- Tulisan yang merangkum pengalaman selama 5 tahun sejak 2020 dari pendiri Butter, yang kemudian diakuisisi oleh GrubMarket
Bagian 1: Hal-Hal yang Tidak Boleh Dilakukan
Titik awal: pandemi dan peluang transformasi digital
- Selama pandemi 2020, Butter didirikan setelah melihat potensi transformasi digital di industri makanan.
- Masalah yang ditemukan:
- Para chef masih lebih menyukai cara tradisional seperti formulir pesanan yang ditulis tangan serta telepon/pesan teks
- Pedagang grosir bergantung pada teknologi usang (ERP era 1990-an, manajemen inventaris Excel, pembayaran cek kertas)
- Hanya untuk memasukkan pesanan pelanggan saja dibutuhkan 6 jam per hari
- Rencana solusi:
- Mendigitalisasi alur kerja inti dengan ERP all-in-one berbasis cloud yang dapat menangkap alur kerja utama dan berperan sebagai "system of record"
- Mengintegrasikan layanan keuangan seperti pembayaran, pinjaman, dan payroll untuk memaksimalkan nilai pelanggan (ACV)
- Memperkenalkan proses komunikasi yang mulus bagi chef dan pedagang grosir, serta menciptakan efek jaringan platform melalui aplikasi pemesanan bergaya DoorDash
((terinspirasi oleh Choco, aplikasi pemesanan lain yang melejit menjadi unicorn)
Namun gagal
- Kami mengira ini pasti akan berhasil (
no-brainer), tetapi ternyata kami benar-benar salah.
Jebakan 1: kompleksitas teknis dan kustomisasi berlebihan
- Kami mengira membangun ERP akan sederhana, tetapi pada praktiknya kebutuhan tiap pelanggan yang berbeda menghabiskan sumber daya pengembangan.
- Contoh: shortcut keyboard, tata letak layar input data, format invoice tertentu
- Hasilnya: berubah menjadi produk yang bergantung pada kustomisasi dan tidak skalabel
Jebakan 2: siklus penjualan yang panjang
- Peralihan sistem ERP itu rumit dan membutuhkan persetujuan dari banyak departemen:
- Perusahaan pelanggan enggan berpindah meski tidak nyaman dengan sistem saat ini
- Pada musim sibuk restoran, peluang penjualan menjadi terbatas
- Hasilnya: tingkat closing rendah (hanya sekitar 20~30% dari target)
Jebakan 3: kemauan membayar rendah dan siklus aktivasi pendapatan yang panjang
- Sebagian besar pelanggan beroperasi dengan margin rendah (sekitar 5%):
- Bagi pelanggan yang sebelumnya membayar $80 per bulan untuk QuickBooks, biaya upgrade ERP terasa memberatkan
- Pendapatan tambahan dari fintech dan aplikasi pemesanan juga membutuhkan waktu lama untuk aktif
Jebakan 4: terlalu banyak eksperimen
- Pada tahap awal, berbagai model pendapatan dan efek jaringan dicoba secara bersamaan:
- Terlalu banyak memperluas front sebelum memperoleh satu kisah sukses yang jelas
- Hasilnya: tim mengalami burnout dan kecepatan iterasi eksperimen menjadi rendah
Pelajaran yang didapat dengan susah payah
- Saat menjalankan Butter, ada banyak momen yang membanggakan:
- Bangun pukul 2 pagi dan tidur di gudang demi memastikan onboarding berhasil
- Membangun software yang kompleks tetapi intuitif, dan disukai pelanggan
- Mengembangkan panduan implementasi yang sistematis
- Namun, kami gagal membangun bisnis venture yang skalabel
- Pelajaran 1. Jangan hanya mengandalkan hipotesis tingkat tinggi untuk sebuah ide:
- Harus berbicara langsung dengan pekerja gudang, staf lapangan, dan pekerja back-office untuk memperoleh insight yang nyata
- Berdialog dengan tujuan "mencari kebenaran", bukan untuk menegaskan kembali ide yang sudah ada
- Pelajaran 2. Elemen yang diperlukan untuk membangun produk yang sukses:
- Mendapatkan pengguna yang benar-benar memahami masalahnya:
- Jika rasa sakit mempertahankan kondisi saat ini tidak lebih besar daripada friksi perubahan, tidak ada yang akan mengganti sistem
- Perubahan bisa terjadi hanya dengan beberapa katalis saja
- Kemampuan membayar yang memadai:
- Jika pelanggan tidak punya ruang finansial untuk menanggung solusi, nilai yang diberikan tidak akan cukup untuk menopang pendapatan perusahaan
- Pengalaman produk yang 10 kali lebih baik daripada yang ada sekarang:
- Semakin tradisional pelanggan, semakin dramatis peningkatan yang dibutuhkan
- Pendekatannya harus menyelesaikan alasan mengapa pelanggan mempertahankan cara lama begitu lama
- Pentingnya kesederhanaan:
- Produk awal harus sederhana dan mudah diadopsi
- Contoh: alih-alih menjual bidet Jepang yang mewah, fokuslah pada penyelesaian masalah pipa dasar
- Pelajaran 3. Model bisnis dan syarat keberhasilan SaaS:
- Besar transaksi dan siklus penjualan (kecepatan deal) harus seimbang.
