Bagaimana AI Generatif Jadikan Amazon ‘Personal Shopper’

AI dalam Runcit & E-Dagang (Rangkaian Besar & Pasaran)••By 3L3C

Amazon jadikan carian lebih berperbualan dengan AI generatif. Apa yang peruncit & marketplace besar di Malaysia boleh tiru untuk personalisasi pelanggan?

AI dalam e-dagangAI generatifpersonalisasi pelangganbehavior analyticscarian pintarinventori dan AIruncit besar
Share:

Bagaimana AI Generatif Jadikan Amazon ‘Personal Shopper’ Anda

Pada 2024, Amazon mendedahkan bahawa lebih 60% carian produk bermula terus di platform mereka, bukan di enjin carian biasa. Sekarang mereka menolak satu langkah lagi dengan ciri baharu berasaskan AI generatif yang dipanggil “Interests” – dan inilah petanda jelas masa depan e-dagang: carian yang terasa macam berbual dengan “personal shopper”, bukan isi kotak teks kaku.

Untuk rangkaian runcit besar, marketplace, dan pemain e-dagang di Malaysia, langkah Amazon ini bukan sekadar berita teknologi. Ini sebenarnya blueprint bagaimana AI dalam runcit dan e-dagang akan membentuk cara pelanggan mencari, menilai dan membeli produk – dari Lazada, Shopee, hingga rangkaian seperti Lotus’s dan AEON.

Tulisan ini kupas apa sebenarnya yang Amazon buat dengan generative AI, kenapa ia penting untuk personalisasi pelanggan, dan yang paling kritikal: apa yang peruncit besar di Malaysia boleh tiru dan adaptasikan sekarang, bukan lima tahun lagi.

Apa Sebenarnya Ciri “Interests” Amazon?

Ciri “Interests” pada asasnya menjadikan kotak carian Amazon lebih peribadi dan perbualan. Pelanggan boleh taip prompt yang jauh lebih natural, seperti:

  • “Saya nak hadiah birthday untuk lelaki umur 35 tahun yang minat hiking dan teknologi, bajet bawah $100”
  • “Saya baru pindah rumah kecil, tolong cadang peralatan dapur jimat ruang dan senang dibersih”

AI generatif kemudian akan:

  1. Memahami niat (intent) dan konteks – umur, minat, bajet, kegunaan.
  2. Meringkaskan berjuta produk kepada beberapa kluster cadangan yang relevan.
  3. Menerangkan cadangan dalam bahasa perbualan, bukan hanya senarai produk kosong dengan tajuk panjang.

Dalam erti kata lain, ia cuba meniru pengalaman:

“Tanya promoter yang sangat arif, yang hafal semua stok, dan faham citarasa anda – tapi dalam skala ratus juta pelanggan.”

Ini bukan fungsi carian biasa. Ini adalah lapisan personalisasi di atas enjin carian e-dagang.

Kenapa Langkah Amazon Ini Penting Untuk Peruncit Besar

Bagi rangkaian runcit dan marketplace besar, langkah seperti “Interests” membawa tiga implikasi besar:

  1. Carian jadi ruang personalisasi paling kritikal
    Dahulu, personalisasi biasanya di laman utama (home), banner promosi, atau emel. Kini, pengalaman paling penting ialah bagaimana pelanggan mencari. Di sinilah niat beli paling jelas.

  2. AI generatif gabungkan behavior analytics + recommendation
    Sistem AI tak hanya membaca prompt. Ia boleh menggabungkan:

    • sejarah pembelian, produk yang pernah diklik;
    • musim (contoh hujung tahun, musim perayaan);
    • tren semasa di kategori tertentu;
    • tahap stok dan margin.

    Hasilnya: cadangan yang lebih tepat dan lebih menguntungkan.

  3. Membantu inventori, merchandising dan pricing
    Bila berjuta pelanggan memasukkan prompt perbualan, anda tiba-tiba dapat dataset niat pelanggan yang sangat kaya. Ini boleh dipautkan kepada:

    • peramalan inventori (ramai cari “snack sihat untuk anak sekolah” contohnya);
    • penentuan harga dinamik (produk yang selalu keluar dalam prompt tertentu boleh dioptimumkan margin);
    • perancangan kategori (muncul keperluan bundling baharu, seperti “set rumah sewa kecil”).

Ringkasnya, Amazon gunakan ciri AI generatif depan pelanggan untuk mengumpul dan memanfaatkan data niat yang jauh lebih dalam berbanding klik biasa.

Dari Carian Kepada Perbualan: Bagaimana Generative AI Ubah Pengalaman Membeli

Generative AI mengubah perjalanan membeli daripada “search & scroll” kepada “ask & discuss”.

