BNPL, AI & Strategi Runcit Baharu Hujung Tahun

BNPL melonjak hujung tahun – dan kenapa AI jadi kunci

Menjelang penghujung 2025, satu angka sedang buat ramai pemain runcit besar gelisah: hampir tiga perempat pengguna global dijangka membawa hutang musim perayaan ke tahun depan, dan kajian Sooth menjangka kadar gagal bayar BNPL boleh melonjak sehingga 50% pada Q1 2026.

Dalam masa yang sama, gergasi seperti Walmart menambah jenama gaya hidup seperti Anthropologie ke kampus HQ mereka, sementara jenama lain berperang dengan margin tipis dan jualan yang mendatar. Corak yang sama muncul berulang kali: tingkah laku pengguna makin kompleks, dan keputusan runcit tak lagi boleh bergantung pada “rasa” semata-mata.

Di sinilah AI masuk. Bukan sebagai slogan pemasaran, tapi sebagai “otak” yang membaca data pembayaran, minat jenama, dan pola perbelanjaan untuk membantu peruncit dan marketplace membuat keputusan yang lebih tepat – dari kredit BNPL sampai susun rak di stor.

Artikel ini kupas:

• Bagaimana BNPL sedang mengubah corak belanja musim perayaan
• Apa yang boleh AI buat untuk kawal risiko dan tingkat konversi
• Apa yang kita boleh belajar daripada langkah Walmart & pemain besar lain
• Tindakan praktikal untuk rantaian runcit besar dan marketplace di Malaysia

---

1. BNPL sebagai cermin tekanan kewangan pengguna

BNPL (beli sekarang, bayar kemudian) bukan lagi ciri tambahan dalam checkout. Ia sudah jadi salah satu penentu utama kadar konversi, terutama untuk kategori nilai tinggi seperti elektronik, fesyen premium dan perabot.

Data dari artikel asal menunjukkan:

• Perbelanjaan kad kredit/debit hanya naik 1.3% YoY pada November, berbanding 2.4% pada Oktober.
• Penggunaan BNPL pula meningkat, walaupun kad kredit tak naik mendadak.

Ini beri dua petunjuk penting:

1. Pengguna mahukan fleksibiliti, bukan semestinya menambah hutang kad kredit tradisional.
2. BNPL makin dilihat sebagai alat “urus aliran tunai” jangka pendek, bukannya hanya pembiayaan kecemasan.

Risiko sebenar: hutang tersebar, data berpecah

Masalahnya, dari sudut peruncit dan BNPL provider:

• Hutang pengguna kini berpecah di banyak platform BNPL.
• Ramai pembeli tak sedar jumlah komitmen sebenar sebab setiap transaksi nampak “kecil”.
• Ramalan Sooth bahawa gagal bayar BNPL boleh naik 50% pada Q1 2026 menunjukkan risiko ini sedang terkumpul, bukan hilang.

Untuk peruncit, ini bukan sekadar isu kewangan BNPL provider. Kegagalan bayar bermaksud:

• Kos fraud & caj balik boleh meningkat.
• Reputasi kedai (terutama marketplace) terjejas bila pengguna rasa “terperangkap hutang”.
• Lifetime value (LTV) pelanggan turun bila mereka berhenti membeli kerana tersekat dengan komitmen ansuran.

Ringkasnya: BNPL meningkatkan jualan jangka pendek, tapi boleh merosakkan kesihatan pelanggan dan jenama jika tak diurus dengan data dan AI.

---

2. Di mana AI bantu: dari skor risiko ke personalisasi checkout

AI yang betul tak sekadar “benarkan atau tolak” BNPL. Ia boleh membina satu lapisan kecerdasan di atas semua data pembayaran – kad, e-dompet, BNPL – untuk bantu peruncit buat keputusan yang lebih bijak.

a) Penilaian risiko BNPL masa nyata

Untuk rantaian runcit besar atau marketplace, integrasi AI di peringkat pembayaran boleh:

• Gabung data tingkah laku: kekerapan lawatan, corak browse, masa di setiap produk, kategori yang kerap ditengok.
• Padankan dengan sejarah transaksi: nilai purata troli, kekerapan pulangan barang, insiden fraud.
• Hasilkan skor risiko masa nyata di belakang tabir, sebelum menunjukkan opsyen BNPL kepada pengguna.

Praktiknya:

• Pelanggan berisiko rendah: tunjukkan pelan BNPL lebih panjang (3–6 bulan), mungkin dengan kadar faedah lebih baik.
• Pelanggan sederhana: hadkan nilai transaksi BNPL, atau pelan lebih pendek.
• Pelanggan berisiko tinggi: tawarkan alternatif seperti diskaun bayaran penuh, e-dompet, atau kad debit – tanpa memalukan pengguna di depan skrin.

Ini jauh lebih baik daripada pendekatan “semua orang nampak BNPL yang sama” yang banyak kedai masih guna.

b) Checkout yang dipersonalisasi

Saya sering nampak checkout yang penuh dengan logo: kad kredit, FPX, e-dompet, BNPL A, BNPL B. Secara psikologi, ini boleh melambatkan keputusan dan menurunkan konversi.