- "The Difficulty Ratio" dari David Sacks:
- Kombinasi ACV (Annual Contract Value) tinggi dan kecepatan transaksi rendah, atau sebaliknya, masih mungkin
- Namun, jika ACV rendah dan kecepatan transaksi lambat, peluang gagal sangat tinggi
- Dalam kasus Butter:
- Meski ada sumber pendapatan tambahan, tetap berada di area kecepatan transaksi rendah dan ACV rendah
- Terutama karena kecepatan transaksi sangat lambat hingga seluruh siklus aktivasi pendapatan selesai
Pemikiran penutup
- Jika melihat ke belakang, kami meremehkan kompleksitas membangun vertical SaaS di industri yang bergantung pada praktik tradisional dan teknologi usang
- Solusi digital saja tidak cukup untuk mendorong adopsi
- Sebaliknya, harus memberikan peningkatan yang benar-benar terobosan dibanding cara lama, dan
- menyampaikannya dengan cara yang dapat dipahami pelanggan.
- Jika tidak langsung terasa cocok, pelanggan akan tetap bertahan pada cara lama yang sudah akrab
- Pelajarannya: kunci keberhasilan adalah pendekatan yang menghormati alur kerja yang sudah ada sambil membuktikan nilai nyata
Titik berangkat: benturan dengan cara tradisional
- Upaya awal:
- Mengembangkan alat untuk memodernisasi proses input pesanan pedagang grosir melalui e-commerce
- Masalahnya:
- Para chef tetap lebih menyukai cara tradisional (telepon, pesan teks) dan tidak mudah beradaptasi dengan sistem digital
- Sistem baru tidak memberikan nilai yang cukup untuk sepenuhnya menggantikan cara lama
- Mendengarkan pendapat pelanggan:
- Melakukan wawancara dengan berbagai kelompok pelanggan, termasuk pengguna aktif, pengguna yang churn, dan penentang aplikasi
- Menilai bahwa pemesanan lewat aplikasi bukan pengalaman yang 10 kali lebih baik dibanding telepon/pesan teks/email:
- Kurangnya visibilitas atas ketersediaan produk secara real-time dan status pengiriman
- Memahami kesulitan pedagang grosir:
- Pedagang grosir masih menderita karena input pesanan manual yang memakan waktu berjam-jam
- Muncul ide penerapan AI:
- Large language models (LLMs) cocok untuk menangani data tidak terstruktur
- AI memungkinkan otomatisasi tugas yang kompleks
- Dengan sekitar 80% data dunia berbentuk data tidak terstruktur, terlihat adanya potensi perubahan paradigma
- Perubahan strategi:
- Tidak memaksa pemasok dan operator untuk sepenuhnya beralih ke alur kerja digital
- Sebaliknya, mengembangkan alat berbasis AI yang melengkapi proses yang ada (misalnya Butter’s AI Order Assistant):
- Dirancang agar terintegrasi secara alami ke dalam alur kerja yang sudah ada.
- Menjadi solusi nyata untuk memodernisasi industri distribusi makanan yang tertinggal secara teknologi.
