Krisis Lululemon: Bagaimana AI Bantu Elak ‘Erosi Jenama’

Pada suku terbaru, Lululemon mencatat hasil yang pelik untuk jenama premium: hasil global naik 7% ke AS$2.6 bilion, tetapi jualan di Amerika merosot 2% dan jualan kedai sama turun 5%. Dalam masa yang sama, pengasasnya Chip Wilson menuduh berlakunya “erosi jenama” dan CEO pula bersedia berundur.

Ini bukan sekadar drama korporat. Ini cermin cabaran besar untuk semua peruncit fesyen, pasar raya besar, dan marketplace e-dagang di Asia Tenggara: bila jenama sudah besar, bagaimana nak kekal relevan, inovatif dan rapat dengan pelanggan? Dan di sinilah AI dalam runcit & e-dagang mula membezakan siapa yang kekal mendaki, dan siapa yang perlahan-lahan meluncur turun.

Dalam siri “AI dalam Runcit & E-Dagang (Rangkaian Besar & Pasaran)” ini, kes Lululemon adalah contoh jelas bagaimana keputusan produk, kepimpinan dan data pelanggan saling berkait. Ada cara yang lebih bijak untuk urus jenama – dan ia banyak bergantung pada AI, pemperibadian dan analitik tingkah laku.

---

Apa Sebenarnya Berlaku di Lululemon?

Lululemon pernah jadi simbol athleisure premium dengan pertumbuhan yang konsisten sepanjang dekad lalu. Di bawah Calvin McDonald, jenama ini berkembang pesat, terutamanya di Amerika Utara. Tapi beberapa angka terkini bercerita lain:

• Hasil global naik 7%, tapi
• Jualan di Amerika merosot 2%
• Komps (jualaan kedai sama + e-dagang) hanya naik 1% global, tetapi turun 5% di Amerika

Dalam bahasa runcit: pelanggan utama di pasaran teras semakin kurang teruja.

Chip Wilson menuduh pengurusan jadi terlalu selesa, hilang fokus pada inovasi produk dan tak lagi faham pelanggan sasaran. Penganalisis pula bercakap tentang:

• Ketepuan jenama domestik (ramai pelanggan sudah miliki terlalu banyak, tetapi tak nampak sebab kukuh untuk beli lagi)
• Kurang inovasi produk teras (legging, top dan kategori utama tampak “terlalu boleh dijangka”)
• Persaingan baru seperti Alo Yoga dan Vuori yang menawarkan gaya dan identiti lebih segar

Dalam konteks Malaysia dan Asia Tenggara, situasi ini sangat familiar: banyak jenama besar – dari fesyen hingga pasar raya – mula rasa jualan plateau di pasaran teras sambil pesaing niche semakin pantas menangkap perhatian generasi muda.

Realitinya, erosi jenama jarang berlaku semata-mata kerana seorang CEO. Ia biasanya campuran tiga perkara:

1. Strategi produk yang lambat berubah
2. Bacaan tingkah laku pelanggan yang tak tepat atau terlalu lambat
3. Tiada alat data masa nyata untuk buat keputusan pantas

Kesemua ini adalah ruang di mana AI sepatutnya bekerja keras.

---

Dari Erosi ke Evolusi: Peranan AI dalam Memahami Pelanggan

Erosi jenama sering bermula bila syarikat hilang deria rasa terhadap pelanggan. Dalam era e-dagang dan runcit omnichannel, deria rasa itu sepatutnya datang daripada data dan AI, bukan gerak hati semata-mata.

Bagaimana AI boleh elak jenama “tak faham pelanggan sendiri” seperti yang didakwa berlaku di Lululemon?

1. Analitik tingkah laku pelanggan masa nyata

AI boleh memproses jutaan titik data:

• Klik, carian, tambah-ke-troli, dan pembelian di laman web / aplikasi
• Data keahlian, kekerapan lawatan, nilai seumur hidup pelanggan (CLV)
• Reaksi terhadap warna, potongan dan kategori tertentu dari masa ke masa

Daripada situ, peruncit boleh nampak awal tanda seperti:

• Penurunan minat terhadap satu kategori utama (contoh: legging klasik mula perlahan, tetapi pelanggan banyak “scroll” produk baharu yang tak wujud lagi)
• Pelanggan setia beralih ke kategori pesaing (dikesan melalui data rujukan atau pasaran pihak ketiga)
• Reka bentuk tertentu yang makin kerap dipulangkan (isu fit, fabrik atau gaya)

Jika Lululemon dan jenama lain menghubungkan data ini kepada papan pemuka AI yang jelas, pengurus kategori dan pasukan produk boleh nampak trend “erosi” 6–12 bulan lebih awal, bukan hanya selepas angka jualan suku tahunan keluar.

