- GrubMarket tarafından satın alınan Butter’ın kurucusunun 2020’den bu yana 5 yıllık deneyimini derlediği yazı
Bölüm 1: Yapılmaması gerekenler
Başlangıç noktası: pandemi ve dijital dönüşüm fırsatı
- 2020 pandemisi sırasında, gıda sektöründeki dijital dönüşüm potansiyelini görerek Butter’ı kurdu.
- Tespit edilen sorunlar:
- Şefler hâlâ elle yazılan sipariş formlarını ve telefon/SMS gibi geleneksel yöntemleri tercih ediyordu
- Toptancılar eski teknolojilere dayanıyordu (1990’lardan kalma ERP, Excel ile stok yönetimi, kağıt çekle ödeme)
- Yalnızca müşteri siparişlerini girmek günde 6 saat alıyordu
- Çözüm planı:
- Temel iş akışlarını yakalayıp bir “record system” görevi görebilecek hepsi bir arada bulut tabanlı ERP ile ana iş akışlarını dijitalleştirmek
- Ödeme, kredi, bordro gibi finansal hizmetleri entegre ederek müşteri değerini en üst düzeye çıkarmak (ACV)
- Hem şefler hem de toptancılar için kesintisiz bir iletişim süreci kurup, DoorDash tarzı bir sipariş uygulamasıyla platform ağ etkisi yaratmak
((Unicorn şirket hâline hızla yükselen başka bir sipariş uygulaması olan Choco’dan etkilenildi)
Ama başarısız oldu
- Bunun kesin başarı olacağını düşündüler (no-brainer), ancak tamamen yanıldılar
Tuzak 1: Teknik karmaşıklık ve aşırı özelleştirme
- ERP kurmanın basit olacağı sanıldı, ancak gerçekte her müşterinin farklı talepleri geliştirme kaynaklarını tüketti
- Örnek: klavye kısayolları, veri giriş ekranı düzeni, belirli fatura formatları
- Sonuç: ölçeklenemeyen, özelleştirmeye bağımlı bir ürüne dönüştü
Tuzak 2: Uzun satış döngüsü
- ERP sistemine geçiş karmaşıktı ve birçok departmanın onayını gerektiriyordu:
- Müşteri şirketler mevcut rahatsızlıktan şikayetçi olsalar da geçişe isteksizdi
- Restoranların yoğun sezonlarında satış fırsatları sınırlıydı
- Sonuç: düşük anlaşma kapanış oranı (hedefin %20~30’u seviyesinde)
Tuzak 3: Düşük ödeme isteği ve uzun gelir aktivasyonu döngüsü
- Müşterilerin çoğu düşük kâr marjıyla (yaklaşık %5) çalışıyordu:
- QuickBooks için aylık $80 ödeyen müşteriler için ERP yükseltme maliyeti ağır geliyordu
- Ek fintech ve sipariş uygulaması gelirlerinin aktive olması da uzun zaman aldı
Tuzak 4: Aşırı fazla deney
- Erken aşamada birden fazla gelir modeli ve ağ etkisini aynı anda denediler:
- Tek bir başarılı örnek ortaya koymadan cepheyi fazla genişlettiler
- Sonuç: ekip tükenmişliği ve düşük deney yineleme hızı
Acı vererek öğrenilen dersler
- Butter’ı yürütürken gurur duyulan birçok an oldu:
- Başarılı onboarding için sabah 2’de kalkıp depoda uyuyarak çalışmak
- Müşterilerin sevdiği, karmaşık ama sezgisel bir yazılım inşa etmek
- Sistematik bir uygulama rehberi geliştirmek
- Ancak ölçeklenebilir bir girişim işi kurmakta başarısız oldular
- Ders 1. Fikirlere yalnızca yüksek seviyeli hipotezler üzerinden güvenmeyin:
- Depoda, sahada ve arka ofiste çalışanlarla doğrudan konuşup gerçek içgörüler edinmek gerekir
- Konuşmaları mevcut fikirleri doğrulamak için değil, “gerçeği aramak” amacıyla yapmak gerekir
- Ders 2. Başarılı bir ürün inşa etmek için gerekenler:
- Sorunu derinlemesine anlayan kullanıcıları bulmak:
- Mevcut durumda kalmanın acısı, değişimin yarattığı sürtünmeden büyük değilse kimse sistemi değiştirmez
- Değişim bazen yalnızca birkaç katalizörle gerçekleşebilir
- Yeterli ödeme gücü:
- Müşteri çözümü karşılayabilecek finansal alana sahip değilse, sağlanan değer şirket gelirini sürdüremez
- Mevcut deneyimden 10 kat daha iyi bir ürün:
- Müşteri ne kadar gelenekselse, gereken iyileşme de o kadar dramatik olmalıdır
- Müşterinin eski yöntemi uzun süre korumasının nedenini çözen bir yaklaşımla ilerlenmeli
- Sadelik önemlidir:
- İlk ürün basit ve kolay benimsenebilir olmalıdır
- Örnek: gösterişli bir Japon bidesi satmak yerine temel tesisat sorununu çözmeye odaklanmak
- Ders 3. İş modeli ve SaaS başarı koşulları:
- İşlem büyüklüğü ile satış döngüsü (deal velocity) dengeli olmalıdır.
