Kes muflis Value City Furniture tunjuk kenapa model runcit lama tak cukup lagi. Inilah bagaimana AI untuk ramalan, inventori dan kos boleh elak nasib yang sama.
Pada 2025 sahaja, lebih 40 peruncit besar di AS terlibat dalam proses muflis, termasuk pemilik Value City Furniture, American Signature Inc. Angka ini bukannya jauh dengan realiti global: model peruncitan tradisional yang terlalu bergantung kepada sewa kedai besar, inventori berat dan keputusan manual makin rapuh bila permintaan berubah pantas dan margin semakin nipis.
Inilah konteks muflis American Signature, yang kini sedang hangat diperdebatkan kerana bidaan “stalking horse” daripada keluarga pengasas Schottenstein dan potensi pelupusan besar-besaran rangkaian kedai mereka. Di sebalik drama mahkamah dan bantahan pemiutang, ada satu persoalan yang lebih relevan untuk pemain runcit dan e-dagang di Malaysia:
Jika syarikat seperti Value City lebih matang dalam penggunaan data dan AI, adakah mereka masih berakhir di mahkamah muflis?
Saya cenderung kata: kemungkinan besar tidak. Dalam artikel ini, kita gunakan kes Value City sebagai cermin – bukan untuk gosip korporat – tapi untuk faham bagaimana AI untuk runcit, e-dagang dan juga pembuatan elektronik/automotif boleh mengelak jalan buntu yang sama.
1. Apa Yang Berlaku Dengan Value City Furniture?
Ringkasnya: Value City Furniture dan American Signature Furniture, di bawah American Signature Inc., memohon perlindungan muflis dan berdepan rancangan pelupusan rangkaian kedai, sambil pemiutang tidak berpuas hati dengan cara proses jual beli dikendalikan.
Beberapa poin penting daripada kes ini:
- American Signature ditubuhkan pada 1948, dimiliki dan diurus keluarga Schottenstein.
- Pada 11/2025, syarikat memfailkan muflis (Chapter 11) di AS akibat tekanan pasaran perumahan yang “teruk” dan beban hutang yang tinggi.
- Satu bidaan “stalking horse” hampir USD147.9 juta dicadangkan oleh entiti yang juga dimiliki keluarga Schottenstein sendiri.
- Rancangan jual beli tersebut membayangkan pelupusan rangkaian kedai (chainwide liquidation) – lebih kepada menutup dan menghabiskan stok daripada menyelamatkan operasi.
- Pemiutang tidak bercagar yang menanggung lebih USD230 juta hutang menentang rancangan ini. Mereka mahukan penjualan sebagai going concern (bisnes diteruskan) atau penstrukturan semula yang lebih adil.
Antara bantahan utama pemiutang:
- Proses jualan terlalu pantas (lebih kurang 4 minggu) dan berlaku ketika musim cuti hujung tahun, sukar untuk tarik pembida lain yang serius.
- Dana pembiayaan sementara (DIP financing) hanya USD8 juta – terlalu kecil untuk beri ruang strategi pemulihan yang lebih baik.
- Konflik kepentingan: keluarga Schottenstein bukan sahaja pembida, tetapi juga mengawal pemberi pinjaman ABL sebelum muflis, pemberi pinjaman DIP, dan pihak pelupus yang dicadangkan.
Di permukaan, ini nampak seperti kisah undang-undang dan tadbir urus korporat. Tetapi di belakang semua itu biasanya ada isu yang jauh lebih asas: inventori, kos operasi, dan keupayaan membaca arah pasaran dengan tepat. Di sinilah AI sepatutnya bermain peranan – jika ia diambil serius dari awal.
2. Punca Tersirat: Inventori, Kos & Ramalan Yang Lemah
Kebanyakan peruncit tidak tumbang kerana “satu keputusan besar yang silap”, tetapi kerana beribu keputusan kecil yang salah tentang inventori, harga, promosi dan kos – selama bertahun-tahun.