2. Segmentasi pelanggan yang jauh lebih halus

Kebanyakan peruncit masih segmentasi mengikut demografik asas – umur, jantina, lokasi. AI membolehkan segmentasi mengikut tingkah laku dan niat:

• “Pelanggan festival / aktif sosial” vs “pelanggan studio yoga senyap”
• “Pencari trend” vs “pembeli fungsi, tahan lama”
• “Pelanggan yang setia pada satu kategori” vs “yang suka mencuba kategori baharu”

Satu jenama athleisure boleh kelihatan sangat membosankan bagi segmen pencari trend, tetapi masih relevan untuk segmen “fungsi & keselesaan”. Tanpa nampak lapisan halus ini, jenama mudah tersasar arah: sama ada terlalu generik, atau terlalu niche.

AI membantu jenama melihat dengan jelas siapa sebenarnya yang mula menjauh dan apa corak tingkah laku mereka sebelum mereka diam terus.

---

AI untuk Inovasi Produk: Dari “Terlalu Boleh Dijangka” ke Sentiasa Segar

Salah satu pengakuan besar McDonald ialah Lululemon jadi “terlalu boleh dijangka” dan gagal mencipta trend baharu. Itu pengajaran penting: konsistensi bagus, tapi kebosanan membunuh.

AI boleh menyusun semula cara peruncit dan marketplace membina pipeline produk.

1. Ramalan trend berasaskan data

Daripada hanya bergantung pada “rasa fesyen” merchandiser, AI boleh:

• Menganalisis carian produk di laman sendiri dan pesaing
• Menggabungkan data sosial (warna, potongan, siluet yang kerap muncul dalam kandungan pengguna)
• Menjejak kadar habis stok dan kecepatan jualan (sell-through) untuk variasi tertentu

Hasilnya:

• Reka bentuk baru yang disokong bukti, bukan sekadar intuisi
• Keputusan pantas untuk scale up produk yang “meletup” di beberapa pasaran terpilih
• Amaran awal bila satu franchise utama mula lemah supaya boleh disegarkan (warna baru, fabrik baru, kolaborasi khas)

2. Ujian A/B produk secara digital

Marketplace besar seperti Shopee dan Lazada sudah biasa guna A/B test untuk iklan dan halaman produk. Prinsip sama boleh digunakan untuk inovasi produk fizikal:

• Uji beberapa konsep reka bentuk secara digital (render 3D, mockup) kepada segmen pelanggan berbeza
• Guna AI untuk menilai klik, add-to-cart, dan minat pra-pra-pesanan
• Pilih hanya reka bentuk dengan isyarat permintaan yang kuat untuk dihasilkan secara besar-besaran

Cara ini mengurangkan risiko “produk misstep” yang disebut oleh pengurusan Lululemon, dan mempercepat kitaran pembelajaran jenama.

3. Penetapan harga dan rangkaian produk dinamik

Dengan AI pricing dan optimasi rangkaian (assortment optimization):

• Produk premium ikonik dikekalkan sebagai penanda jenama
• Variasi harga dan ciri (fabrik, kemasan, koleksi khas) disesuaikan untuk segmen dan lokasi berbeza
• Data keanjalan harga digunakan untuk elak diskaun keterlaluan yang boleh menipiskan nilai premium

Ini terus melindungi persepsi jenama premium sambil masih memberi ruang pilihan kepada pelanggan peka harga.

---

Kepimpinan & AI: CEO Baru Perlukan “Dashboard Sebenar”, Bukan PowerPoint Cantik

Apabila lembaga Lululemon mengumumkan pencarian CEO baru dengan pengalaman “pertumbuhan dan transformasi”, mesejnya jelas: skala lama tak menjamin masa depan.

Saya cenderung percaya: CEO runcit yang relevan selepas 2025 ialah CEO yang hidup dengan dashboard AI harian, bukan hanya laporan bulanan.

Apa yang perlu ada dalam “command center” CEO moden?

1. Nadi pelanggan masa nyata
   Sentimen pelanggan di e-dagang, media sosial, pusat panggilan dan kedai fizikal yang bergabung dalam satu skor mudah faham. AI boleh kesan perubahan sentimen pada jenama, kategori atau koleksi tertentu.

2. Kesihatan jenama mengikut pasaran teras
   Bukan sekadar jualan, tetapi:

   • kadar pembelian semula
   • peralihan pelanggan ke pesaing (melalui data pasaran / panel)
   • nilai bakul purata mengikut segmen

3. Prestasi inovasi
   Berapa peratus jualan datang dari gaya baharu? Di Lululemon, sasaran 35% penetrasi gaya baharu adalah cara mengukur sama ada enjin produk kembali bertenaga. AI boleh membantu memantau dan meramal angka ini mengikut musiman dan pasaran.

