Xây dựng Vertical SaaS trong ngành truyền thống: "Những điều không nên làm" và "Phát triển AI phù hợp với quy trình làm việc hiện có"

• Bài viết tổng kết 5 năm kinh nghiệm kể từ năm 2020 của nhà sáng lập Butter, công ty đã được GrubMarket mua lại

Phần 1: Những điều không nên làm

Điểm khởi đầu: đại dịch và cơ hội chuyển đổi số

• Trong giai đoạn đại dịch năm 2020, Butter được thành lập sau khi nhìn thấy tiềm năng chuyển đổi số trong ngành thực phẩm.
• Những vấn đề được phát hiện:
  • Các đầu bếp vẫn ưa chuộng cách làm truyền thống với phiếu đặt hàng viết tay cùng điện thoại/tin nhắn
  • Các nhà bán buôn phụ thuộc vào công nghệ cũ kỹ (ERP từ thập niên 1990, quản lý tồn kho bằng Excel, thanh toán bằng séc giấy)
    • Chỉ riêng việc nhập đơn hàng của khách đã mất 6 giờ mỗi ngày
• Kế hoạch giải pháp:
  • Số hóa quy trình cốt lõi bằng một ERP đám mây tất-cả-trong-một có thể nắm bắt workflow chính và đóng vai trò như một "hệ thống ghi nhận"
  • Tích hợp các dịch vụ tài chính như thanh toán, cho vay, bảng lương để tối đa hóa giá trị khách hàng (ACV)
  • Triển khai quy trình giao tiếp liền mạch cho cả đầu bếp và nhà bán buôn, đồng thời tạo hiệu ứng mạng lưới nền tảng bằng ứng dụng đặt hàng kiểu DoorDash
    ((chịu ảnh hưởng từ Choco, một ứng dụng đặt hàng khác đã vươn lên mạnh mẽ như kỳ lân))

Nhưng đã thất bại

• Từng nghĩ đây là một canh bạc quá hiển nhiên để thành công (no-brainer), nhưng chúng tôi đã hoàn toàn sai

Cạm bẫy 1: Độ phức tạp kỹ thuật và tùy biến quá mức

• Tưởng rằng xây ERP sẽ đơn giản, nhưng trên thực tế nguồn lực phát triển bị bào mòn vì mỗi khách hàng lại có yêu cầu khác nhau
  • Ví dụ: phím tắt bàn phím, bố cục màn hình nhập dữ liệu, định dạng hóa đơn cụ thể
• Kết quả: biến thành một sản phẩm phụ thuộc vào tùy biến, không thể mở rộng

Cạm bẫy 2: Chu kỳ bán hàng dài

• Việc chuyển sang hệ thống ERP rất phức tạp và cần sự đồng thuận của nhiều phòng ban:
  • Các công ty khách hàng ngại chuyển đổi dù đang phải chịu nhiều bất tiện
  • Vào mùa bận rộn của nhà hàng, cơ hội bán hàng bị hạn chế
• Kết quả: tỷ lệ chốt giao dịch thấp (chỉ ở mức 20~30% mục tiêu)

Cạm bẫy 3: Mức sẵn sàng chi trả thấp và chu kỳ kích hoạt doanh thu dài

• Phần lớn khách hàng vận hành với biên lợi nhuận thấp (khoảng 5%):
  • Với những khách hàng chỉ trả $80/tháng cho QuickBooks, chi phí nâng cấp lên ERP là một gánh nặng
• Doanh thu bổ sung từ fintech và ứng dụng đặt hàng cũng mất nhiều thời gian để kích hoạt

Cạm bẫy 4: Quá nhiều thử nghiệm

• Ở giai đoạn đầu đã đồng thời thử nhiều mô hình doanh thu và hiệu ứng mạng lưới:
  • Mở rộng mặt trận quá mức khi chưa có được một trường hợp thành công rõ ràng
• Kết quả: đội ngũ kiệt sức và tốc độ lặp thử nghiệm thấp

