Pernah melihat pelanggan memesan burger melalui layar kiosk, lalu muncul tawaran untuk menambahkan kentang goreng atau minuman? Sekilas, fitur tersebut terlihat sederhana.
Namun, di balik penawaran itu, ada peluang teknologi untuk memahami kebiasaan pembelian dan menawarkan produk yang relevan. Inilah salah satu cara AI upselling kiosk restoran membantu bisnis meningkatkan nilai transaksi tanpa harus membuat pelanggan merasa dipaksa membeli lebih banyak.
Bayangkan kamu sedang makan di restoran cepat saji. Kamu memilih satu burger sebagai menu utama. Sebelum pembayaran, layar kiosk menampilkan rekomendasi paket dengan kentang goreng dan minuman yang cocok.
Kamu bisa menerima tawaran tersebut atau tetap melanjutkan pesanan awal. Prosesnya berlangsung singkat dan keputusan tetap berada di tanganmu. Dari sisi pelanggan, rekomendasi seperti ini dapat membuat proses pemesanan terasa lebih praktis.
Sementara bagi merchant, fitur tersebut membuka kesempatan untuk memperkenalkan menu tambahan sekaligus memahami kombinasi produk yang diminati. Lalu, bagaimana sistem rekomendasi bekerja dan bagaimana restoran mengukur hasilnya?
Apa Itu Rekomendasi Menu pada Self-order Kiosk?
Rekomendasi menu pada self-order kiosk adalah fitur yang menampilkan saran produk tambahan ketika pelanggan melakukan pemesanan secara mandiri melalui layar digital.
Saran tersebut dapat berupa makanan pendamping, minuman, dessert, atau pilihan paket. Dalam praktiknya, rekomendasi ini sering digunakan untuk mendukung strategi upselling dan cross-selling.
Upselling mengajak pelanggan memilih versi produk atau paket dengan nilai lebih tinggi. Sementara cross-selling menawarkan produk pelengkap yang relevan dengan pesanan utama.
Misalnya, pelanggan memilih ayam goreng. Kiosk dapat menampilkan pilihan nasi, kentang, atau minuman sebagai tambahan. Tujuannya bukan sekadar menambah jumlah produk dalam keranjang, melainkan membantu pelanggan menemukan kombinasi menu yang sesuai.
Ketika rekomendasi mulai disesuaikan berdasarkan data, teknologi AI dapat membantu restoran mengenali pola pembelian dan menyusun penawaran yang lebih relevan. Supaya lebih mudah dipahami, mari lihat bagaimana pengalaman tersebut berlangsung dari sudut pandang pelanggan.
Baca juga: Salah Hitung Bisa Bikin Rugi! Kenali 4 Faktor Penting dalam Menentukan Harga Menu Restoran
Dari Memilih Menu Utama hingga Mendapatkan Rekomendasi Add-on
Misalnya, kamu datang ke restoran dan ingin membeli burger. Kamu membuka menu pada kiosk, memilih jenis burger, menentukan jumlah pesanan, lalu melanjutkan ke halaman berikutnya.
Sebelum pembayaran, layar menampilkan rekomendasi kentang goreng dan minuman. Ada juga pilihan untuk mengubah pesanan menjadi paket hemat jika restoran menyediakan penawaran tersebut.
Kamu kemudian mempertimbangkan rekomendasi itu. Jika sedang ingin makan lebih lengkap, kamu bisa menambahkan kentang dan minuman. Namun, jika hanya ingin burger, kamu tinggal melewati penawaran tersebut dan melanjutkan pembayaran.
Bagi pelanggan, pengalaman ini terasa seperti mendapatkan saran dari kasir yang memahami menu restoran. Bedanya, seluruh proses berlangsung melalui layar digital.
Dari sisi merchant, setiap interaksi tersebut bisa menjadi sumber informasi. Restoran dapat mempelajari produk apa yang sering dipilih bersama, rekomendasi mana yang paling banyak diterima, dan pada tahap pemesanan mana pelanggan cenderung menambahkan produk.
Namun, rekomendasi yang muncul seharusnya nggak dibuat secara sembarangan. Sistem perlu mempertimbangkan beberapa informasi agar penawaran terasa masuk akal.
Data yang Bisa Dipertimbangkan Sistem AI
Rekomendasi menu dapat disusun dengan mempertimbangkan berbagai data operasional dan pola transaksi. AI bisa membantu menganalisis informasi tersebut untuk menemukan hubungan antara produk yang dipilih pelanggan dan menu tambahan yang berpotensi diminati.
Salah satu informasi utamanya adalah menu yang sedang dipilih. Jika pelanggan memesan burger, sistem dapat mempertimbangkan kentang goreng atau minuman sebagai produk pelengkap.