1. Dari kata kunci kepada cerita

Carian tradisional pakai kata kunci: “telefon murah 5G”.
Dengan generative AI, pelanggan boleh bercerita sedikit:

“Saya nak tukar telefon untuk mak ayah, kamera okey, bateri tahan lama, tak perlu apps berat, bajet bawah RM1,200.”

AI boleh:

  • Tafsir bajet, kegunaan (warga emas), keperluan utama (bateri, kamera).
  • Tapis telefon yang terlalu rumit atau over-spec.
  • Susun ikut kesesuaian kegunaan, bukan semata-mata harga atau populariti.

2. Dari senarai produk kepada cadangan bernas

Sebaliknya dari memaparkan 5,000 produk, AI boleh hasilkan:

  • 3–5 set cadangan dengan sebab yang jelas.
  • Penerangan seperti: “Model A sesuai untuk ibu bapa kerana skrin besar, fon lebih kuat, bateri tahan 2 hari.”

Ini sangat kuat untuk kategori yang kompleks: elektronik, produk bayi, kecantikan, perabot.

3. Dari “trial-and-error” kepada keyakinan beli

Salah satu sebab cart abandonment tinggi ialah keraguan: “Betul ke ni barang yang aku perlukan?”
Bila AI boleh jawab soalan lanjutan – “Ada warna lain?”, “Sesuaikah untuk apartment kecil?”, “Apa alternatif lebih murah?” – keyakinan meningkat.

Bagi peruncit, ini bermaksud:

  • Conversion rate naik kerana kurang ragu.
  • Return berkurang sebab pilihan awal lebih tepat.
  • Cross-sell naik bila AI cadang aksesori dan produk berkaitan secara kontekstual.

Apa Yang Boleh Ditiru Oleh Marketplace & Rangkaian Runcit Malaysia

Anda mungkin bukan Amazon, tapi konsep di sebalik “Interests” boleh disesuaikan. Dalam siri AI in Retail & E-Commerce (Large Chains & Marketplaces), inilah contoh paling jelas bagaimana AI generatif boleh diguna terus di hadapan pelanggan.

1. Jadikan kotak carian lebih pintar dan berperbualan

Untuk marketplace besar seperti di Malaysia, langkah praktikal yang boleh diambil:

  • Tambah fungsi carian yang menyokong prompt perbualan (dalam BM & Inggeris).
  • Gunakan model AI untuk pemetaan niat → kategori produk.
  • Gabungkan data sedia ada (pembelian lepas, produk disimpan dalam wishlist) dengan prompt semasa.

Contoh lokal:

  • “Saya nak baju raya warna sedondon untuk keluarga 5 orang, material sejuk, bajet sederhana”
  • “Saya cari barangan dapur untuk pelajar universiti duduk hostel, murah dan tahan lama”

2. Lapisan personalisasi di atas recommendation sedia ada

Ramai retailer sudah ada sistem cadangan asas: “Produk berkaitan”, “Orang lain juga beli”. AI generatif boleh jadi lapisan penerang:

  • Terangkan kenapa produk disyorkan.
  • Tunjuk kelebihan vs alternatif.
  • Susun cadangan ikut use case, bukan sekadar algoritma “orang lain beli”.

Saya biasanya syorkan susunan ini:

  1. Fahami niat melalui prompt pelanggan.
  2. Panggil recommendation engine sedia ada (collaborative / content-based).
  3. Gunakan AI generatif untuk meringkaskan, menapis dan menerangkan hasil dalam bahasa manusia.

3. Guna data niat untuk merancang inventori dan promosi

Setiap prompt pelanggan adalah signal permintaan masa hadapan. Contoh:

  • Banyak carian “bekal sihat untuk anak sekolah” → peluang kuat untuk:

    • SKU bento box, bekas makanan bebas BPA, snek sihat;
    • kempen “Kembali ke Sekolah” yang lebih tajam.

  • Kerap keluar prompt “setup home office kecil” → anda boleh:

    • bundling kerusi pejabat, meja lipat, lampu meja;
    • optimakan stok menjelang hujung tahun ketika ramai upgrade ruang kerja.

Ini menghubungkan personalization di front-end dengan forecasting & merchandising di back-end – teras utama topik siri kita tentang AI dalam runcit & e-dagang.

Risiko & Perkara Yang Peruncit Tak Boleh Abaikan

Setiap kali AI generatif dibawa ke depan pelanggan, ada beberapa risiko nyata.

1. Ketepatan dan “hallucination” AI

Generative AI kadang-kadang “mereka” fakta. Dalam konteks runcit, ini berbahaya jika:

  • AI kata produk kalis air, tapi sebenarnya tidak.
  • AI cadangkan produk untuk bayi yang tak selamat pada umur tertentu.