Những bài học đắt giá

• Đã có nhiều khoảnh khắc rất tự hào khi vận hành Butter:
  • Thức dậy lúc 2 giờ sáng, ngủ lại trong kho để hỗ trợ onboarding thành công
  • Xây dựng phần mềm phức tạp nhưng trực quan, được khách hàng yêu thích
  • Phát triển các hướng dẫn triển khai có hệ thống
• Nhưng cuối cùng vẫn thất bại trong việc xây dựng một doanh nghiệp venture có thể mở rộng
• Bài học 1. Đừng chỉ dựa vào các giả thuyết ở tầng khái niệm cao:
  • Phải trực tiếp trao đổi với kho bãi, hiện trường và nhân sự back-office để có được insight thực chất
  • Hãy nói chuyện với mục tiêu là "tìm ra sự thật", tránh những cuộc trò chuyện chỉ để xác nhận ý tưởng sẵn có
• Bài học 2. Những yếu tố cần có để xây dựng sản phẩm thành công:
  • Có được người dùng thực sự hiểu sâu vấn đề:
    • Nếu nỗi đau của việc giữ nguyên hiện trạng không lớn hơn ma sát của thay đổi, sẽ không ai đổi hệ thống
    • Chỉ cần vài chất xúc tác phù hợp, thay đổi có thể xảy ra
  • Khả năng chi trả đủ lớn:
    • Nếu khách hàng không có dư địa tài chính để chi cho giải pháp, giá trị bạn tạo ra cũng không thể duy trì doanh thu cho công ty
  • Trải nghiệm sản phẩm tốt hơn 10 lần so với hiện tại:
    • Khách hàng càng truyền thống thì mức cải thiện cần càng rõ rệt
    • Cần tiếp cận theo cách giải quyết đúng lý do vì sao họ đã duy trì cách làm cũ trong thời gian dài
  • Tầm quan trọng của sự đơn giản:
    • Sản phẩm ban đầu phải đơn giản và dễ được chấp nhận
    • Ví dụ: thay vì bán một chiếc bidet kiểu Nhật hào nhoáng, hãy tập trung giải quyết vấn đề đường ống cơ bản
• Bài học 3. Mô hình kinh doanh và điều kiện để SaaS thành công:
  • Quy mô giao dịch và chu kỳ bán hàng (tốc độ deal) phải cân bằng với nhau.
  • "The Difficulty Ratio" của David Sacks:
    • Có thể chấp nhận tổ hợp ACV (Annual Contract Value) cao với tốc độ giao dịch thấp, hoặc ngược lại
    • Nhưng nếu ACV thấp và tốc độ giao dịch cũng chậm thì khả năng thất bại rất cao
  • Trường hợp của Butter:
    • Dù có thêm các nguồn doanh thu bổ sung, công ty vẫn nằm trong vùng tốc độ giao dịch thấp và ACV thấp
    • Đặc biệt, tốc độ giao dịch cực kỳ chậm nếu tính đến toàn bộ chu kỳ kích hoạt doanh thu

Suy nghĩ cuối cùng

• Nhìn lại, chúng tôi đã đánh giá thấp độ phức tạp của việc xây dựng vertical SaaS trong những ngành phụ thuộc vào tập quán truyền thống và công nghệ lạc hậu
• Chỉ riêng giải pháp số hóa là chưa đủ để thúc đẩy việc chấp nhận
• Thay vào đó, cần mang lại mức cải thiện vượt trội so với cách làm cũ, đồng thời
  • truyền đạt điều đó theo cách mà khách hàng có thể hiểu được.
  • nếu không tạo được ấn tượng rằng sản phẩm phù hợp ngay lập tức, khách hàng sẽ tiếp tục bám vào cách làm quen thuộc
• Bài học: chìa khóa thành công là tôn trọng workflow hiện có đồng thời chứng minh giá trị thực tế

---

Phần 2: Phát triển AI phù hợp với workflow hiện có

Điểm xuất phát: xung đột với cách làm truyền thống

• Nỗ lực ban đầu:
  • Phát triển công cụ nhằm hiện đại hóa quy trình nhập đơn hàng của nhà bán buôn thông qua thương mại điện tử
  • Vấn đề:
    • Các đầu bếp vẫn thích cách làm truyền thống (gọi điện, nhắn tin) và không dễ thích nghi với hệ thống số
    • Hệ thống mới không mang lại đủ giá trị để thay thế hoàn toàn cách làm hiện có
• Lắng nghe ý kiến khách hàng:
  • Phỏng vấn nhiều nhóm khách hàng khác nhau như người dùng tích cực, người đã rời bỏ, và người phản đối ứng dụng
  • Kết luận rằng đặt hàng qua app không mang lại trải nghiệm tốt hơn 10 lần so với điện thoại/tin nhắn/email:
    • Thiếu khả năng quan sát theo thời gian thực về tình trạng sẵn có của sản phẩm và trạng thái giao hàng
• Xác định khó khăn của nhà bán buôn:
  • Các nhà bán buôn vẫn khổ sở với nhiều giờ nhập đơn thủ công
  • Ý tưởng áp dụng AI:
    • Large language models (LLMs) phù hợp để xử lý dữ liệu phi cấu trúc
    • Có thể tự động hóa các công việc phức tạp bằng AI
    • Khi khoảng 80% dữ liệu toàn cầu là dữ liệu phi cấu trúc, đây được xem là cơ hội cho một bước chuyển mô hình
• Chuyển hướng chiến lược:
  • Không ép nhà cung cấp và người vận hành phải chuyển hoàn toàn sang workflow số
  • Thay vào đó, phát triển công cụ dựa trên AI (ví dụ: Butter’s AI Order Assistant) để bổ trợ cho quy trình hiện có:
    • Được thiết kế để tích hợp tự nhiên vào workflow hiện hữu.
    • Trở thành một giải pháp thực tế có thể hiện đại hóa ngành phân phối thực phẩm vốn chậm về công nghệ.

