- ในยุคคลาวด์ บริษัทโครงสร้างพื้นฐานรายใหญ่ที่สุดเติบโตโดยเชื่อมโมเดลรายได้เข้ากับ หน่วยการบริโภคหลักของแพลตฟอร์ม (compute) โดยตรง และในยุค AI หน่วยนั้นกำลังเปลี่ยนเป็น โทเค็น
- Snowflake, Datadog, Cloudflare และบริษัทอื่น ๆ สร้างโครงสร้างที่ รายได้ขยายตัวโดยอัตโนมัติ ตามการเพิ่มขึ้นของกิจกรรม compute ด้วยการวางตัวอยู่บนเส้นทางการทำงานของ workload โดยตรง
- Docker เป็นเทคโนโลยีหลักของการพัฒนาแบบ cloud-native แต่ไม่สามารถเชื่อม primitive การบริโภค compute เข้ากับโมเดลรายได้ได้ จึง พลาดมูลค่าระดับหลายพันล้านดอลลาร์
- ในยุค AI บริษัทที่อยู่บนเส้นทางการบริโภคโทเค็นโดยตรง เช่น Cursor (coding agent) กำลังเติบโตอย่างรวดเร็ว และล่าสุด Cursor มี ARR ทะลุ 2 พันล้านดอลลาร์
- การอยู่บนเส้นทางของโทเค็นเพียงอย่างเดียวไม่เพียงพอ และหากไม่มี ความแตกต่างและต้นทุนการเปลี่ยนย้าย ก็อยู่รอดไม่ได้ ดังเช่นกรณีล้มละลายของบริษัท CDN อย่าง Limelight (ปัจจุบันคือ Edgio)
แพตเทิร์นหลักของยุคคลาวด์: การสร้างรายได้จาก primitive ของการบริโภค
- primitive หลักของยุคคลาวด์คือ compute แม้ storage, network และ database จะสำคัญเช่นกัน แต่เครื่องยนต์ที่ขับเคลื่อนระบบคือ compute cycle ภายในดาต้าเซ็นเตอร์
- บริษัทโครงสร้างพื้นฐานที่ใหญ่ที่สุดเป็นเจ้าของ "มิเตอร์" ด้วยการ เชื่อมรายได้ของตนเข้ากับกิจกรรม compute โดยตรง หรือคิดค่าบริการจาก compute เอง
- AWS และ hyperscaler ต่าง ๆ เป็นธุรกิจที่ขาย เวลา compute ตามตัวอักษร และยิ่ง workload ย้ายขึ้นคลาวด์มากเท่าไร รายได้ก็เพิ่มขึ้นโดยอัตโนมัติ
- ไม่ใช่แค่ hyperscaler เท่านั้น แต่ผู้นำด้านโครงสร้างพื้นฐานของการขยายตัวของคลาวด์ก็ใช้แพตเทิร์นเดียวกัน
โมเดลการสร้างรายได้ของผู้นำโครงสร้างพื้นฐานคลาวด์
- Databricks สร้างรายได้จาก job compute และรายได้เติบโตอัตโนมัติทุกครั้งที่มีการรัน data pipeline, ฝึกโมเดล หรือประมวลผล workload
- Snowflake สร้างรายได้จาก query compute และเมื่อมี query, dataset หรือ workload ใหม่เพิ่มเข้ามา ก็แปลงเป็นรายได้เพิ่มโดยไม่ต้องขายที่นั่งเพิ่ม
- Datadog สร้างรายได้จาก telemetry ที่ compute workload สร้างขึ้น และรายได้จะเพิ่มขึ้นทุกครั้งที่มี microservice, container หรือ cloud instance ใหม่
- Cloudflare สร้างรายได้จาก requests ที่แอปพลิเคชันซึ่งทำงานบน compute สร้างขึ้น