Cara mitigasi yang praktikal:

  • Hadkan AI supaya hanya berdasarkan data produk yang sah (spesifikasi, label, umur disyorkan).
  • Guna template jawapan terstruktur untuk maklumat kritikal (keselamatan, umur, bahan).
  • Letak pengesahan dalaman untuk kategori sensitif (bayi, kesihatan, makanan).

2. Bias dan keadilan cadangan

AI mudah memihak kepada:

  • jenama besar dengan bajet iklan tinggi;
  • produk dengan margin paling tinggi, bukan yang paling sesuai.

Jika keterlaluan, pelanggan akan rasa “ini bukan cadangan jujur, ini macam iklan tersorok”.
Penyelesaiannya:

  • Tetapkan garis panduan ranking yang imbang: relevan + rating + margin.
  • Jelaskan bila sesuatu disponsor.
  • Uji A/B sama ada pelanggan merasakan cadangan terlalu bias.

3. Privasi data pelanggan

Untuk personalisasi yang kuat, anda perlukan data tingkah laku dan sejarah pembelian. Tapi pelanggan makin sensitif tentang privasi.

Beberapa prinsip yang wajar:

  • Jelaskan dengan bahasa mudah bagaimana data digunakan untuk memudahkan carian dan cadangan.
  • Beri pilihan opt-out dari personalisasi lanjutan.
  • Pastikan proses anonymization bila data digunakan untuk model AI.

Langkah Praktikal 6–12 Bulan Untuk Peruncit Besar

Bagi syarikat runcit dan marketplace di Malaysia yang serius mahu ikut jejak Amazon (dengan cara yang realistik), ini rangka kerja yang saya nampak berkesan:

1. Mula kecil tapi strategik di carian

Pilih 1–2 kategori bernilai tinggi dan kompleks, contohnya:

  • Elektronik pengguna
  • Perabot & home living
  • Produk bayi & kanak-kanak

Bangunkan “AI shopping assistant” mini dalam kategori itu dulu. Jejak:

  • perubahan conversion rate,
  • purata nilai pesanan (AOV),
  • masa yang diambil pelanggan untuk membuat keputusan.

2. Bangunkan “kamus niat pelanggan” dalaman

Kumpulkan dan susun jenis prompt/nawaitu pelanggan mengikut tema:

  • bajet terhad
  • ruang terhad
  • hadiah mengikut umur
  • keluarga muda
  • warga emas

Kemudian petakan setiap tema kepada:

  • kategori produk,
  • label dan attribute penting (contoh “senang dibersih”, “sesuai untuk apartment kecil”),
  • set bundling ideal.

Ini mempercepatkan pembangunan model AI dan menjadikannya lebih “faham Malaysia”.

3. Integrasikan dengan sistem sedia ada, bukan bina dari kosong

Daripada bina keseluruhan stack baru, guna pendekatan bertingkat:

  1. Kekalkan enjin carian & recommendation sedia ada.
  2. Tambah lapisan AI generatif sebagai antara muka perbualan.
  3. Sambungkan kepada data katalog, stok dan harga untuk elak cadangan produk habis stok atau salah harga.

Ini lebih pantas untuk dibawa ke pasaran dan kurang risiko teknikal.

Masa Depan: Dari Amazon ke Shopee, Dari Marketplace ke Kedai Besar Fizikal

Apa yang Amazon buat dengan “Interests” bukan fenomena terpencil; ia adalah contoh jelas hala tuju AI dalam runcit & e-dagang global.

  • Marketplace Asia Tenggara seperti Shopee & Lazada sudah mula menguji chat-based shopping assistant.
  • Rangkaian runcit fizikal pula bereksperimen dengan kiosk pintar, aplikasi mobile dan scan-while-you-shop yang satu hari nanti mungkin ditenagai AI generatif.

Dalam konteks Malaysia, bayangkan senario ini dalam beberapa tahun:

Anda masuk aplikasi rangkaian pasar raya besar. Anda taip, “Saya nak rancang jamuan rumah terbuka sederhana untuk 20 orang, bajet RM500, menu Melayu.”
AI cadangkan senarai barangan lengkap, dengan jenama tempatan, anggaran kos, dan malah susunan di cawangan terdekat.

Itu bukan sci-fi. Teknologi asasnya sudah wujud; yang tinggal adalah keberanian bisnes dan strategi data yang kemas.

Bagi mana-mana peruncit atau marketplace besar yang mahu kekal relevan hingga 2030, persoalannya bukan lagi “Perlu ke kita guna AI?”, tetapi:

“Bahagian mana dalam perjalanan pelanggan yang patut kita jadikan ‘perbualan pintar’ dulu – carian, discovery, atau selepas jualan?”

Dan di situ, langkah Amazon melancarkan “Interests” memberi petunjuk jelas:
Mulakan dengan carian, kerana di situlah niat membeli paling kuat, dan di situlah AI generatif paling cepat menunjukkan nilai sebenar.