Namun, jika pelanggan memilih kopi, rekomendasi yang muncul bisa berupa pastry atau makanan ringan. Selain itu, sistem dapat mempelajari kombinasi produk yang sering dibeli bersama.
Misalnya, data transaksi menunjukkan bahwa banyak pelanggan membeli ayam goreng bersama nasi dan teh. Pola tersebut bisa menjadi dasar untuk menampilkan kombinasi serupa kepada pelanggan berikutnya.
Waktu pemesanan juga dapat menjadi pertimbangan. Pada jam makan siang, restoran mungkin ingin menampilkan menu yang sesuai untuk makan utama. Sementara pada sore hari, rekomendasi camilan dan minuman bisa lebih relevan.
Lokasi outlet juga berpotensi memengaruhi rekomendasi. Preferensi pelanggan di satu wilayah belum tentu sama dengan pelanggan di wilayah lain. Karena itu, data transaksi masing-masing outlet dapat membantu restoran memahami pola permintaan setempat.
Faktor lainnya adalah ketersediaan stok. Sistem dapat menggunakan informasi stok untuk membantu menentukan produk yang layak ditawarkan. Dengan begitu, rekomendasi nggak hanya menarik dari sisi penjualan, tetapi juga sesuai dengan kondisi operasional.
Rekomendasi Harus Relevan dan Memperhatikan Ketersediaan Stok
Bayangkan pelanggan baru saja memilih burger, lalu kiosk menawarkan menu yang sedang habis. Pelanggan sudah tertarik, tetapi akhirnya harus mengubah pesanan karena produk tersebut nggak tersedia. Pengalaman seperti ini justru bisa menimbulkan kebingungan.
Karena itu, rekomendasi perlu terhubung dengan informasi ketersediaan menu yang digunakan restoran. Jika kentang goreng sedang habis, sistem sebaiknya nggak menampilkannya sebagai pilihan tambahan.
Relevansi juga perlu diperhatikan. Menawarkan dessert kepada pelanggan yang baru memilih makanan utama mungkin masuk akal. Namun, menampilkan terlalu banyak produk yang nggak berkaitan justru bisa mengganggu proses pemesanan.
Merchant perlu mengatur kategori produk yang dapat direkomendasikan, kombinasi menu yang sesuai, serta kondisi kapan sebuah penawaran ditampilkan. Nah, dengan begitu, AI upselling kiosk restoran dapat mendukung pengalaman pemesanan yang lebih nyaman
Baca juga: Apa Itu Gramasi? Rahasia Takaran Pas untuk Cita Rasa yang Konsisten!
Jangan Sampai Pop-up Memperlambat Checkout
Salah satu keunggulan self-order kiosk adalah memberikan pelanggan kendali untuk memesan secara mandiri. Mereka bisa memilih menu, menyesuaikan pesanan, dan melakukan pembayaran tanpa harus menunggu kasir mencatat setiap item.
Namun, terlalu banyak rekomendasi dapat menghilangkan keunggulan tersebut. Jika setiap halaman menampilkan pop-up, pelanggan harus melewati banyak penawaran sebelum mencapai pembayaran.
Akibatnya, waktu pemesanan bisa menjadi lebih lama. Antrean di area kiosk pun berpotensi menumpuk, terutama saat jam makan siang atau akhir pekan.
Oleh sebab itu, restoran perlu menentukan titik rekomendasi yang paling tepat. Misalnya, satu penawaran setelah pelanggan memilih menu utama dan satu penawaran tambahan sebelum checkout jika memang relevan.
Gunakan kalimat yang singkat, visual produk yang jelas, serta pilihan untuk menerima atau melewati rekomendasi. Pengalaman pelanggan tetap menjadi prioritas.
Setelah rekomendasi diterapkan, pekerjaan merchant belum selesai. Restoran perlu membuktikan apakah fitur tersebut benar-benar memberikan dampak terhadap transaksi.
Ukur Hasil dari Rekomendasi yang Diterima dan Nilai Transaksi
Jangan langsung menganggap fitur rekomendasi berhasil hanya karena kiosk menampilkan banyak penawaran. Merchant perlu mengukur berapa banyak pelanggan yang benar-benar menerima rekomendasi tersebut.
Salah satu metrik yang bisa digunakan adalah recommendation acceptance rate atau tingkat penerimaan rekomendasi. Perhitungannya dapat dilakukan dengan membandingkan jumlah rekomendasi yang diterima dengan jumlah rekomendasi yang ditampilkan.
Contohnya, kiosk menampilkan rekomendasi kentang goreng sebanyak 1.000 kali. Dari jumlah tersebut, 250 pelanggan menambahkannya ke pesanan. Tingkat penerimaannya adalah: 250 ÷ 1.000 × 100% = 25%.
Artinya, 25% dari rekomendasi yang ditampilkan berhasil diterima pelanggan. Selain itu, restoran perlu memantau average order value (AOV) atau nilai transaksi rata-rata.
