Google perkenal Vision Match untuk carian fesyen berasaskan AI. Apa maknanya untuk peruncit & marketplace Malaysia, dan bagaimana anda boleh mula ikut jejak ini?
AI Fashion Search Google: Masa Depan Belian Pakaian
Kebanyakan peruncit besar obses dengan diskaun dan iklan, tapi mereka lupa satu perkara asas: pelanggan sebenarnya tak suka “shopping”, mereka suka dapat barang yang tepat, cepat. Di situlah AI mula mengubah cara kita beli pakaian.
Pelancaran ciri baharu Google Shopping, “Vision Match”, adalah satu contoh jelas. Daripada hanya taip kata kunci seperti “baju kurung moden hitam”, pengguna kini boleh taip apa sahaja gaya yang ada dalam kepala – atau gabung dengan imej – dan AI akan cadangkan pakaian yang hampir tepat dengan idea tersebut. Pada masa yang sama, Google turut mengembangkan ciri AR beauty dan virtual try-on.
Untuk pemain e-dagang besar di Malaysia – dari rangkaian pasar raya sehinggalah marketplace seperti Shopee, Lazada dan TikTok Shop – ini bukan sekadar berita teknologi. Ini amaran awal: cara orang mencari dan membeli pakaian sedang berubah secara agresif, dipandu oleh AI dan visual search, bukan lagi hanya kotak carian biasa.
Artikel ini huraikan apa sebenarnya Vision Match, kenapa ia penting untuk runcit & e-dagang, dan bagaimana peruncit besar boleh ambil peluang – bukan hanya tengok Google memonopoli inovasi.
Apa Itu Vision Match di Google Shopping?
Vision Match ialah ciri carian fesyen berasaskan AI dalam tab Google Shopping yang menukar idea fesyen pengguna kepada cadangan produk yang mirip.
Daripada ringkasan umum Google:
- Pengguna boleh taip dengan kata-kata sendiri gaya yang mereka bayangkan
- AI akan mencari dan memadankan pakaian yang hampir sama daripada katalog rakan niaga
- Google turut mengembangkan ciri AR dan virtual try-on untuk kosmetik dan pakaian
Bagaimana Vision Match Berfungsi (Secara Ringkas)
Walaupun Google tak dedahkan semua butiran teknikal, pola teknologinya sudah jelas dan boleh ditiru oleh pemain lain:
-
Pengguna nyatakan niat dalam bahasa biasa
Contoh: “blouse satin warna dusty pink, lengan puff, gaya minimal” atau “baju kurung moden potongan lurus, kain tak panas”. -
AI faham gaya, material dan konteks
Model bahasa + model imej (multimodal) mengekstrak:- Jenis pakaian (dress, baju kurung, t-shirt, kemeja)
- Warna dan tona (dusty pink vs pink terang)
- Potongan (oversized, slim fit, flare)
- Mood / gaya (minimal, streetwear, office, formal)
-
Pencarian dalam katalog berasaskan ciri visual, bukan sekadar teks
Produk dipetakan dalam vector space visual. AI cari item paling hampir dengan deskripsi dan/atau imej rujukan. -
Paparan hasil yang terasa ‘personal’
Hasil carian boleh dipengaruhi oleh:- Sejarah carian dan klik pengguna
- Brand yang kerap dipilih
- Julat harga kegemaran
Ini jauh berbeza daripada carian biasa yang bergantung penuh pada kata kunci di tajuk produk dan description.
Kenapa AI Fashion Search Ini Penting Untuk Runcit & E-Dagang?
Carian fesyen tradisional sebenarnya menyusahkan pelanggan. Mereka terpaksa teka kata kunci yang “betul” sedangkan apa yang mereka tahu hanyalah rupa dalam kepala.
