหลด และผลิตภัณฑ์ สิ่งนี้สำคัญไม่ใช่แค่กับการคาดการณ์ทางการเงิน แต่ยังรวมถึงการตั้งโควตาให้ทีมขายขนาดใหญ่ด้วย Excel ไม่สามารถทำการคาดการณ์ที่ละเอียดระดับนี้ได้ และทำได้ด้วย AI/ML เท่านั้น"
      — Dave Conte, CFO, Databricks

    • ผลิตภัณฑ์ natural language query อย่าง Genie ก็ฉลาดขึ้นเรื่อย ๆ ผ่านการใช้และเรียนรู้จากข้อมูลของบริษัทเอง

      "เรามีผลิตภัณฑ์ชื่อ Genie ซึ่งสามารถดึงคำตอบได้เมื่อถามด้วยภาษาธรรมชาติกับ data lake ยิ่งมีการใช้งานมากเท่าไร Genie ก็ยิ่งเข้าใจข้อมูลของลูกค้าได้ดีขึ้นและฉลาดขึ้นเรื่อย ๆ"
      — Dave Conte, CFO, Databricks

    • ElevenLabs: กล่าวว่่า “ยังไม่มีบริษัทใดแก้โจทย์การคาดการณ์รายได้ AI ได้อย่างสมบูรณ์” และใช้งานการคาดการณ์ในฐานะ sanity check มากกว่าจะเป็นตัวเลขที่แม่นยำ

      "จนถึงตอนนี้ ยังไม่มีที่ไหนแก้ปัญหาการคาดการณ์รายได้ AI ได้อย่างสมบูรณ์ ตลาดเปลี่ยนเร็วเกินไป และการคาดการณ์ถูกใช้เป็น sanity check (การตรวจสอบความสมเหตุสมผล) มากกว่าจะใช้เป็นตัวเลขที่แม่นยำ"
      — Maciej Mylik, Finance, ElevenLabs

บทสรุป

  • AI กำลังเปลี่ยนคำจำกัดความและวิธีการวิเคราะห์ทั้งระบบด้านการเงิน การตั้งราคา และโครงสร้างรายได้อย่างรวดเร็ว
  • เมื่อกรอบการเงินแบบเดิมใช้ไม่ได้อีกต่อไป CFO จึงต้องมี ความสามารถด้าน AI/ML การตัดสินใจบนฐานข้อมูล การบริหารราคาและต้นทุนอย่างยืดหยุ่น การลงทุนเพื่อความสามารถในการแข่งขันระยะยาว และทักษะการบริหารความเสี่ยงขั้นสูง

บทความที่เกี่ยวข้อง

ยังไม่มีความคิดเห็น

ยังไม่มีความคิดเห็น