Beralih ke AI: bukan sekadar janji, tetapi implementasi nyata
- Kunci keberhasilan AI:
- Yang dibutuhkan bukan produk yang "lebih canggih", melainkan produk yang benar-benar menyelesaikan pekerjaan pengguna
- AI Order Assistant:
- Dirancang agar chef dan pedagang grosir tidak perlu mengubah proses yang sudah mereka gunakan
- Terintegrasi secara alami ke dalam alur kerja yang sudah ada
- Manajemen pesanan berbasis pemrosesan bahasa alami:
- Menyederhanakan proses dengan AI yang dapat memproses perintah suara atau pesan teks
- Disediakan sebagai alat tambahan (
add-on), bukan penggantian sistem secara total:
- Dapat diadopsi dengan cepat
- Menghindari masalah rumit dari "transformasi digital" tradisional
- Proses onboarding pelanggan:
- Menghubungkan data email dan voicemail dengan ERP lalu mengubahnya menjadi data purchase order yang terstruktur
- Menyimpan preferensi chef (misalnya "2 kotak udang") ke dalam sistem digital:
- Memahami variasi produk secara akurat dengan memanfaatkan pola pesanan sebelumnya dan panduan pemesanan.
- Contoh: AI dapat membedakan apakah yang dimaksud adalah "4-6 Tiger Shrimp Frozen" atau "16-20 EZ Peel Shrimp"
- Mencerminkan umpan balik pengguna:
- Tidak mengharapkan model AI akurat 100%:
- Melalui wawancara UX yang luas, pengguna dibuat dapat mengoreksi output AI
- Dirancang agar semua pekerjaan bisa dilakukan lewat input keyboard dengan memanfaatkan shortcut ERP
- Hasilnya:
- Waktu pemrosesan pesanan berkurang lebih dari 96%
- Memungkinkan staf back-office beralih ke pekerjaan bernilai tambah lebih tinggi (kontrol kualitas, manajemen hubungan pelanggan)
- Berkembang menjadi GrubAssist:
- Setelah diakuisisi oleh GrubMarket, AI Order Assistant dikembangkan menjadi GrubAssist
- Menyediakan business intelligence dan analitik berbasis bahasa alami pada sistem ERP yang sudah ada.
- Terintegrasi mulus tanpa mengganggu alur kerja yang ada di industri makanan.
- Integrasi dengan alur kerja yang sudah ada adalah kunci keberhasilan AI. Harus mudah diterapkan tanpa transisi yang rumit.
Pelajaran dari pengembangan produk LLM
- Merancang dengan mempertimbangkan keterbatasan teknis:
- LLM memang kuat, tetapi masih memiliki keterbatasan dalam reliabilitas dan kecepatan.
- Menutup keterbatasan itu dengan desain yang efektif:
- Contoh: restoran/retailer memproses pesanan pada pagi hari berikutnya, sehingga melalui pemrosesan background, kecepatan bisa dikorbankan demi memilih model dengan kemampuan penalaran lebih tinggi.
- Utamakan kecepatan, kejar kesempurnaan belakangan:
- Pada tahap awal, jangan terjebak mencari "model yang sempurna".
- Gunakan teknologi sederhana untuk masuk ke pasar (misalnya RAG):
- Jika konteks yang tepat diberikan, metode sederhana pun bisa bekerja sangat kuat.
- Ketika model dasar membaik, produk AI itu sendiri juga ikut berkembang secara otomatis.
- Perkuat fondasinya:
- Sediakan lingkungan eksperimen yang fleksibel:
- Dengan arsitektur modular, model atau fitur bisa diganti dengan mudah dan iterasi dapat dilakukan cepat.
- Perlu mengintegrasikan sistem feedback di dalam produk yang jelas dan dapat diukur.
- Antarmuka menentukan berhasil atau gagalnya produk:
- Bahkan jika memiliki model yang "sempurna", produk harus dirancang dengan asumsi bahwa 20% pekerjaan tetap memerlukan verifikasi manusia.
- Buat interaksi tetap sederhana dan intuitif agar keterlibatan pengguna terjaga:
- Jika proses verifikasi pengguna diperkuat, data penting untuk peningkatan produk bisa diperoleh.