- MongoDB คิดค่าบริการผ่าน Atlas ตามการใช้ storage และ compute
- แม้รายละเอียดจะแตกต่างกัน แต่แพตเทิร์นสอดคล้องกันเสมอ: วางตัวอยู่บนเส้นทางการทำงานของ workload โดยตรง และใช้โมเดลราคาที่ขยายตามกิจกรรม compute ที่เพิ่มขึ้นโดยอัตโนมัติ
อินไซต์สำคัญ: ไม่ใช่แค่โมเดลราคาตามการใช้งาน แต่คือการผูกเชิงโครงสร้างกับหน่วยการเติบโตของระบบนิเวศ
- ประเด็นสำคัญไม่ใช่แค่ "ราคาตามการใช้งาน" — มีหลายบริษัทที่ใช้ pricing แบบ consumption แต่ยังเติบโตช้า
- สิ่งที่ทำให้บริษัทเหล่านี้พิเศษคือ หน่วยการบริโภคของตนตรงกับหน่วยเดียวกันกับที่ทั้งระบบนิเวศขยายตัว
- เมื่อโลกใช้ compute มากขึ้น บริษัทเหล่านี้ก็ เติบโตได้แม้ไม่ต้องทำอะไรเพิ่ม — รายได้ถูกผูกเชิงโครงสร้างเข้ากับเวกเตอร์การเติบโตของแพลตฟอร์ม
- ในช่วงแรกของคลาวด์ บริษัทโครงสร้างพื้นฐานจำนวนมากยังพยายามสร้างรายได้จากซอฟต์แวร์ด้วยโมเดลแบบเก่า เช่น ไลเซนส์ถาวร, ไลเซนส์ตามระยะเวลา, สัญญาบำรุงรักษา, การสมัครสมาชิกเพื่อซัพพอร์ตบนโอเพนซอร์ส
- ในสภาพแวดล้อม on-premise โมเดลเหล่านี้ใช้ได้ เพราะการเติบโตของโครงสร้างพื้นฐานช้า คาดการณ์ได้ และควบคุมได้ แต่คลาวด์ทำให้ workload ขยายได้ทันทีและการใช้ compute เพิ่มขึ้นเป็นหลายเท่าตัว จึงทำให้ เศรษฐศาสตร์เปลี่ยนไปโดยพื้นฐาน
Docker: กรณีศึกษาที่ให้บทเรียนมากที่สุด
- Docker คือ containerization เอง และเป็นเทคโนโลยีที่ทำให้การพัฒนาแบบ cloud-native เป็นไปได้
- มีนักพัฒนาหลายล้านคนใช้งาน และอาจถือได้ว่าเป็น เครื่องมือนักพัฒนาที่สำคัญที่สุด ของยุคคลาวด์
- แต่ Docker ไม่สามารถหาวิธีสร้างรายได้จาก primitive นี้ได้ และไม่สามารถเชื่อมการยอมรับอย่างกว้างขวางในหมู่นักพัฒนาเข้ากับ ค่าใช้จ่าย compute พื้นฐานที่ container เป็นตัวทำให้เกิดขึ้น
- Kubernetes (ที่ Google เปิดเป็นโอเพนซอร์ส) เข้ามากินธุรกิจ orchestration และ hyperscaler ทุกรายก็สร้างรายได้จากนวัตกรรมของ Docker ผ่าน managed container service
- Docker ทำให้เกิดค่าใช้จ่าย compute ระดับหลายพันล้านดอลลาร์ แต่กลับจับมูลค่านั้นไว้ไม่ได้เลย (แม้ในช่วงไม่กี่ปีหลังจะทำได้ดีขึ้นมาก แต่การวิเคราะห์นี้กล่าวถึงช่วงเริ่มต้น)
- บริษัทอื่นที่คล้าย Docker ซึ่งได้การยอมรับในวงกว้างแต่ติดกำแพงด้านโมเดลธุรกิจ มีลักษณะร่วมกันคือ เป็นเครื่องมือสำคัญที่ฝังลึกใน cloud infrastructure stack แต่ ไม่สามารถทำให้รายได้เป็นอนุพันธ์ของ primitive การบริโภคหลักได้