Bandingkan nilai transaksi sebelum dan sesudah rekomendasi diterapkan. Perhatikan juga jumlah item per transaksi dan kontribusi penjualan produk tambahan.
Namun, perubahan AOV belum tentu sepenuhnya disebabkan oleh rekomendasi AI. Faktor lain seperti promo, perubahan harga, musim, dan jumlah pengunjung juga bisa memengaruhi hasilnya.
Uji Kombinasi Menu untuk Menemukan Rekomendasi Terbaik
Setiap restoran memiliki karakter pelanggan yang berbeda. Kombinasi menu yang berhasil di satu outlet belum tentu memberikan hasil serupa di outlet lain. Misalnya, restoran ingin menguji dua rekomendasi untuk menu burger.
Pilihan pertama menawarkan kentang goreng. Pilihan kedua menawarkan kentang goreng dan minuman dalam bentuk paket. Restoran dapat membandingkan tingkat penerimaan, nilai transaksi, serta waktu penyelesaian pesanan dari kedua pilihan tersebut.
Pengujian juga bisa dilakukan pada jenis menu lain. Pelanggan yang memilih ayam goreng mungkin lebih tertarik pada nasi dan minuman. Sementara pelanggan yang membeli kopi bisa jadi lebih tertarik menambahkan pastry.
Lakukan pengujian dalam periode dan kondisi yang cukup sebanding. Jangan langsung mengganti seluruh rekomendasi hanya berdasarkan hasil satu hari. Data yang lebih konsisten akan memberikan gambaran yang lebih berguna.
Peran Manusia Tetap Penting dalam Strategi Rekomendasi
AI dapat membantu menganalisis transaksi dan menemukan kombinasi produk yang sering dibeli bersama. Namun, sistem tetap membutuhkan arahan dari merchant agar rekomendasi sesuai dengan strategi restoran.
Tim pemasaran dapat menentukan menu yang ingin diperkenalkan. Tim operasional memastikan stok dan kapasitas dapur mencukupi. Sementara manajemen keuangan dapat mengevaluasi apakah produk yang direkomendasikan memiliki margin yang sesuai.
Misalnya, sebuah menu memiliki tingkat penerimaan tinggi, tetapi margin keuntungannya sangat tipis. Merchant perlu mempertimbangkan apakah produk tersebut memang tepat dijadikan fokus rekomendasi.
Begitu pula ketika restoran sedang memperkenalkan menu baru. Data transaksi mungkin belum cukup untuk menunjukkan pola pembelian. Dalam situasi ini, tim dapat menentukan penawaran berdasarkan strategi pemasaran dan mengevaluasi hasilnya setelah berjalan.
FAQ Seputar Rekomendasi Menu AI pada Kiosk
1. Apa fungsi AI dalam rekomendasi menu kiosk?
AI dapat membantu menganalisis pola transaksi dan hubungan antarproduk untuk menyusun rekomendasi menu tambahan yang relevan bagi pelanggan.
2. Apakah AI bisa menentukan rekomendasi berdasarkan menu yang dipilih?
Bisa. Sistem dapat menggunakan menu yang sedang dipilih sebagai salah satu dasar untuk menawarkan produk pelengkap, seperti kentang goreng untuk burger.
3. Bagaimana cara mengetahui rekomendasi AI berhasil?
Restoran dapat memantau tingkat penerimaan rekomendasi, perubahan nilai transaksi rata-rata, jumlah item per transaksi, dan kontribusi penjualan menu tambahan.
4. Apakah semua rekomendasi harus ditentukan oleh AI?
Nggak. Merchant tetap perlu menentukan strategi, memilih produk yang layak ditawarkan, dan memastikan rekomendasi sesuai dengan kondisi stok serta operasional.
Kesimpulan
Rekomendasi menu pada self-order kiosk membantu restoran menawarkan produk tambahan berdasarkan konteks pesanan dan pola pembelian pelanggan. Dari sisi pelanggan, fitur ini dapat mempermudah pencarian kombinasi menu.
Dari sisi merchant, data interaksi dapat digunakan untuk mengevaluasi strategi upselling. Namun, keberhasilannya nggak cukup diukur dari jumlah rekomendasi yang muncul.
Restoran perlu memperhatikan tingkat penerimaan, perubahan nilai transaksi, relevansi produk, dan kelancaran proses checkout. Pada akhirnya, AI upselling kiosk restoran akan lebih bermanfaat ketika digunakan untuk memahami kebutuhan pelanggan.
Jadi, restoran membutuhkan self-order kiosk yang mendukung peluang penjualan tambahan melalui pemesanan yang praktis. Kenali solusi KIOSK dari ESB melalui ESB KIOSK untuk melihat bagaimana teknologi pemesanan mandiri dapat mendukung operasional dan strategi penjualan restoran kamu