Masalah Carian Pakaian Konvensional
Di platform besar, saya selalu nampak masalah yang sama:
- Pelanggan taip “baju kurung moden” → dapat 30,000 keputusan yang tak relevan
- Cari “jacket oversize” → keluar campuran slim fit, crop, bomber
- Warna dan gaya tak konsisten antara tajuk penjual
Akibatnya:
- Pengguna penat scroll dan “bounce” keluar
- Kos iklan naik, conversion tetap rendah
- Data carian jadi kucar-kacir dan sukar dianalisis
Apa Yang AI Ubah Dalam Pengalaman Belian
AI seperti Vision Match menyelesaikan beberapa isu kritikal:
-
Carian ikut niat sebenar, bukan hanya kata kunci
Pengguna boleh taip “dress labuh untuk nikah di masjid, tak terlalu ketat” dan AI faham konteks majlis, panjang, kesopanan dan gaya. Ini jauh lebih dekat dengan cara manusia berfikir. -
Cadangan produk jadi lebih tepat dan boleh dipercayai
Lebih tepat match → lebih tinggi kebarangkalian tambah ke troli dan checkout. Ramai retailer besar yang mengguna AI recommendation melaporkan:- +20%–30% peningkatan conversion di halaman produk
- Nilai purata pesanan naik apabila AI cadangkan set lengkap (top + bottom + aksesori)
-
Kurangkan pulangan barang (return rate)
Dengan virtual try-on dan AR, pelanggan nampak lebih jelas:- Bagaimana warna sesuai dengan tona kulit
- Lebih kurang macam mana fit di badan
- Sama ada gaya sesuai dengan personaliti
Bagi kategori fesyen, kosmetik dan aksesori, setiap pengurangan 1–2% dalam return rate boleh jimat ratusan ribu ringgit setahun untuk pemain besar.
Google, Shopee, Lazada: Siapa Sebenarnya Sedang Mengawal Pengalaman Belian?
Realitinya, perang e-dagang sekarang bukan lagi sekadar siapa ada paling banyak seller, tapi siapa paling faham tingkah laku pengguna melalui AI.
Google dengan Vision Match sedang masuk lebih dalam ke kawasan yang dulu dikuasai marketplace.
Di Mana Google Bermain Dalam Rantaian E-Dagang
Beberapa peranan utama Google:
- Gerbang permulaan carian (“baju kurung moden” selalunya bermula di Google)
- Tab Shopping sebagai “mall” agregat pelbagai peruncit
- Iklan Shopping (PLA) yang bawa trafik terus ke merchant
Dengan AI fashion search:
- Google bukan sahaja bawa trafik, tetapi bentuk citarasa dan pilihan sebelum pelanggan sampai ke laman retailer
- Profil data minat fesyen, julat harga, brand kegemaran semakin kaya
Bagaimana Ini Cermin Strategi Pemain Lain
Di Asia Tenggara, kita nampak corak serupa:
- Shopee & Lazada menolak ciri carian visual, “Anda mungkin suka”, dan live commerce berasaskan data tingkah laku
- TikTok Shop bergantung pada AI content recommendation untuk gabung hiburan + belian
Bezanya, Google guna kekuatan enjin carian dan katalog global, sementara marketplace guna data transaksi dalaman dan engagement.
Bagi rangkaian runcit besar atau jenama fesyen di Malaysia, satu perkara jelas:
Jika strategi anda masih bergantung 100% pada carian teks dan banner biasa, anda sedang ketinggalan dari segi personalisasi.
Apa Maknanya Untuk Peruncit & Marketplace di Malaysia?
Vision Match memberi isyarat jelas bahawa “AI fashion search” akan jadi expectation asas pengguna, bukan feature mewah.
1. Pengguna Akan Biasakan Diri Dengan Carian Gaya, Bukan Kata Kunci
Bila pengguna sudah biasa dengan carian “bercakap dengan AI” di Google Shopping, mereka akan membawa tabiat sama ke Shopee, Lazada, atau laman jenama anda.
Contoh senario pelanggan Malaysia:
- “Cari baju kerja wanita, tak panas, sesuai ofis aircond kuat”
- “Cari kasut sukan untuk larian jarak jauh, tapak tebal tapi ringan”
Jika platform anda hanya faham “baju kerja” atau “kasut sukan”, pengalaman terasa ketinggalan.
2. Standard Visual & Data Produk Perlu Dinaik Taraf
AI hanya setepat data yang ia baca. Ramai peruncit masih:
- Gambar produk sudut terhad, pencahayaan lemah
- Deskripsi produk generik dan copy paste
- Tiada atribut struktur seperti “fit”, “cut”, “neckline”, “material weight”
Untuk sedia masuk dunia AI fashion search:
- Pastikan setiap produk fesyen mempunyai imej berkualiti tinggi dari pelbagai sudut
- Gunakan tag atribut yang konsisten (cth: slim fit, flare, straight cut, crew neck)
- Pisahkan data warna kepada nama komersial (dusty pink) dan nilai teknikal (contoh kod warna) jika boleh
3. AR Beauty & Virtual Try-On Akan Jadi “Hygiene Feature”
Google kembangkan AR beauty dan virtual try-on, dan ini sangat relevan untuk:
- Produk kosmetik (lipstick, foundation, eyeshadow)
- Kacamata dan aksesori
- Pakaian tertentu (terutama di pasaran Barat, tapi trendnya cepat sampai ke sini)
Pemain besar di Malaysia patut mula uji:
- Virtual try-on untuk tudung atau hijab (warna + gaya lilitan)
- “Try on” lipstick dan foundation pada selfie pengguna
- Fitting visual untuk kaca mata dan sunglasses
Ya, kos awal pembangunan mungkin tinggi, tapi ini bukan lagi percubaan suka-suka. Ia pelaburan untuk menurunkan return rate dan meningkatkan keyakinan belian online.