- พวกเขาสร้างรายได้แบบ อ้อม ๆ ผ่านที่นั่ง สัญญาซัพพอร์ต การให้คำปรึกษา ฯลฯ และตลาดก็ตอบแทนตามนั้น — หรือก็คือ แทบไม่ตอบแทนเลย
การแมปสู่ยุค AI: โทเค็นคือ primitive ใหม่
- หากโครงสร้างพื้นฐานคลาวด์ถูกสร้างบน primitive ของ compute โครงสร้างพื้นฐาน AI ก็กำลังถูกสร้างบน primitive อีกแบบหนึ่งคือ โทเค็น
- ในท้ายที่สุด workload ของ AI ทุกประเภทจะลงเอยที่ โทเค็น ซึ่งโมเดลสร้าง ประมวลผล และบริโภค
- prompt → โทเค็น, context → โทเค็น, response → โทเค็น
- agent ที่รัน workflow หลายขั้นตอนสามารถสร้าง โทเค็นจำนวนมหาศาล ขณะทำ reasoning กับงาน
- โทเค็นคือ หน่วยงานระดับอะตอมของระบบ AI สมัยใหม่
บริษัท AI ที่อยู่บนเส้นทางของโทเค็น
- ผู้ให้บริการโมเดลอย่าง OpenAI, Anthropic และรายอื่น ๆ คือ primitive ของโทเค็นโดยตรง (เหมือนกับที่ hyperscaler เป็น primitive ของ compute/storage ในยุคคลาวด์) และคิดค่าบริการตาม input token และ output token
- บริษัท AI ที่เติบโตเร็วที่สุดในปัจจุบันคือบริษัทที่ อยู่บนเส้นทางของโทเค็นโดยตรง
- coding agent เป็นตัวอย่างชัดเจน โดยตามรายงานออนไลน์ Cursor เพิ่งแตะ ARR 2 พันล้านดอลลาร์
- ทุก keystroke, code completion และ agent action ล้วนกระตุ้นการ inference และโมเดลธุรกิจก็พัฒนาจากการคิดค่าที่นั่งแบบง่าย ๆ ไปเป็น ค่าที่นั่งพร้อมโควตาการใช้งาน
- รายได้ถูก ผูกเชิงโครงสร้าง กับการบริโภคโทเค็น
- บริษัทด้าน inference business อย่าง Inferact, Baseten, Fireworks, Together และอื่น ๆ โดยแก่นแล้วคือการขาย primitive ดิบนี้เอง
- รายได้ของบริษัทที่อยู่ใกล้กับการสร้างและการบริโภคโทเค็นที่สุดจะขยายตามกิจกรรม AI อย่างเป็นธรรมชาติ
- ส่วนอื่นของระบบนิเวศ AI กำลังทดลองใช้โมเดลราคาแบบ SaaS ดั้งเดิม (อิงที่นั่ง, สมัครใช้แพลตฟอร์ม, enterprise license บนโอเพนซอร์ส)
- ธุรกิจเหล่านี้ก็อาจประสบความสำเร็จได้ แต่หากประวัติศาสตร์เป็นแนวทาง บริษัทโครงสร้างพื้นฐานที่ใหญ่ที่สุดจะเกิดขึ้นในจุดที่ หน่วยหลักของกิจกรรมบนแพลตฟอร์มถูกวัดและสร้างรายได้
เป็นเงื่อนไขจำเป็น แต่ไม่ใช่เงื่อนไขเพียงพอ: ความสำคัญของความแตกต่าง
- การอยู่บนเส้นทางของโทเค็นเป็น เงื่อนไขจำเป็น แต่ไม่ใช่เงื่อนไขเพียงพอ
- ในยุคคลาวด์ บริษัท CDN แบบ pure-play ก็อยู่บน "เส้นทางของ compute" ในเชิงเทคนิค คิดค่าบริการตามแบนด์วิดท์และคำขอ และทราฟฟิกก็เติบโตอย่างระเบิด