AI boleh:

• Kenal pasti cara bayaran kegemaran pelanggan dari sejarah mereka.
• Susun 2–3 pilihan teratas di permukaan, dan sembunyikan yang lain di bawah butang “Lagi kaedah bayaran”.
• Uji A/B secara automatik: susunan pembayaran mana yang berikan konversi tertinggi dan kadar refund terendah untuk setiap segmen.

Hasilnya:

• Halaman checkout lebih bersih, pantas, dan fokus.
• BNPL hanya muncul bila benar-benar relevan dan sihat untuk pelanggan tersebut.

c) Ramalan permintaan & pengurusan stok

Corak ini selalu berulang:

• BNPL naik → order naik untuk kategori tertentu → stok tak cukup atau terlebih → margin tergigit oleh diskaun akhir musim atau kos lost sales.

AI untuk peramalan inventori boleh guna:

• Data penggunaan BNPL mengikut kategori & jenama,
• Musim (contoh hujung tahun, Raya, back-to-school),
• Promosi serentak (flash sale, influencer campaign),

untuk meramal permintaan granular di peringkat SKU dan cawangan.

Contoh penggunaan untuk peruncit besar di Malaysia:

• Kategori elektronik yang digemari BNPL (TV besar, telefon flagship) dipastikan cukup stok di hub bandar besar sepanjang promosi.
• Fesyen premium yang banyak dibeli guna BNPL dipindahkan stoknya ke stor dan dark store yang dekat kawasan bandar berpendapatan sederhana-tinggi.

Ini terus menghubungkan data pembayaran dengan keputusan operasi, bukan hanya berhenti di tahap marketing.

---

3. Walmart, Anthropologie dan trend “kurasi berasaskan data”

Walmart menambah Anthropologie ke barisan runcit di kampus HQ mereka di Bentonville, bersama Starbucks dan Chipotle. Pada permukaan, ia nampak macam cerita PR: “kami mahu suasana kerja yang menyeronokkan.”

Tapi dari lensa strategi runcit, langkah ini menceritakan beberapa perkara penting:

1. Kurasi jenama untuk gaya hidup tertentu.
   • Starbucks dan Chipotle jaga keperluan harian (makan, kopi).
   • Anthropologie tambah unsur aspirasi: fesyen, dekor rumah, hadiah.

1. Data tingkah laku komuniti tertutup.

   • Kampus HQ ialah “makmal hidup” untuk uji bagaimana pekerja (yang juga pengguna sebenar) respon terhadap harga, produk, dan susun atur kedai.

2. Isyarat kepada dunia: pengalaman fizikal masih penting.

   • Di era e-dagang, Walmart masih melabur dalam konsep fizikal yang kuat identitinya.

Apa kaitan dengan AI untuk runcit & marketplace lain?

Rantaian runcit di Malaysia mungkin tak punya kampus sebesar Walmart, tapi prinsipnya sama: kurasi produk & jenama berdasarkan data, bukan hanya “rasa cantik”.

AI boleh bantu:

• Kenal pasti jenama pelengkap berdasarkan troli sebenar pelanggan.
  • Contoh: pelanggan yang sering beli barangan rumah premium + buku hiasan mungkin minat koleksi dekor artis tempatan.
• Simulasikan kesan masuknya jenama baru ke dalam ekosistem.
  • Bagaimana ia mengubah average order value?
  • Adakah ia “kanibal” jenama sedia ada atau benar-benar tambah nilai?
• Rancang layout stor & homepage untuk maksimumkan cross-sell.

Apa yang Walmart buat secara fizikal di Bentonville, peruncit Malaysia boleh lakukan melalui:

• Zon-gaya hidup di stor fizikal (contoh: sudut “Rumah Minimalis Melayu Moden” sebelum Raya).
• Koleksi tematik di laman utama e-dagang, yang berubah mengikut musin, data BNPL, dan tren sosial.

Semua ini jauh lebih kuat bila disandarkan pada model AI yang membaca data pembelian sebenar, bukan sekadar mood board Pinterest.

---

4. Dari angka jualan ke kesihatan jenama: pelajaran dari Designer Brands

Designer Brands melaporkan:

• Jualan bersih Q3 turun 3.2%,
• Komps turun 2.4%,
• Tapi operating profit naik ke USD42.7 juta dan mereka berjaya membayar USD47 juta hutang.

Maknanya apa?

• Mereka sedang mengutamakan kualiti jualan berbanding kuantiti, fokus pada produk dan saluran yang lebih menguntungkan.
• Ini bertentangan dengan obsesi biasa runcit: “asalkan revenue naik, semua ok.”

AI boleh menyokong strategi sebegini dengan:

1. Segmentasi pelanggan berasaskan margin, bukan hanya revenue.

   • Pelanggan yang kerap beli tapi sentiasa pulangkan barang mungkin sebenarnya rugikan syarikat.
   • Pelanggan yang beli jarang tapi setia pada kategori bernilai tinggi perlu diutamakan dalam personalisasi.