Langkah Praktikal: Bagaimana Peruncit Boleh Bermula Dengan AI Fashion & Personalization
Tak perlu jadi Google untuk mula. Tapi anda perlu bergerak dalam arah yang sama.
Berikut pendekatan praktikal yang saya cadangkan untuk peruncit besar dan marketplace:
1. Audit Data Produk & Kandungan Visual
Mulakan dengan soalan asas:
- Adakah setiap produk fesyen mempunyai sekurang-kurangnya 4–6 gambar berkualiti tinggi?
- Adakah atribut seperti material, potongan, gaya, occasion distandardkan dan boleh dibaca mesin?
- Berapa banyak produk yang hanya ada deskripsi satu baris?
Hasil audit ini biasanya membuka mata – banyak retailer besar sebenarnya “data-poor” walaupun stok melimpah.
2. Pasang Enjin Recommendation Berasaskan Tingkah Laku
Walaupun belum ada Vision Match versi anda sendiri, anda boleh:
- Guna model sederhana untuk “Customers who viewed this also viewed”
- Bangunkan modul “Complete the look” berdasarkan kombinasi belian sebenar
Data penting yang patut diaktifkan:
- Sejarah klik dan view kategori
- Masa yang dihabiskan di setiap produk
- Corak add-to-cart vs abandon
3. Uji Carian Semantik & Visual di Sebahagian Katalog
Anda boleh mulakan dengan:
- Menggunakan enjin carian semantik yang faham bahasa semula jadi Melayu + Inggeris (carian dwi-bahasa realistik di Malaysia)
- Pilih satu kategori utama (cth: pakaian wanita) dan bangunkan visual similarity search – “lihat produk serupa” berdasarkan imej
Pengguna tak perlukan sistem sempurna; mereka hanya mahu rasa platform anda “faham” mereka lebih baik berbanding pesaing.
4. Rancang Integrasi AR / Virtual Try-On Secara Bertahap
Jangan cuba buat semua sekaligus. Pilih satu use case yang paling jelas ROI-nya:
- Contoh 1: Virtual try-on untuk lipstick top 50 SKU paling laris
- Contoh 2: AR preview corak tudung di wajah pengguna
Pantau metrik:
- Conversion rate sebelum vs selepas
- Return rate kategori tersebut
- Masa di halaman produk
Jika data menyokong, barulah skala ke kategori lain.
Masa Depan AI Dalam Runcit: Dari “Nice to Have” Jadi Infrastruktur Asas
Google dengan Vision Match hanya satu bab dalam cerita lebih besar: AI sedang jadi lapisan asas dalam runcit & e-dagang – dari ramalan stok, harga dinamik, personalisasi, hingga cara produk ditemui.
Dalam siri “AI in Retail & E-Commerce (Large Chains & Marketplaces)”, core pattern yang kita nampak sama:
- AI untuk forecasting inventori mengurangkan stok mati
- AI untuk dynamic pricing mengimbangi margin dan volume
- AI untuk personalization & behaviour analytics memanjangkan nilai setiap pelanggan
Vision Match, AR beauty dan virtual try-on jatuh dalam kotak ketiga: menjadikan pengalaman belian lebih dekat dengan apa yang pelanggan fikir dan rasa, bukan sekadar apa yang mereka taip.
Bagi peruncit dan marketplace di Malaysia, soalan yang patut ditanya sekarang bukan lagi “perlu ke AI?” tetapi:
“Di mana dalam perjalanan pelanggan saya paling perlukan bantuan AI – carian, cadangan, percubaan produk, atau selepas jualan?”
Siapa yang jawab dan bertindak pantas, akan jadi jenama yang pelanggan rasa “platform ni faham aku”. Dan dalam dunia runcit 2025 yang penuh pilihan, rasa difahami itulah yang membezakan klik yang bertukar jadi jualan, dan klik yang hilang begitu sahaja.