- David Sacks’in “The Difficulty Ratio” kavramı:
- Yüksek ACV (Annual Contract Value) ve düşük işlem hızı ya da bunun tersi mümkün olabilir
- Ancak ACV düşük ve işlem hızı da yavaşsa başarısızlık olasılığı yüksektir
- Butter örneğinde:
- Ek gelir kaynaklarına rağmen düşük işlem hızı ve düşük ACV bandında kaldı
- Özellikle toplam gelir aktivasyonu döngüsüne kadar işlem hızı çok yavaştı
Son düşünceler
- Geriye dönüp bakınca, geleneksel uygulamalara ve eski teknolojiye dayanan sektörlerde vertical SaaS kurmanın karmaşıklığını hafife aldılar
- Yalnızca dijital çözümler benimsemeyi sağlamak için yeterli değildi
- Bunun yerine, mevcut yöntemlere kıyasla çarpıcı derecede daha iyi bir sonuç sunmak gerekiyordu ve bunu
- müşterinin anlayabileceği bir şekilde anlatmak gerekiyordu.
- hemen uygun göründüğü hissi verilemezse, müşteri tanıdık eski yönteme bağlı kalıyordu
- Ders: Mevcut iş akışına saygı duyarken somut değeri kanıtlayan yaklaşım başarının anahtarıdır
Çıkış noktası: geleneksel yöntemlerle çatışma
- İlk girişim:
- E-ticaret üzerinden toptancıların sipariş giriş sürecini modernleştirmeyi hedefleyen bir araç geliştirmek
- Sorun:
- Şefler hâlâ geleneksel yöntemleri (telefon, SMS) tercih ediyor ve dijital sistemlere kolay uyum sağlayamıyordu
- Yeni sistem mevcut yöntemin yerini tamamen alacak kadar yeterli değer sunmuyordu
- Müşteri görüşlerini dinlemek:
- Aktif kullanıcılar, ayrılan kullanıcılar ve uygulama karşıtları dahil farklı müşteri gruplarıyla görüşmeler yapıldı
- Uygulama üzerinden sipariş vermenin telefon/SMS/e-postaya göre 10 kat daha iyi bir deneyim olmadığı sonucuna varıldı:
- Gerçek zamanlı ürün bulunabilirliği ve teslimat durumuna dair görünürlük yetersizdi
- Toptancıların zorluklarını anlamak:
- Toptancılar hâlâ saatler süren manuel sipariş girişiyle uğraşıyordu
- Yapay zeka kullanma fikri:
- Yapılandırılmamış verileri işleyebilen büyük dil modelleri (LLMs) bunun için uygundu
- Yapay zeka ile karmaşık işleri otomatikleştirmek mümkündü
- Dünyadaki verilerin yaklaşık %80’inin yapılandırılmamış veri olduğu düşünülünce bunun bir paradigma değişimi yaratabileceği görüldü
- Strateji değişikliği:
- Tedarikçileri ve operatörleri tamamen dijital bir iş akışına zorlamadılar
- Bunun yerine, mevcut süreci tamamlayan yapay zeka tabanlı araçlar (ör. Butter’s AI Order Assistant) geliştirdiler:
- Mevcut iş akışına doğal biçimde entegre olacak şekilde tasarlandı.
- Teknolojik olarak geri kalmış gıda dağıtım sektörünü modernleştirebilecek pratik bir çözüm konumuna geldi.