- แต่แบนด์วิดท์กลับกลายเป็น สินค้าโภคภัณฑ์ — ราคาลดลงอย่างต่อเนื่อง
- Limelight Networks แม้มีทราฟฟิกทำสถิติสูงสุดในช่วงบูมสตรีมมิงปี 2020~2021 แต่ รายได้กลับลดลง ต่อมาจึงรีแบรนด์เป็น Edgio แต่สุดท้ายก็ล้มละลาย
- ตรงกันข้าม Cloudflare เริ่มจากจุดคล้ายกัน แต่เสริมชั้นด้วยเครื่องมือด้านความปลอดภัย เครื่องมือนักพัฒนา และ edge compute เพื่อสร้าง ความแตกต่างที่แท้จริงและต้นทุนการเปลี่ยนย้าย บน primitive เดียวกัน — จุดเริ่มต้นเหมือนกันแต่ผลลัพธ์ต่างกันสุดขั้ว
บทเรียนสำหรับผู้ก่อตั้งสตาร์ตอัป AI
- จงขึ้นไปอยู่บนเส้นทางของโทเค็น แต่ต้องสร้าง สิ่งที่แตกต่างอย่างแท้จริง ไว้บนเส้นทางนั้นด้วย
- อย่าเป็นเพียงท่อที่โทเค็นไหลผ่าน แต่ต้องเป็นเลเยอร์ที่ทำให้โทเค็น มีมูลค่ามากขึ้น
- เช่น ประสบการณ์นักพัฒนาที่ดีกว่า (Cursor), โมเดลแนวตั้งเฉพาะทาง, เครื่องมือด้านความปลอดภัยและ compliance, คูเมืองข้อมูลแบบ proprietary เป็นต้น
- ยังมี มิติด้านจังหวะเวลา ด้วย: ในยุคคลาวด์ บริษัทที่ยึดตำแหน่งค่าเริ่มต้นบนเส้นทางของ compute ได้ก่อนคือผู้ที่จับมูลค่าได้มากที่สุด
- Datadog, Snowflake, Cloudflare ต่างก็สเกลได้ก่อนที่ primitive จะกลายเป็นสินค้าโภคภัณฑ์เต็มตัว
- หน้าต่างสำหรับการเข้าสู่ เส้นทางของโทเค็นคือเวลานี้: ต้นทุน inference กำลังลดลงอย่างรวดเร็ว (หมายถึงการบริโภคโทเค็นที่มากขึ้น แต่ขณะเดียวกันก็ กดดันเศรษฐศาสตร์ต่อหน่วยให้แคบลง)
- แรงกดดันนี้จะเกิดขึ้นก่อนที่คุณจะสร้างคูเมืองได้ ดังนั้นต้อง เข้าสู่เส้นทางและสร้างคูเมืองไปพร้อมกัน
- หากคุณเป็นเจ้าของมิเตอร์ การเติบโตก็จะตามมาเอง
อัปเดตมูลค่าประเมินตลาด SaaS
- โดยทั่วไปบริษัท SaaS จะถูกประเมินมูลค่าด้วยตัวคูณรายได้ (ส่วนใหญ่คือ รายได้คาดการณ์ 12 เดือนข้างหน้า หรือ NTM Revenue)
- เพราะบริษัทซอฟต์แวร์ส่วนใหญ่ยังไม่ทำกำไรหรือไม่ได้สร้าง FCF ที่มีนัยสำคัญ จึงเป็นตัวชี้วัดเดียวที่ใช้เปรียบเทียบทั้งอุตสาหกรรมได้
- แม้ DCF ก็เต็มไปด้วยสมมติฐานระยะยาว และคำมั่นสัญญาของ SaaS คือการที่การเติบโตช่วงต้นจะนำไปสู่กำไรในระยะสุกงอม
- คำนวณจาก Enterprise Value (มูลค่าหลักทรัพย์ตามราคาตลาด + หนี้ - เงินสด) / รายได้ NTM
- มัธยฐานรวม: 3.5x, มัธยฐาน 5 อันดับแรก: 17.7x, พันธบัตรรัฐบาลอายุ 10 ปี: 4.1%
บัคเก็ตมูลค่าตามอัตราการเติบโต