- Menangkap pengetahuan tidak terstruktur:
- Di industri tradisional, informasi penting sering kali tidak terdigitalisasi dan bergantung pada ingatan orang.
- Contoh: jika preferensi pelanggan hanya ada di kepala sales bernama Joey, bangun antarmuka yang bisa menangkapnya.
- Insight seperti ini memperkuat diferensiasi model dan terus memberi keunggulan data.
- Meningkatkan akurasi melalui feedback loop:
- Engineering saja ada batasnya:
- Sediakan cara yang mulus untuk mengumpulkan umpan balik pengguna langsung di dalam produk.
- Gabungkan umpan balik dengan tuning engine untuk menghasilkan output yang lebih akurat dan relevan secara kontekstual.
Penting untuk bekerja sama dengan sistem yang sudah ada
- Tantangan yang realistis:
- Sebagus apa pun solusi AI, itu tidak berarti apa-apa jika tidak terintegrasi dengan sistem ERP legacy yang sudah ada
- Jika mencoba mengganti sistem legacy, kolaborasi justru menjadi sulit
- Strategi integrasi:
- Dalam kasus Butter, integrasi dengan ERP diperlukan melalui metode seperti EDI (electronic data interchange) atau pertukaran file SFTP
- Sistem legacy sudah terlalu mengakar sehingga persuasi dan desain arsitekturnya menjadi kompleks
- Strategi sukses:
- Menyediakan alat tambahan (
add-on) yang meningkatkan produk yang sudah ada:
- Membantu pelanggan memanfaatkan keunggulan AI sambil tetap mempertahankan infrastruktur yang ada
- Memperkuat jaringan yang ada dan menekankan bahwa AI memberikan dampak positif baik bagi bisnis maupun penyedia infrastruktur
- Situasi yang mendesak:
- Keahlian AI menyebar dengan cepat, dan penyedia layanan tradisional yang tadinya lambat pun mulai mengadopsi AI
- Bertindak cepat dan bekerja sama dengan pemain yang sudah ada:
- Pasar harus dihadapi dengan strategi yang tepat dan pendekatan yang terdiferensiasi
- Peringatan terhadap pendekatan software baru:
- Produk baru dengan pendekatan "integrate and surround":
- Membangun area bisnis tertentu (misalnya field sales) secara penuh sebagai sistem yang mandiri
- Mengubah struktur biaya/pendapatan menjadi lebih menguntungkan
- Penting untuk memahami tren ini dan memilih partner yang tepat
- Pelajaran utama
Bekerja sama dengan sistem yang sudah ada, sambil memberikan manfaat dan peningkatan yang jelas tanpa perlu pergantian sistem total
- Tunjukkan nilai sebagai alat tambahan berisiko rendah dengan imbal hasil tinggi agar adopsi bisa berlangsung cepat
Wawasan untuk masa depan
- Titik temu industri tradisional dan AI:
- Industri tradisional yang bergantung pada data tidak terstruktur seperti catatan tulisan tangan atau data audio kini dapat mengakses solusi teknologi modern melalui LLM (large language model)
- Vertical SaaS makin muncul sebagai alternatif yang realistis di industri-industri seperti ini
- Ada godaan untuk menerapkan AI ke mana-mana, tetapi pendekatan yang hati-hati tetap diperlukan
- Kunci keberhasilan AI:
- Faktor penentu keberhasilan bukan teknologinya sendiri, melainkan product-market fit
- Kemajuan AI membuka banyak kemungkinan, tetapi prinsip dasar pengembangan produk tidak berubah:
- Semua dimulai dari memahami pengguna dan kebutuhan mereka dengan jelas
- Teknologi datang setelah itu
- Pelajaran utama:
- AI paling efektif ketika terintegrasi sesuai dengan proses yang sudah ada
- Jangan mencoba membongkar cara lama; rancang agar menyatu secara alami
- Pertanyaan:
- "Siapa yang akan lebih dulu menangkap peluang ini?"
- Yang akan menang adalah mereka yang memanfaatkan peluang sebelum terlambat
Belum ada komentar.