4. Risiko inventori dan margin
   Model AI ramalan inventori dan margin membantu CEO nampak:

   • kategori mana yang bakal terlebih stok
   • di mana yang perlu top-up cepat
   • bagaimana strategi diskaun tertentu akan memakan atau memelihara marjin.

Untuk peruncit besar di Malaysia – daripada rangkaian pasar raya hingga jenama fesyen tempatan – membina command center AI seperti ini bukan lagi “nice to have”. Ia jadi beza antara bertindak selepas krisis vs mengubah haluan sebelum kemerosotan terasa kuat.

---

Dari Kisah Lululemon ke Rangkaian & Marketplace di Malaysia

Apa yang peruncit dan marketplace di Malaysia boleh cedok daripada episod Lululemon ini?

1. Jangan tunggu pengasas bising baru cari data

Ramai pengasas dan pemilik perniagaan di sini juga rasa “jenama aku dah lari arah”, tapi tak dapat buktikan dengan angka. Gunakan AI dan analitik untuk:

• Buktikan di mana sebenarnya erosi berlaku (kategori, pasaran, segmen pelanggan)
• Bezakan antara isu taktikal (promosi, stok) dan isu strategik (identiti jenama, penentuan sasaran)

2. Gunakan AI untuk peribadikan pengalaman, bukan sekadar iklan

Pemperibadian pelanggan bukan hanya “produk dicadangkan” di laman. Ia meliputi:

• Susunan produk berbeza untuk segmen berbeza dalam aplikasi
• Kempen yang bercakap bahasa niat pelanggan (contoh: “kurangkan masa di gim, tapi kekal aktif di rumah” bukan hanya “legging baru warna X”)
• Cadangan saiz & fit pintar untuk kurangkan pemulangan dan potensi kekecewaan

Ini membantu mengekalkan rasa “jenama faham aku”, walaupun syarikat sudah besar.

3. Sambung titik antara online, offline dan social commerce

Rangkaian besar seperti Lotus’s, Aeon, dan juga marketplace seperti Lazada, Shopee, TikTok Shop – semuanya kaya data, tapi sering terpecah-pecah. AI boleh bantu:

• Gabungkan profil pelanggan dari kad ahli, aplikasi, pembelian di kedai, dan e-dagang
• Kesan bila pengguna mula kurang kerap datang atau membelanjakan lebih sedikit
• Picu kempen pemulihan (win-back) yang benar-benar relevan

Bila data bersatu, risiko erosi senyap akan jauh berkurang.

---

Di Mana Nak Bermula Jika Anda Mahu Elak “Erosi Jenama”

Kalau anda mengurus jenama runcit atau marketplace, kisah Lululemon bukan sekadar berita luar negara. Ia amaran awal.

Beberapa langkah praktikal untuk 3–6 bulan akan datang:

1. Audit data pelanggan dan jenama
   Lihat di mana data anda terpecah, apa yang sudah ada, dan apa yang perlu diintegrasi. Tanpa asas ini, AI hanya akan jadi buzzword.

2. Tetapkan metrik kesihatan jenama yang boleh diukur dengan AI
   Contoh: kadar pembelian semula mengikut segmen, % jualan dari gaya baharu, skor sentimen produk utama.

3. Mulakan satu atau dua kes penggunaan AI yang jelas pulangan
   Paling cepat memberi impak biasanya:

   • cadangan produk pintar (pemperibadian)
   • ramalan permintaan & inventori
   • analitik tingkah laku pelanggan untuk mengesan “pelanggan hampir hilang”

4. Latih kepimpinan untuk membaca dashboard, bukan hanya laporan kewangan
   CEO dan pengarah kategori perlu selesa dengan insight AI seperti mereka selesa dengan P&L.

5. Jaga identiti jenama sambil guna AI
   AI hanyalah enjin. Arah tetap bergantung pada strategi jenama. Pastikan semua eksperimen pricing, promosi dan produk tidak mengorbankan kedudukan jenama jangka panjang.

Jenama besar tak runtuh semalaman. Ia perlahan-lahan terhakis, satu keputusan kecil pada satu masa. Berita tentang Lululemon hanyalah episod terbaru yang mengingatkan kita: data ada, AI ada, pelanggan masih mahu berbelanja. Soalnya, siapa yang benar-benar guna semua ini untuk memahami dan melayan mereka dengan lebih bijak.

Jika rangkaian dan marketplace di Malaysia boleh gabungkan kekuatan jenama tempatan dengan kecerdasan AI yang serius, “erosi jenama” boleh bertukar menjadi evolusi jenama – lebih relevan, lebih peribadi, dan lebih tahan lama dalam pasaran yang makin kompetitif.