Bagaimana AI Generatif Amazon Ubah Cara Kita Shopping

AI Generatif Amazon & Masa Depan E-Dagang Peribadi

Pada 2023, Amazon laporkan lebih 35% jualannya datang daripada cadangan produk yang “kenal” pelanggan. Sekarang, gergasi e-dagang itu melangkah setapak lagi dengan ciri generatif AI baharu yang dipanggil “Interests” – dan ini petanda jelas bagaimana masa depan e-dagang akan bergerak, termasuk di Asia Tenggara.

Bagi rangkaian runcit besar, marketplace seperti Lazada, Shopee atau pemain runcit fizikal seperti Lotus’s, langkah Amazon ini bukan sekadar berita teknologi. Ini isyarat: persaingan e-dagang seterusnya ialah siapa yang paling faham niat dan konteks pelanggan, bukan sekadar siapa ada harga paling murah.

Dalam artikel ini, kita gunakan pelancaran “Interests” sebagai kajian kes untuk faham:

• Apa sebenarnya Amazon buat dengan AI generatif dalam carian dan pengalaman membeli.
• Kenapa pendekatan ini penting untuk peruncit dan marketplace besar.
• Bagaimana pasukan e-dagang di Malaysia boleh tiru konsep yang sama, walaupun tanpa bajet sebesar Amazon.

---

Apa Itu “Interests” Amazon & Kenapa Ia Berbeza

“Interests” ialah ciri carian berasaskan AI generatif yang membenarkan pelanggan menaip prompt peribadi, bukan hanya kata kunci produk.

Daripada sekadar menaip kasut sukan, pelanggan Amazon boleh menaip sesuatu seperti:

“Saya nak kasut larian untuk pemula, larian 2–3 kali seminggu, jarak 5km, kaki lebar dan bajet bawah USD80.”

AI generatif kemudian akan:

• Faham konteks (pemula, kekerapan larian, jenis kaki, bajet).
• Tapis jutaan inventori.
• Susun cadangan produk yang relevan dengan niat, bukan hanya padanan kata kunci.

Secara ringkas, “Interests” cuba menjadikan carian lebih perbualan dan peribadi:

• Pelanggan guna bahasa manusia biasa, bukan bahasa mesin.
• AI generatif “membaca” minat, gaya hidup dan keutamaan.
• Hasilnya: senarai produk yang terasa seperti nasihat daripada kawan yang pakar, bukan katalog statik.

Untuk pelanggan, ia mengurangkan masa scroll dan rasa “pening banyak sangat pilihan”. Untuk Amazon, ia menaikkan kadar tambah ke troli dan nilai pesanan purata.

---

Mengapa Pendekatan Ini Penting Untuk Rangkaian Runcit & Marketplace Besar

Penggunaan AI generatif dalam carian dan penemuan produk mengubah tiga perkara utama: niat, keyakinan, dan kelajuan membuat keputusan.

1. Dari kata kunci ke niat sebenar

Carian biasa:

• “TV 55 inci” → mesin hanya nampak saiz.

Carian berasaskan niat:

• “TV 55 inci untuk ruang tamu kecil, banyak tengok bola, bajet sederhana” → sistem faham guna, ruang, bajet, minat.

Bila sistem faham niat:

• Cadangan produk lebih tepat.
• Kurang pemulangan (return) sebab jangkaan lebih sejajar.
• Komen ulasan yang dipaparkan boleh dipilih ikut konteks (contoh: sorot ulasan yang sebut “sesuai untuk ruang tamu kecil”).

2. Naikkan keyakinan pelanggan

Dalam e-dagang, pelanggan sering:

• Banding terlalu banyak produk.
• Baca ulasan berjam-jam.
• Masih rasa tak yakin, lalu tangguh pembelian.

AI generatif boleh:

• Ringkaskan ulasan panjang kepada beberapa poin utama.
• Terangkan kenapa sesuatu produk sesuai dengan prompt pelanggan.
• Terangkan perbezaan mudah faham antara beberapa pilihan utama.

Bila pelanggan rasa yakin, mereka:

• Kurang tangguh di halaman produk.
• Lebih berani beli produk bernilai tinggi (contoh: peralatan elektrik, gadget, perabot).

3. Pecutkan keputusan membeli

Dalam musim sibuk seperti jualan hujung tahun, 11.11, 12.12, Raya atau Back-to-School, pelanggan tak ada masa untuk:

• Menapis beratus produk.
• Faham semua spesifikasi teknikal.