Chuyển sang AI: không chỉ là lời hứa mà là triển khai thực chất

• Cốt lõi của thành công với AI:
  • Không phải một sản phẩm "bóng bẩy hơn", mà là một sản phẩm thực sự hoàn thành công việc của người dùng
  • AI Order Assistant:
    • Được thiết kế theo cách mà đầu bếp và nhà bán buôn không cần thay đổi quy trình hiện tại
    • Tích hợp tự nhiên vào workflow đang có
• Quản lý đơn hàng dựa trên xử lý ngôn ngữ tự nhiên:
  • Đơn giản hóa quy trình bằng AI có thể xử lý lệnh thoại hoặc tin nhắn văn bản
  • Được cung cấp như một công cụ bổ sung (add-on), không phải thay toàn bộ hệ thống:
    • Có thể triển khai nhanh
    • Tránh được những bài toán phức tạp của "chuyển đổi số" truyền thống
• Quy trình onboarding khách hàng:
  • Chuyển dữ liệu email và thư thoại thành dữ liệu đơn đặt hàng có cấu trúc, liên kết với ERP
  • Lưu trữ sở thích của đầu bếp (ví dụ: "2 thùng tôm") trong hệ thống số:
    • Sử dụng lịch sử đặt hàng và hướng dẫn đặt hàng để hiểu chính xác biến thể sản phẩm.
    • Ví dụ: AI phân biệt được đó là "4-6 Tiger Shrimp Frozen" hay "16-20 EZ Peel Shrimp"
• Phản ánh phản hồi người dùng:
  • Không kỳ vọng mô hình AI đạt độ chính xác 100%:
    • Thông qua nhiều cuộc phỏng vấn UX, sản phẩm được thiết kế để người dùng có thể chỉnh sửa đầu ra của AI
    • Tận dụng phím tắt của ERP để mọi thao tác đều có thể thực hiện bằng bàn phím
  • Kết quả:
    • Thời gian xử lý đơn hàng giảm hơn 96%
    • Nhân viên back-office có thể chuyển sang các công việc giá trị cao hơn (quản lý chất lượng, quản lý quan hệ khách hàng)
• Mở rộng thành GrubAssist:
  • Sau khi được GrubMarket mua lại, AI Order Assistant được mở rộng thành GrubAssist
  • Cung cấp business intelligence và phân tích dựa trên ngôn ngữ tự nhiên cho hệ thống ERP hiện có.
  • Tích hợp mượt mà mà không làm gián đoạn workflow hiện hữu của ngành thực phẩm
• Tích hợp với workflow hiện có là chìa khóa thành công của AI. Phải dễ áp dụng mà không cần chuyển đổi phức tạp.

Những bài học rút ra khi phát triển sản phẩm LLM

• Thiết kế có tính đến giới hạn kỹ thuật:
  • LLM rất mạnh, nhưng vẫn còn giới hạn về độ tin cậy và tốc độ.
  • Bù đắp giới hạn bằng thiết kế hiệu quả:
    • Ví dụ: nhà hàng/nhà bán lẻ xử lý đơn vào sáng hôm sau, nên có thể xử lý nền để chấp nhận chậm hơn và chọn mô hình có năng lực suy luận cao hơn.
• Ưu tiên tốc độ, theo đuổi sự hoàn hảo sau:
  • Ở giai đoạn đầu, đừng mắc kẹt trong việc tìm một "mô hình hoàn hảo".
  • Hãy dùng công nghệ đơn giản để ra thị trường (ví dụ: RAG):
    • Nếu cung cấp đúng ngữ cảnh, những cách tiếp cận đơn giản cũng có thể hoạt động rất mạnh.
    • Khi model nền tảng được cải thiện, chính sản phẩm AI cũng tự động tiến bộ theo.
• Xây chắc phần cơ bản:
  • Cung cấp môi trường thử nghiệm linh hoạt:
    • Thiết kế kiến trúc mô-đun để dễ thay model hoặc tính năng và lặp nhanh.
    • Cần tích hợp một hệ thống phản hồi trong sản phẩm rõ ràng và có thể đo lường.
• Giao diện quyết định thành bại của sản phẩm:
  • Ngay cả khi có mô hình "hoàn hảo", vẫn nên thiết kế với giả định 20% công việc cần con người xác minh.
  • Giữ cho tương tác đơn giản và trực quan để duy trì mức độ tham gia của người dùng:
    • Tăng cường quy trình xác minh của người dùng sẽ giúp thu thập dữ liệu quan trọng để cải thiện sản phẩm.
• Thu thập tri thức phi cấu trúc:
  • Trong các ngành truyền thống, thông tin quan trọng thường chưa được số hóa mà phụ thuộc vào trí nhớ của con người.
  • Ví dụ: nếu sở thích khách hàng chỉ nằm trong đầu của nhân viên sales Joey, hãy xây giao diện có thể ghi nhận điều đó.
  • Những insight như vậy giúp tăng khả năng khác biệt của model và tạo lợi thế dữ liệu bền vững theo thời gian.