Dalam kes Value City, beberapa faktor tipikal peruncit tradisional jelas kelihatan:
2.1 Inventori besar, permintaan tak menentu
Perabot ialah kategori dengan:
- Nilai unit tinggi
- Kitaran pembelian panjang (orang beli sofa beberapa tahun sekali)
- Kos storan dan logistik tinggi (besar dan berat)
Kalau ramalan permintaan salah 10–20%, kesannya bukan kecil:
- Stok berlebihan (overstock) – gudang penuh barang yang bergerak perlahan, wang tunai terkunci dalam inventori.
- Discount agresif – untuk cuci stok, margin hancur.
- Stok kekurangan (stock-out) pada produk “hot” – pelanggan lari ke pesaing atau membeli di platform e-dagang.
Tanpa sistem ramalan berasaskan AI, ramai peruncit bergantung pada:
- “Intuisi” pembeli dan pengurus kategori
- Data sejarah kasar (jualan tahunan lepas) tanpa memodelkan trend makro seperti kadar faedah, pasaran hartanah, saiz rumah, mahupun tingkah laku carian dalam talian.
Bila krisis perumahan melanda, permintaan perabot merosot lebih cepat daripada jangkaan. Jika model AI digunakan untuk menggabungkan data ekonomi makro, trend carian digital dan data jualan dalaman, amaran awal boleh nampak berbulan-bulan lebih awal.
2.2 Struktur kos dan rangkaian kedai
Rangkaian kedai Value City besar – purata keluasan 50,000 kaki persegi, merentas 12 negeri. Dalam persekitaran kos sewa dan tenaga meningkat, setiap kedai perlu diurus seperti “mini P&L”, bukan sekadar titik jualan.
Tanpa analitik lanjutan, keputusan seperti:
- tutup / kecilkan kedai mana dahulu,
- pindah kedai ke lokasi lebih murah,
- jadikan sebahagian lokasi sebagai hub omnichannel (pickup & fulfilment),
sering dibuat lambat dan reaktif. Bila kedai mula rugi, tindakan diambil hanya selepas beberapa suku tahun, bukannya berdasarkan simulasi senario awal.
2.3 Kitaran keputusan yang lambat
Objection pemiutang juga mendedahkan sesuatu yang kritikal: syarikat hanya melantik penasihat kewangan dan pelabur bank beberapa minggu sebelum pemfailan muflis. Ini tanda pengurusan selama ini lebih reaktif daripada proaktif.
Dalam dunia di mana AI boleh memberi “nadi kewangan” syarikat secara harian atau mingguan, sikap tunggu-dan-lihat sebegini memang mengundang bahaya.
3. Bagaimana AI Boleh Mengubah Trajektori Peruncit
Jika kita reka bentuk semula perjalanan Value City dengan AI sebagai otak keputusan, jalan cerita mungkin sangat berbeza. Tiga bidang paling penting:
3.1 Ramalan permintaan pintar (AI demand forecasting)
Model ramalan berasaskan pembelajaran mesin boleh:
- Menggabungkan data jualan sejarah, promosi, musim, lokasi, cuaca, dan data ekonomi seperti kadar faedah dan transaksi hartanah.
- Mengesan “perubahan rejim” – contohnya apabila pasaran perumahan mula perlahan berbanding trend 3–5 tahun sebelumnya.
- Menjana ramalan mengikut SKU, kedai, bahkan saiz atau warna tertentu.
Untuk peruncit besar atau pengeluar dalam sektor elektronik, automotif dan semikonduktor, kelebihan ini terasa seperti:
- Pengurangan stok berlebihan 20–40% dalam beberapa kajian industri.
- Peningkatan pusingan inventori (inventory turns), bermaksud lebih banyak jualan untuk modal kerja yang sama.
Di Malaysia, pemain e-dagang seperti Shopee dan Lazada sudah guna AI untuk cadangan produk, penentuan harga dinamik dan logistik. Peruncit fizikal yang masih merancang menggunakan Excel memang tertinggal jauh.