Ciri seperti “Interests” menyusun info rumit kepada cadangan ringkas: beberapa pilihan fokus, jelas dan tepat. Semakin sedikit masa dan tenaga mental diperlukan, semakin tinggi kadar penukaran (conversion rate).

---

Bagaimana Amazon Gunakan Data + AI Generatif Dengan Bijak

Kekuatan Amazon bukan hanya pada model AI, tetapi bagaimana mereka gabungkan tiga lapisan: data pelanggan, model generatif dan logik perniagaan.

Lapisan 1: Data pelanggan & tingkah laku

Amazon sudah lama kumpul:

• Sejarah pembelian.
• Produk yang kerap dilihat tapi tak dibeli.
• Jenis ulasan yang pelanggan tulis dan suka.
• Interaksi dengan promosi, kupon, dan cadangan.

Bila pelanggan menaip prompt dalam “Interests”, sistem boleh:

• Selaraskan niat baru dengan sejarah tingkah laku.
• Elak cadangkan kategori yang pelanggan selalu abaikan.
• Kenal sensitiviti harga berdasarkan corak pembelian lepas.

Lapisan 2: AI generatif untuk bahasa & konteks

Model generatif digunakan untuk:

• Faham bahasa natural (slang, ayat panjang, pelbagai gaya).
• Keluar respon yang berbentuk perbualan, bukan hanya senarai kering.
• Terangkan logik cadangan dengan bahasa ringkas.

Contoh ayat yang berpotensi keluar:

“Berdasarkan bajet anda dan penggunaan setiap hari, tiga pilihan ini seimbang dari segi ketahanan dan harga. Model A lebih sesuai jika anda utamakan bateri panjang, manakala Model B lebih ringan dan mudah dibawa.”

Ayat begini mengurangkan “jarak” antara pelanggan dan platform. Rasa lebih manusiawi, kurang robotik.

Lapisan 3: Logik perniagaan & objektif komersial

Di sebalik cadangan, Amazon tetap ada objektif:

• Maksimumkan margin sambil kekal relevan.
• Tolak stok yang perlu dikosongkan tanpa menjejaskan kepuasan pelanggan.
• Lindungi jenama dengan mengurangkan cadangan produk yang banyak aduan.

AI generatif perlu digabungkan dengan:

• Penapis kualiti produk (rating minimum, kadar return).
• Peraturan compliance & polisi (produk sensitif, kategori terhad).
• Strategi promosi (Flash Sale, Prime Day, dan sebagainya).

Itu yang membezakan sistem “smart” dengan sekadar chatbot comel di atas website.

---

Apa Pengajarannya Untuk Pemain E-Dagang di Malaysia

Anda mungkin tak ada bajet atau pasukan data sebesar Amazon, tapi konsep asas yang sama boleh diaplikasi dalam konteks Malaysia.

Berikut beberapa langkah praktikal untuk peruncit besar dan marketplace tempatan:

1. Tukar carian jadi perbualan, walaupun langkah kecil

Anda boleh mulakan dengan:

• Widget chat berasaskan AI yang faham niat: “Saya cari baju kurung moden untuk kerja, tak panas, bajet bawah RM150.”
• Prompt pandu (guided prompts) di bar carian seperti:
  • “Cari hadiah untuk…”
  • “Saya perlukan produk untuk…”
  • “Saya baru mula…” (contoh: gym, baking, berkebun)

Jangan tunggu sistem sempurna. Mulakan dengan 3–5 use case bernilai tinggi, contohnya:

• Produk bayi dan kanak-kanak (ramai ibu bapa perlukan panduan).
• Elektronik & gadget (spesifikasi banyak, pelanggan cepat keliru).
• Barang dapur / rumah (set pemula, upgrade, seasonal).

2. Gunakan data yang anda sudah ada

Kebanyakan retailer besar sebenarnya sudah ada:

• Data pembelian melalui program loyalty.
• Log carian dalaman laman web.
• Senarai produk yang sering dipulangkan.

Gabungkan data ringkas ini dengan AI:

• Kenal soalan paling kerap (FAQ) dan bina jawapan generatif.
• Kenal kategori yang paling banyak search tetapi conversion rendah – ini calon utama untuk penambahbaikan pengalaman.
• Kenal persona asas (contoh: “ibu muda bandar”, “student universiti”, “pekerja kilang syif malam”) dan bina contoh prompt khas.

3. Fokus pada bahasa: peribadikan mengikut budaya & dialek

Di Malaysia, pelanggan bercakap:

• Bahasa Melayu santai bercampur Inggeris.
• Bahasa pasar: “nak tv murah, janji tahan lama, untuk mak ayah kat kampung.”