6. Nâng cao độ chính xác thông qua feedback loop:

• Chỉ engineering thôi là chưa đủ:
  • Cần cung cấp cách thu thập phản hồi người dùng trực tiếp trong sản phẩm một cách mượt mà.
  • Kết hợp phản hồi đó với tuning engine để tạo ra đầu ra chính xác hơn và liên quan ngữ cảnh hơn.

Điều quan trọng là cộng tác với hệ thống hiện có

• Những thách thức thực tế:
  • Dù giải pháp AI có xuất sắc đến đâu cũng sẽ vô nghĩa nếu không tích hợp được với các hệ thống ERP legacy hiện có
  • Nếu cố thay thế hệ thống legacy, việc hợp tác sẽ trở nên khó khăn
• Chiến lược tích hợp:
  • Trong trường hợp của Butter, cần tích hợp với ERP thông qua các phương thức như EDI (trao đổi dữ liệu điện tử) hoặc trao đổi file SFTP
  • Hệ thống legacy đã bám rễ quá sâu nên việc thuyết phục và thiết kế kiến trúc đều phức tạp
  • Chiến lược thành công:
    • Cung cấp công cụ bổ sung (add-on) để cải thiện sản phẩm hiện có:
      • Giúp khách hàng giữ nguyên hạ tầng hiện tại nhưng vẫn tận dụng được lợi ích của AI
      • Củng cố mạng lưới hiện có và nhấn mạnh rằng AI mang lại tác động tích cực cho cả doanh nghiệp lẫn nhà cung cấp hạ tầng
• Tình hình cấp bách:
  • Chuyên môn về AI đang lan rộng rất nhanh, và ngay cả các nhà cung cấp dịch vụ truyền thống vốn chậm chạp cũng đang áp dụng AI
  • Hành động nhanh và hợp tác với các bên hiện hữu:
    • Cần phản ứng với thị trường bằng chiến lược đúng đắn và cách tiếp cận khác biệt
• Cảnh báo về cách tiếp cận phần mềm mới:
  • Các sản phẩm mới theo hướng "integrate and surround":
    • Xây dựng hoàn toàn tự chủ một mảng nghiệp vụ cụ thể (ví dụ: field sales)
    • Thay đổi cấu trúc chi phí/doanh thu theo hướng có lợi
    • Điều quan trọng là hiểu xu hướng này và chọn đúng đối tác
• Bài học cốt lõi
  Cộng tác với hệ thống hiện có và mang lại lợi ích, cải tiến rõ ràng mà không cần thay đổi toàn bộ hệ thống
  • Thể hiện giá trị bằng công cụ bổ sung có rủi ro thấp, phần thưởng cao để thúc đẩy việc chấp nhận nhanh hơn

Góc nhìn cho tương lai

• Điểm giao giữa ngành truyền thống và AI:
  • Những ngành truyền thống vốn dựa vào dữ liệu phi cấu trúc như ghi chép viết tay hoặc dữ liệu âm thanh nay có thể tiếp cận các giải pháp công nghệ hiện đại thông qua LLMs (large language models)
  • Vertical SaaS đang dần trở thành một lựa chọn thực tế hơn trong các ngành này
  • Dù có sức hấp dẫn phải áp dụng AI ở mọi nơi, vẫn cần một cách tiếp cận thận trọng
• Chìa khóa thành công của AI:
  • Yếu tố quyết định không phải bản thân công nghệ mà là Product-Market Fit
  • Sự phát triển của AI mở ra nhiều khả năng, nhưng các nguyên tắc cơ bản của phát triển sản phẩm không thay đổi:
    • Bắt đầu từ việc hiểu rõ người dùng và nhu cầu của họ
    • Công nghệ đến sau
• Bài học chính:
  • AI hiệu quả nhất khi được tích hợp phù hợp với quy trình hiện có
  • Đừng cố lật tung cách làm cũ, hãy thiết kế để nó hòa vào tự nhiên
• Câu hỏi:
  • "Ai sẽ nắm lấy cơ hội này trước?"
  • Người biết tận dụng cơ hội trước khi quá muộn sẽ chiến thắng