3.2 Pengoptimuman rangkaian kedai dan gudang
AI untuk pengoptimuman rangkaian boleh menjawab soalan:
“Bagaimana kalau kita tutup 10 kedai terburuk dan jadikan 5 kedai strategik sebagai hub fulfilment untuk pesanan dalam talian?”
Dengan model pengoptimuman berbilang senario, pengurusan boleh:
- Simulasi kos sewa, tenaga, tenaga kerja dan logistik untuk 2–3 tahun ke depan.
- Nampak kesan ke atas masa penghantaran, pengalaman pelanggan dan margin.
- Mengenal pasti kedai yang wajar dikurangkan, dipindah atau ditukar fungsi.
Bagi sektor pembuatan elektronik dan automotif, konsep ini hampir sama dengan pengoptimuman rangkaian kilang dan pusat pengedaran. Syarikat seperti Intel, Infineon atau Dyson menggunakan AI untuk putuskan:
- komponen apa dikeluarkan di kilang mana,
- stok keselamatan (safety stock) di setiap node,
- laluan logistik yang paling kos efektif.
Peruncit besar sepatutnya mengambil pendekatan yang serupa, bukan sekadar melihat kedai sebagai “kos tetap yang tidak boleh disentuh”.
3.3 Penetapan harga dan promosi berasaskan data
Peruncit tradisional cenderung buat promosi besar-besaran di hujung tahun dan musim perayaan, kadang-kadang tanpa analisis mendalam tentang:
- produk mana patut diberi diskaun,
- berapa kadar diskaun optimum,
- apakah kesan jangka panjang kepada persepsi jenama.
Dengan AI:
- Setiap SKU boleh diberi harga dinamik mengikut tahap stok, permintaan dan sensitiviti harga pelanggan.
- Promosi boleh diperibadikan berdasarkan segmen pelanggan, bukannya satu baucar sama untuk semua.
- Impak setiap kempen promosi diukur dengan jelas – bukan sekadar “jualan naik sikit”.
Kalau Value City ada lapisan AI pricing yang kukuh, pelupusan stok mungkin dibuat lebih awal, lebih terancang, dan tak sampai tahap terpaksa guna pelupus luar selepas muflis.
4. Menghubungkan Runcit dan Pembuatan: AI Sebagai Rantaian Penuh
Siri “AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)” biasanya fokus pada kilang: robotik, visi komputer untuk kawalan kualiti, dan sistem kilang pintar. Tapi realitinya, kilang dan runcit ialah satu rantaian yang sama.
Kisah Value City menunjukkan apa yang berlaku bila rantaian ini tidak disambung dengan data:
- Kilang menghasilkan produk berdasarkan forecast kasar.
- Pusat pengedaran menyimpan stok tanpa pandangan jelas permintaan hujung.
- Kedai sarat inventori yang pelanggan tak mahu.
- Akhirnya, semua pihak – pengeluar, pengedar, peruncit, dan pemiutang – menanggung kos.
Dalam model ideal berasaskan AI:
- Pengeluar elektronik / automotif / semikonduktor menggunakan AI untuk meramal permintaan OEM dan pasaran akhir.
- Peruncit dan e-dagang berkongsi data jualan sebenar, carian, klik dan pulangan (returns) secara hampir masa nyata.
- Model AI di kedua-dua pihak dihubungkan – contohnya melalui platform rantaian bekalan berasaskan awan – jadi pelarasan pengeluaran dan penghantaran boleh dibuat segera.
Kesan praktikal untuk syarikat di Malaysia:
- Pengeluar di Penang atau Kulim Hi-Tech Park boleh selaras output dengan permintaan runcit global.
- Peruncit elektronik tempatan boleh pastikan stok model TV, laptop atau telefon yang “hot” sentiasa cukup, tapi tak berlebihan.
- Risiko situasi “Gudang penuh tapi pelanggan tak beli” dikurangkan ketara.
Bila rantaian penuh ini tidak dioptimumkan, kesannya berkait dari kilang sampai ke mahkamah muflis – seperti yang kita lihat dalam kes American Signature.