Yapay zekaya geçiş: yalnızca vaat değil, gerçek uygulama
- Yapay zekada başarının anahtarı:
- “Daha şık” bir ürün değil, kullanıcının işini gerçekten tamamlayan bir ürün gerekir
- AI Order Assistant:
- Şeflerin ve toptancıların mevcut süreçlerini değiştirmek zorunda kalmayacağı şekilde tasarlandı
- Var olan iş akışına doğal biçimde entegre oldu
- Doğal dil işleme tabanlı sipariş yönetimi:
- Sesli komutları veya SMS mesajlarını işleyebilen yapay zeka ile süreç basitleştirildi
- Baştan sona sistem değişimi yerine ek araç (add-on) olarak sunuldu:
- Hızla devreye alınabildi
- Mevcut “dijital dönüşüm”ün karmaşık sorunlarından kaçınıldı
- Müşteri onboarding süreci:
- E-posta ve sesli mesaj verileri ERP ile ilişkilendirilerek yapılandırılmış satın alma siparişi verisine dönüştürüldü
- Şeflerin tercihleri (ör. “2 kutu karides”) dijital sisteme kaydedildi:
- Geçmiş sipariş örüntüleri ve sipariş rehberleri kullanılarak ürün varyasyonları doğru şekilde anlaşıldı.
- Örnek: yapay zeka bunun “4-6 Tiger Shrimp Frozen” mı yoksa “16-20 EZ Peel Shrimp” mı olduğunu ayırt etti
- Kullanıcı geri bildiriminin yansıtılması:
- Yapay zeka modelinden %100 doğruluk beklenmedi:
- Kapsamlı UX görüşmeleriyle kullanıcıların AI çıktısını düzeltebilmesi sağlandı
- ERP’nin kısayolları kullanılarak tüm işlerin klavyeyle yapılabilmesi için tasarlandı
- Sonuç:
- Sipariş işleme süresi %96’dan fazla kısaldı
- Back-office çalışanları daha yüksek katma değerli işlere (kalite kontrol, müşteri ilişkileri yönetimi) kaydırılabildi
- GrubAssist’e genişleme:
- GrubMarket tarafından satın alındıktan sonra AI Order Assistant, GrubAssist olarak genişletildi
- Mevcut ERP sistemlerine doğal dil tabanlı iş zekâsı ve analitik sağladı.
- Gıda sektöründeki mevcut iş akışlarını bozmadan sorunsuz biçimde entegre oldu
- Mevcut iş akışına entegrasyon, yapay zeka başarısının anahtarıdır. Karmaşık geçişler olmadan kolayca uygulanabilmelidir.
LLM ürün geliştirmeden çıkarılan dersler
- Teknik sınırlamaları dikkate alan tasarım:
- LLM’ler güçlüdür, ancak güvenilirlik ve hız açısından hâlâ sınırlamaları vardır.
- Etkili tasarım bu sınırlamaları telafi edebilir:
- Örnek: restoranlar/perakendeciler siparişleri ertesi sabah işlediği için, arka plan işleme ile hızdan fedakârlık edilip daha yüksek muhakeme yeteneğine sahip modeller seçilebilir.
- Önce hıza öncelik verin, mükemmelliği sonra arayın:
- İlk aşamada “mükemmel modeli” bulma takıntısına kapılmayın.
- Pazara giriş için basit tekniklerden (ör. RAG) yararlanın:
- Uygun bağlam verildiğinde basit yöntemler de güçlü şekilde çalışabilir.
- Temel model geliştikçe AI ürünü de kendiliğinden ilerler.
- Temelleri sağlam kurun:
- Esnek bir deney ortamı sağlayın:
- Modüler mimari ile model veya işlev değişimini kolaylaştırıp hızlı iterasyon mümkün olmalı.
- Açık ve ölçülebilir ürün içi geri bildirim sistemi entegre edilmelidir.
- Arayüz, ürünün kaderini belirler:
- “Mükemmel” model olsa bile işin %20’sinin insan doğrulaması gerektireceği varsayımıyla tasarlayın.
- Etkileşimi basit ve sezgisel tutarak kullanıcı katılımını koruyun:
- Kullanıcı doğrulama süreci güçlendirilirse, ürün iyileştirmesi için kritik veriler toplanabilir.