Model AI yang digunakan mesti:

• Faham gaya bahasa tempatan.
• Boleh jawab dengan nada mesra, bukan terlalu formal.
• Gunakan contoh yang dekat dengan budaya (Raya, kenduri, balik kampung, ofis open space, dan sebagainya).

Amazon guna bahasa global. Anda ada kelebihan memahami bahasa setempat dengan lebih baik.

4. Uji A/B dan ukur impak kecil tapi konsisten

Jangan hanya “pasang AI” dan harap ajaib.

Pantau metrik seperti:

• Kadar klik ke produk dari carian (CTR carian).
• Conversion rate untuk carian yang guna prompt perbualan vs carian biasa.
• Masa yang diambil untuk pembelian pertama dari sesi carian.

Jika penggunaan AI generatif meningkatkan conversion 5–10% pada kategori bernilai tinggi, impaknya ke atas revenue tahunan boleh jadi besar untuk rangkaian runcit dan marketplace.

---

Risiko & Batasan: Apa Yang Perlu Peruncit Berhati-Hati

AI generatif untuk e-dagang bukan sekadar isu teknologi – ia juga isu kepercayaan dan pematuhan.

1. Privasi & ketelusan data

Pelanggan mahu pengalaman peribadi, tapi mereka juga semakin sensitif tentang privasi.

Beberapa garis panduan praktikal:

• Jelaskan dengan ringkas data apa yang digunakan untuk peribadi-kan cadangan.
• Beri pilihan mudah untuk “opt-out” dari pemperibadian mendalam.
• Elak gunakan info sensitif (kesihatan, kewangan) tanpa kebenaran jelas.

2. Bias & cadangan tidak adil

Jika model dilatih daripada data yang berat sebelah, cadangan mungkin:

• Terlebih fokus pada jenama tertentu.
• Kurang memaparkan jenama kecil walaupun berkualiti.

Peruncit perlu:

• Tetapkan had pendedahan jenama besar vs kecil.
• Pantau cadangan AI dari semasa ke semasa (audit berkala).
• Benarkan pelanggan melapor cadangan yang dirasa tidak sesuai.

3. “Hallucination” – AI buat cerita sendiri

AI generatif kadang-kadang:

• Memberi maklumat produk yang tak wujud.
• Menyimpulkan ciri yang sebenarnya tiada pada produk.

Untuk kurangkan risiko:

• Pastikan model hanya “bercakap” berdasarkan data produk sebenar dalam katalog.
• Hadkan jenis kenyataan yang boleh dibuat (contoh: tak boleh buat tuntutan kesihatan melampau).
• Guna pengesahan (validation) sebelum jawapan dipaparkan kepada pelanggan.

---

Masa Depan AI dalam Runcit: Dari Carian ke Seluruh Perjalanan Membeli

Apa yang Amazon buat dengan “Interests” hanyalah satu bahagian dalam puzzle besar AI dalam runcit dan e-dagang.

Dalam siri “AI in Retail & E-Commerce (Large Chains & Marketplaces)”, corak yang jelas sedang terbentuk:

• AI untuk ramalan inventori: elak kehabisan stok produk popular yang sering muncul dalam prompt.
• AI untuk penetapan harga dinamik: laras harga ikut permintaan, musim, dan segmen pelanggan.
• AI untuk operasi gudang & penghantaran: pilih gudang paling dekat dan kurier paling cekap.

Langkah Amazon kali ini menunjukkan satu perkara jelas: peribadi-kan pengalaman bukan lagi “nice to have”, tetapi strategi survival untuk pemain besar.

Bagi pasukan e-dagang di Malaysia, soalan yang patut ditanya bukan “perlu AI atau tidak?”, tetapi:

• Di bahagian mana perjalanan pelanggan (customer journey) AI paling cepat beri impak?
• Data apa yang sudah ada, yang belum digunakan dengan bijak?
• Bagaimana nak cuba dalam skala kecil, belajar dengan cepat, kemudian kembangkan?

Siapa yang mula awal dan belajar laju, akan menang bukan hanya pada jualan 12.12 tahun ini, tetapi dalam perang jangka panjang untuk kepercayaan dan kesetiaan pelanggan digital Malaysia.

---

Soalan untuk anda: jika pelanggan anda boleh menaip apa sahaja “prompt” kepada kedai anda hari ini, apakah pengalaman yang mereka akan dapat – rasa dibantu, atau rasa sesat? Jawapan jujur kepada soalan ini selalunya petunjuk paling tepat di mana usaha AI anda patut bermula.