2. Analitik promosi berasaskan keuntungan.

   • Algoritma harga dinamik yang bukan sahaja kira demand, tapi juga margin dan impak jangka panjang terhadap persepsi jenama.

3. Model LTV (lifetime value) yang realistik.

   • Gabung data pembayaran, jenis produk, kekerapan pulangan, dan respon email/push untuk meramalkan LTV.
   • Guna LTV sebagai asas perbelanjaan iklan dan insentif, bukan sekadar “kos per akuisisi”.

Bagi peruncit di Malaysia, ini sangat relevan dalam suasana kos operasi naik dan pengguna semakin berhati-hati. Fokus patut beralih daripada mengejar volum diskaun kepada membina portfolio pelanggan yang sihat.

---

5. Langkah praktikal untuk peruncit & marketplace di Malaysia

Berikut beberapa tindakan nyata yang boleh diambil dalam 3–6 bulan akan datang untuk gabungkan BNPL dan AI dengan lebih bijak.

1) Audit BNPL dan data pembayaran sedia ada

• Senaraikan semua BNPL/e-dompet/kad yang anda tawarkan.
• Ukur:
  • Kadar konversi mengikut kaedah pembayaran,
  • Nilai purata troli,
  • Kadar refund & caj balik,
  • Margin selepas yuran pembayaran.
• Kenal pasti kategori yang paling banyak guna BNPL – itu target utama untuk analitik AI.

2) Mulakan model risiko asas (walau dengan data mudah)

Tak perlu tunggu data yang “sempurna”. Mula dengan:

• Sejarah transaksi (jumlah, kekerapan, kategori),
• Data tingkah laku asas (lawatan, klik, masa di laman),
• Label ringkas: berjaya bayar / gagal bayar / refund kerap.

Guna model pembelajaran mesin ringkas (logistic regression, gradient boosting) untuk:

• Skor risiko pelanggan pada hari mereka checkout,
• Uji peraturan mudah: siapa boleh lihat pilihan BNPL penuh, siapa hanya lihat opsyen pendek.

3) Personalisasi susunan pembayaran di checkout

• Kenal pasti 2–3 kaedah pembayaran paling sihat untuk setiap segmen (konversi tinggi, risiko rendah).
• Guna sistem recommendation untuk susun semula butang pembayaran secara dinamik.
• Pantau hasilnya selama 4–8 minggu: kadar troli ditinggalkan, nilai pesanan, aduan pelanggan.

4) Sambungkan data pembayaran ke peramalan stok

• Tandakan pesanan BNPL dalam sistem inventori.
• Analisis: adakah pesanan BNPL cenderung kepada kategori/stor tertentu?
• Guna insight ini untuk adjust peramalan permintaan dan pengagihan stok, terutamanya untuk musim puncak seperti Tahun Baru Cina dan Raya.

5) Bentuk “lab mini” seperti Walmart, versi anda

Walaupun tak ada kampus besar, anda boleh:

• Pilih 1–2 stor utama atau “fitur istimewa” di app sebagai zon eksperimen.
• Cuba kurasi:
  • Koleksi produk gaya hidup,
  • Penempatan jenama baharu tempatan,
  • Susunan kategori yang lebih mengikut gaya hidup (contoh: sudut “Rumah Pertama Pengantin Baru”).
• Gunakan AI untuk ukur impak percubaan ini terhadap:
  • Nilai troli,
  • Cross-sell per pesanan,
  • Kekerapan kunjungan semula.

---

Menyusun strategi 2026: BNPL sebagai isyarat, AI sebagai enjin

BNPL bukan masalah, sama seperti kad kredit bukan musuh. Yang jadi masalah bila peruncit buta terhadap data: siapa guna BNPL, untuk apa, dan bagaimana ia mempengaruhi kesihatan kewangan pelanggan dalam jangka masa panjang.

Walmart yang menambah Anthropologie, Designer Brands yang kejar profit walau jualan turun – semua ini menunjuk kepada arah yang sama: runcit masa depan bergantung pada keputusan yang disokong data dan AI, bukan intuisi semata-mata.

Bagi rantaian runcit besar dan marketplace di Malaysia, 2026 patut jadi tahun di mana:

• BNPL dilihat sebagai sumber insight tingkah laku, bukan hanya kaedah pembayaran tambahan.
• AI dijadikan lapisan otak untuk risiko, personalisasi checkout, dan peramalan stok.
• Kurasi jenama dan pengalaman belian – fizikal mahupun digital – berpaksikan data sebenar pelanggan Malaysia.

Soalannya sekarang bukan lagi “perlu guna AI atau tidak?”, tapi: berapa lama lagi anda selesa membuat keputusan runcit bernilai berjuta ringgit tanpa otak yang membaca semua isyarat dari BNPL, kad, dan tingkah laku pelanggan anda?