Setiap beberapa minggu ada pemilik bisnis yang bertanya apakah mereka perlu "pakai AI." Biasanya karena ada vendor yang menawarkan, atau siaran pers kompetitor menyebutnya, dan mereka merasa tertinggal. Jadi izinkan saya menjelaskan machine learning untuk bisnis dengan cara yang sama seperti saya jelaskan langsung ke klien, tanpa bumbu misteri.

Machine learning adalah pencarian pola pada data historis. Itu saja intinya. Anda menunjukkan ribuan contoh masa lalu ke komputer, transaksi lama, gagal bayar lama, kerusakan mesin lama, dan komputer itu mempelajari pola statistiknya cukup baik untuk membuat prediksi pada kasus baru. Ia tidak berpikir, tidak memahami bisnis Anda, dan bukan sihir. Ia adalah tebakan yang sangat baik, dikalibrasi dari riwayat Anda.

Begitu definisi ini dipegang teguh, machine learning untuk bisnis menjadi sesuatu yang bisa Anda nilai seperti investasi lainnya: apa yang dibutuhkan, apa yang bisa dihasilkan, dan apakah kita benar-benar sudah siap? Sebagian besar UKM Indonesia yang saya temui belum siap, dan menyadari hal ini akan menghemat uang Anda dalam jumlah nyata.

Satu kalimat yang membongkar misterinya

Ini model mental yang perlu Anda pegang: machine learning mengubah "staf senior kita biasanya bisa menebak" menjadi rumus yang berjalan pada setiap kasus, instan, dalam skala besar.

Analis kredit senior Anda biasanya bisa menebak pengajuan mana yang berisiko. Kepala gudang veteran Anda biasanya bisa menebak barang mana yang akan laku bulan ini. ML melakukan hal yang sama dengan mengekstrak pola dari ribuan hasil masa lalu, bukan dari ingatan satu orang. Itu benar-benar bernilai ketika volumenya terlalu besar untuk manusia, atau ketika orang yang "biasanya bisa menebak" itu mungkin akan resign.

Tapi perhatikan konsekuensi dari definisi ini. Mesin hanya belajar dari riwayat yang tercatat. Jika riwayatnya tipis, berantakan, atau salah, pola yang dipelajarinya juga tipis, berantakan, atau salah.

Tanpa data bersih, tidak ada machine learning

Ini bagian yang biasanya dihaluskan vendor dan tidak akan saya haluskan: kualitas data menentukan segalanya. Sebelum proyek ML apa pun bisa berjalan, Anda butuh:

  • Volume. Pola yang bermakna biasanya butuh ribuan contoh, bukan ratusan. Dua tahun transaksi yang tercatat rapi lebih baik daripada sepuluh tahun data yang setengah-setengah.
  • Konsistensi. Jika separuh catatan penjualan Anda menulis "Jakarta" dan separuh lagi menulis "JKT" dan sepertiga batch lainnya mengosongkan kolom kota, mesin melihat tiga dunia yang berbeda.
  • Hasil yang tercatat. Untuk memprediksi pelanggan mana yang akan berhenti membeli, Anda butuh riwayat yang menunjukkan pelanggan mana yang benar-benar berhenti, kapan, dan seperti apa kondisinya sebelum itu terjadi. Kebanyakan UKM tidak pernah mencatat "sebelum"-nya.
  • Kejujuran. Jika staf mem-backdate entri atau memasukkan angka bulat agar cepat tutup buku harian, data Anda berbohong, dan model akan berbohong dengan percaya diri mengikuti data itu.

Tes sederhana: bisakah Anda menghasilkan satu spreadsheet bersih berisi 5.000 kejadian relevan terakhir di bisnis Anda, lengkap dengan tanggal dan hasilnya, dalam satu hari? Jika tidak, proyek pertama Anda bukan machine learning. Itu urusan pencatatan (record-keeping). Biasanya itu berarti membenahi sistem operasional dulu, fondasi yang sama yang selalu saya tekankan ke para pemilik bisnis di Kenapa Bisnis Anda Butuh Strategi Teknologi, Bukan Sekadar Website.