5. Langkah Praktikal: Dari Excel ke Ekosistem AI Runcit
Bagi pengurus runcit, e-dagang dan pembuatan yang membaca ini, soalan penting bukan lagi “perlu guna AI atau tidak?”, tetapi “mula dari mana, dan bagaimana elak kesilapan Value City?”.
Beberapa langkah praktikal yang saya nampak berkesan:
5.1 Audit data dan proses sedia ada
Sebelum membeli apa-apa platform AI mahal:
- Senaraikan semua sumber data: POS, e-dagang, ERP, WMS, sistem kilang, data pemasaran.
- Tanda mana yang bersih, konsisten dan boleh dipercayai.
- Kenal pasti keputusan utama yang kini dibuat secara manual: perancangan inventori, pembukaan/tutup kedai, jadual pengeluaran, promosi.
Di sinilah anda nampak jurang paling besar antara apa yang anda rasa anda tahu, dan apa yang data sebenar tunjuk.
5.2 Mulakan dengan satu atau dua kes guna bernilai tinggi
Contohnya:
- Untuk peruncit / e-dagang: ramalan permintaan SKU utama dan pengoptimuman stok gudang pusat.
- Untuk pengeluar elektronik / automotif: perancangan kapasiti barisan pengeluaran berdasarkan ramalan pesanan 3–6 bulan.
Jangan cuba “AI-kan” semua benda serentak. Pilih projek yang kesannya jelas kepada P&L dalam 6–12 bulan.
5.3 Integrasi runcit–pembuatan
Jika anda ada kedua-dua operasi pembuatan dan runcit (atau rakan strategik dalam rantaian):
- Wujudkan dashboard bersama yang menunjukkan ramalan permintaan, tahap stok dan kapasiti pengeluaran.
- Gunakan model AI yang boleh mensimulasikan senario: “kalau kita kurangkan pengeluaran 15% untuk model X, apa kesannya pada stok di kedai dan jualan?”
Inilah beza antara syarikat yang nampak ribut dari jauh dan sempat cari perlindungan, berbanding syarikat yang hanya sedar bila atap sudah tercabut.
5.4 Budaya keputusan berasaskan data
Teknologi tanpa perubahan cara kerja tak banyak membantu. Lembaga pengarah dan pengurusan perlu:
- Jadikan metrik seperti pusingan inventori, kadar pulangan (return rate), kos pemilikan stok (carrying cost) sebagai KPI utama.
- Tanya soalan “Apa yang data kata?” sebelum luluskan pembukaan kedai, pembelian stok besar atau kempen promosi besar-besaran.
Dalam kes American Signature, keputusan besar hanya dibuat bila pemiutang sudah bising. Syarikat yang matang AI biasanya mengambil tindakan “pembetulan kecil” jauh lebih awal – tambah atau kurangkan stok, ubah promosi, atau pelarasan harga – sebelum kerosakan terkumpul.
Penutup: Elak Jalan Muflis Dengan AI Yang Serius
Kisah Value City Furniture bukan sekadar berita muflis di AS. Ia amaran jelas kepada semua pemain runcit, e-dagang dan juga pengeluar dalam industri elektronik, automotif dan semikonduktor: model lama yang bergantung pada intuisi dan laporan bulanan memang tak cukup lagi.
AI untuk ramalan permintaan, pengurusan inventori, pengoptimuman rangkaian dan penetapan harga bukan lagi “projek futuristik”, tetapi asas survival. Syarikat-syarikat besar dalam pembuatan di Malaysia sudah mula membuktikan perkara ini di kilang; langkah seterusnya ialah menyambungkan kecerdasan yang sama hingga ke hujung runcit.
Kalau anda tak mahu kisah syarikat anda berakhir di meja pemiutang seperti American Signature, sekarang masa paling sesuai – sebelum tahun kewangan baru bermula – untuk semak semula strategi data dan AI anda.
Soalannya: adakah anda masih selesa dengan Excel dan “rasa hati”, atau sudah bersedia biarkan AI jadi sistem amaran awal yang melindungi bisnes anda 3–5 tahun ke depan?