- Yapılandırılmamış bilginin yakalanması:
- Geleneksel sektörlerde önemli bilgiler dijitalleşmemiştir ve insanların hafızasına dayanır.
- Örnek: müşteri tercihleri yalnızca satış temsilcisi Joey’nin aklındaysa, bunu yakalayabilecek bir arayüz kurun.
- Bu içgörüler model farklılaşmasını güçlendirir ve sürekli bir veri avantajı sağlar.
- Geri bildirim döngüsüyle doğruluğu artırmak:
- Sadece mühendislikle sınırlar aşılmaz:
- Kullanıcı geri bildirimini doğrudan ürün içinde toplayacak sorunsuz bir yöntem sağlayın.
- Geri bildirimi tuning engine ile birleştirerek daha doğru ve bağlama daha uygun çıktılar üretin.
Mevcut sistemlerle birlikte çalışmak önemlidir
- Gerçekçi zorluklar:
- Yapay zeka çözümü ne kadar iyi olursa olsun, mevcut legacy ERP sistemleri ile entegre olmazsa anlamı yoktur
- Legacy sistemleri değiştirmeye çalışmak iş birliğini zorlaştırır
- Entegrasyon stratejisi:
- Butter örneğinde, EDI (Electronic Data Interchange) veya SFTP dosya alışverişi gibi yöntemlerle ERP’ye entegrasyon gerekliydi
- Legacy sistemler çok derine kök saldığı için ikna süreci ve mimari tasarım karmaşıktı
- Başarı stratejisi:
- Mevcut ürünü geliştiren bir ek araç (add-on) sunmak:
- Müşterinin mevcut altyapısını korurken yapay zekanın faydalarından yararlanmasını sağlamak
- Mevcut ağı güçlendirirken, hem işletme hem de altyapı sağlayıcıları için yapay zekanın olumlu bir unsur olduğunu vurgulamak
- Acil durum:
- Yapay zeka uzmanlığı hızla yayılıyor ve yavaş hareket eden geleneksel hizmet sağlayıcılar da AI benimsemeye başlıyor
- Hızlı hareket edin ve mevcut oyuncularla iş birliği yapın:
- Doğru strateji ve farklılaştırılmış yaklaşımla pazara karşılık verilmelidir
- Yeni yazılım yaklaşımına dair uyarı:
- “integrate and surround” yaklaşımıyla çıkan yeni ürünler:
- Belirli bir iş alanını (ör. saha satışı) tamamen kendi kendine yeterli şekilde kuruyor
- Maliyet/gelir yapısını lehine değiştiriyor
- Bu eğilimleri anlamak ve doğru partnerleri seçmek önemlidir
- Temel ders
Mevcut sistemlerle birlikte çalışın ve tam kapsamlı sistem geçişi olmadan da açık fayda ve iyileştirme sunun
- Düşük riskli, yüksek getirili ek araç olarak değer göstererek hızlı benimsemeyi teşvik edin
Geleceğe dair içgörüler
- Geleneksel sektörler ile yapay zekanın kesişimi:
- Elle yazılmış kayıtlar veya ses verisi gibi yapılandırılmamış verilere dayanan geleneksel sektörler artık LLM’ler (büyük dil modelleri) sayesinde modern teknoloji çözümlerine erişebiliyor
- Vertical SaaS bu sektörlerde giderek daha gerçekçi bir alternatif olarak öne çıkıyor
- Yapay zekayı her yere uygulama cazibesi olsa da, dikkatli bir yaklaşım gerekir
- Yapay zekada başarının anahtarı:
- Başarıyı belirleyen şey teknoloji değil, **ürün-pazar uyumu (Product-Market Fit)**dir
- Yapay zekadaki ilerlemeler yeni olasılıklar açsa da, ürün geliştirmenin temel ilkeleri değişmez:
- Her şey kullanıcıyı ve ihtiyaçlarını net biçimde anlamakla başlar
- Teknoloji bundan sonra gelir
- Başlıca dersler:
- Yapay zeka mevcut süreçlere uygun şekilde entegre edildiğinde en etkili hâlini alır
- Mevcut yöntemleri altüst etmeye çalışmayın; doğal biçimde içine yerleşecek şekilde tasarlayın
- Soru:
- “Bu fırsatı önce kim yakalayacak?”
- Zaman geçmeden fırsatı değerlendiren kişi kazanır
Henüz yorum yok.