Tiga penggunaan realistis untuk UKM Indonesia

Ketika datanya sudah ada, berikut area di mana saya melihat ML benar-benar bermanfaat di skala UKM pada 2022:

1. Peramalan permintaan untuk inventori. Bisnis ritel atau distribusi dengan data penjualan bersih selama dua tahun lebih bisa meramalkan permintaan per item jauh lebih baik daripada firasat, terutama menjelang lonjakan musiman seperti Ramadan. Bahkan pengurangan overstock sebesar 15 persen saja sudah berarti besar ketika Anda menyimpan inventori senilai Rp 2 miliar. Perhatikan bahwa pabrikan dalam studi kasus inventori ini harus menghabiskan satu tahun hanya untuk membuat catatan stok akurat sebelum peramalan apa pun bisa dilakukan. Urutan itu tidak bisa dilompati.

2. Skor risiko kredit dan pembayaran. Jika Anda menjual dengan termin tempo dan punya beberapa ribu invoice historis dengan hasil yang diketahui, dibayar tepat waktu, dibayar terlambat, tidak pernah dibayar, sebuah model bisa menilai risiko pelanggan baru dan memberi peringatan sebelum Anda memberikan termin. Perusahaan multifinance sudah melakukan ini bertahun-tahun; logika yang sama bisa diterapkan dalam skala lebih kecil.

3. Sinyal churn pelanggan. Untuk bisnis dengan pembeli berulang, subscription box, pasokan B2B, jasa, sebuah model bisa menandai pelanggan yang pola pemesanannya diam-diam berubah, sehingga tim Anda menghubungi mereka sebelum mereka benar-benar pergi, bukan sesudahnya. Ini hanya berjalan jika catatan pelanggan Anda berada dalam satu sistem, itu sebabnya saya selalu menyarankan pemilik bisnis membereskan CRM dasar jauh sebelum menyebut kata AI.

Perhatikan pola yang sama pada ketiganya: keputusan berulang bervolume tinggi, riwayat yang tercatat, dan hasil finansial yang jelas ketika prediksinya benar.

Tiga fantasi yang harus dihindari

Dan berikut ini adalah tempat uang UKM biasanya menguap:

1. "AI akan memberi tahu kita cara mengembangkan bisnis." ML memprediksi hasil yang sempit dan terdefinisi jelas dari pola historis. Ia tidak menghasilkan strategi. Siapa pun yang menjual wawasan strategis dari sebuah algoritma sebenarnya sedang menjual jasa konsultasi dengan bumbu tambahan.

2. Chatbot seperti manusia yang menangani layanan pelanggan. Teknologi chatbot yang tersedia untuk UKM pada 2022 menangani alur terskrip, status pesanan, FAQ, jam operasional, dengan cukup baik. Percakapan bebas justru membuat pelanggan frustrasi dan merusak kepercayaan. Bangun bot berbasis menu untuk 60 persen kasus yang repetitif, sisakan manusia untuk selebihnya.

3. ML pada data yang tidak Anda miliki. "Prediksi produk baru mana yang akan sukses" kedengarannya menggiurkan, tapi jika Anda baru meluncurkan sebelas produk sepanjang riwayat bisnis, tidak ada pola untuk dipelajari. Tanpa volume, tidak ada model. Curigai vendor mana pun yang tidak memulai dengan pertanyaan mendalam soal data Anda.

Filter sederhana untuk pitch AI apa pun: tanyakan langsung ke vendor, data historis Anda yang mana yang akan dipelajari model itu, dan apa yang terjadi kalau data itu salah. Jawaban yang kabur berarti rapatnya selesai di situ.

Kesimpulan praktis

Machine learning untuk bisnis adalah pencarian pola pada data historis, tidak lebih dan tidak kurang. Ia memberi imbalan pada perusahaan dengan keputusan berulang bervolume tinggi dan catatan yang bersih, dan ia menghukum semua yang lain dengan kekecewaan yang mahal.

Jadi peta jalan yang jujur untuk kebanyakan UKM di 2022 punya langkah pertama yang tidak keren: benahi data Anda. Catat transaksi, pelanggan, dan hasil secara konsisten dalam sistem yang Anda kendalikan sendiri. Investasi itu langsung terbayar lewat keputusan harian yang lebih baik, dan itu adalah tiket masuk untuk pekerjaan ML apa pun nantinya. Kerjakan dulu bagian yang membosankan. Perusahaan yang melakukannya akan menyadari bahwa ketika mereka akhirnya membeli machine learning, itu benar-benar berhasil, dan harga dari keunggulan itu tidak lebih dari dua tahun mencatat semuanya dengan benar.