- เติบโตสูง (NTM growth >22%) มัธยฐาน: 10.4x
- เติบโตปานกลาง (15%~22%) มัธยฐาน: 6.5x
- เติบโตต่ำ (<15%) มัธยฐาน: 2.7x
- เกณฑ์ 22% สำหรับ high growth ค่อนข้างเป็นการกำหนดตามดุลยพินิจ แต่เป็น cutoff เพื่อให้มีบริษัทประมาณ 10 แห่งในบัคเก็ตนี้และได้ ขนาดตัวอย่างที่มีนัยสำคัญทางสถิติ
EV / NTM Rev / NTM Growth
- ตัวชี้วัดที่นำตัวคูณ EV / รายได้ NTM ไปหารด้วยความคาดหวังการเติบโตแบบ consensus ของ NTM
- ตัวอย่าง: บริษัทที่ซื้อขายที่ 20x NTM revenue และคาดว่าจะเติบโต 100% จะซื้อขายที่ 0.2x
- มีจุดประสงค์เพื่อแสดงว่าแต่ละหุ้น ถูกหรือแพงเมื่อเทียบกับความคาดหวังการเติบโต เพียงใด
EV / NTM FCF
- แสดงมัธยฐานของบริษัทที่มีตัวคูณ FCF >0x และ <100x ในรูป line chart
- ออกแบบมาเพื่อแสดงเฉพาะ subset ของบริษัทที่ FCF เป็นตัวชี้วัดมูลค่าที่มีความหมาย
- บริษัทที่ NTM FCF ติดลบจะถูกตัดออกจากกราฟ
ความสัมพันธ์ระหว่างอัตราการเติบโตกับตัวคูณมูลค่า
- มี scatter plot ของตัวคูณ EV / รายได้ NTM เทียบกับอัตราการเติบโตของรายได้ NTM
- เพื่อทำให้เห็นภาพความสัมพันธ์ระหว่างอัตราการเติบโตกับตัวคูณมูลค่า
ตัวชี้วัดการดำเนินงาน (Operating Metrics)
- มัธยฐานการเติบโต NTM: 13%
- มัธยฐานการเติบโต LTM: 15%
- มัธยฐานอัตรากำไรขั้นต้น (Gross Margin): 75%
- มัธยฐานอัตรากำไรจากการดำเนินงาน (Operating Margin): (1%)
- มัธยฐาน FCF margin: 20%
- มัธยฐาน Net Retention: 109%
- มัธยฐานระยะเวลาคืนทุน CAC: 34 เดือน
- มัธยฐานสัดส่วน S&M: 35% ของรายได้
- มัธยฐานสัดส่วน R&D: 23% ของรายได้
- มัธยฐานสัดส่วน G&A: 15% ของรายได้
Comps Output: Rule of 40 และ GM Adjusted Payback
- Rule of 40 แสดงเป็นอัตราการเติบโตของรายได้ + FCF margin (ทั้ง LTM และ NTM)
- FCF = กระแสเงินสดจากการดำเนินงาน - เงินลงทุน
- GM Adjusted Payback = (S&M ของไตรมาสก่อน) / (ARR สุทธิใหม่ของไตรมาส × อัตรากำไรขั้นต้น) × 12
- คือจำนวนเดือนที่บริษัท SaaS ต้องใช้เพื่อ คืนทุน CAC แบบ fully loaded บนฐานกำไรขั้นต้น
- เนื่องจากบริษัทจดทะเบียนส่วนใหญ่ไม่ได้รายงาน ARR สุทธิใหม่ จึงคำนวณ ARR โดยนัย จากรายได้ subscription รายไตรมาส × 4
- ARR สุทธิใหม่ = ARR ไตรมาสปัจจุบัน - ARR ไตรมาสก่อน
- บริษัทที่ไม่เปิดเผยรายได้ subscription จะถูกตัดออกจากการวิเคราะห์ (แสดงเป็น NA)
ยังไม่มีความคิดเห็น