AI, Jualan Semula & Fesyen Mampan: Dari Sisa Jadi Nilai

Sekitar 10% pelepasan CO₂ global datang daripada industri fesyen, dan lebih 20% pembaziran air dunia berkait dengan pengeluaran tekstil. Namun permintaan untuk pakaian pantas masih naik setiap tahun – termasuk di Malaysia, terutamanya musim gaji, promosi 12.12 dan jualan hujung tahun.

Inilah jurang pelik dalam ritel moden: pengguna kata mereka peduli alam sekitar, tetapi bakul belian online penuh dengan pakaian murah yang cepat dibuang. Startup seperti Archive, yang baru mengumpul dana sekitar US$30 juta, sedang cuba betulkan jurang ini melalui model jualan semula (resale) dalam talian. Dan generasi baharu penyelesaian ini tak boleh lari daripada satu perkara: kecerdasan buatan (AI).

Artikel ini kupas bagaimana model jualan semula fesyen mengurangkan pencemaran, kenapa pelabur sanggup letak puluhan juta, dan yang paling penting – bagaimana peruncit besar, marketplace dan jenama di Malaysia boleh gunakan AI dalam runcit & e-dagang untuk menjadikan strategi mampan ini menguntungkan, bukan sekadar kempen CSR.

1. Masalah Besar Fesyen: Banyak Jual, Banyak Sisa

Masalah utama industri fesyen mudah difahami: pengeluaran berlebihan, kitar hayat pakaian terlalu pendek, dan rantaian bekalan yang tak telus.

Beberapa realiti kasar tentang fesyen:

• Berbilion helai pakaian dihasilkan setiap tahun, sebahagiannya terus berakhir sebagai stok mati (dead stock).
• Pakaian dipakai beberapa kali sahaja sebelum dibuang – terutama fast fashion.
• Sebahagian besar pakaian terpakai dibakar atau ditimbus di tapak pelupusan.

Untuk peruncit besar dan marketplace Asia Tenggara seperti Lazada, Shopee, Zalora atau juga rangkaian hypermarket tempatan, masalah ini datang dalam dua bentuk:

1. Kos inventori – stok tak terjual mengikat modal dan ruang gudang.
2. Tekanan reputasi – pengguna muda makin peka isu kelestarian, termasuk jejak karbon dan sisa tekstil.

Ini yang mendorong lahirnya model jualan semula teratur (organized resale), bukan sekadar jual beli di platform C2C, tetapi diintegrasi terus ke sistem runcit dan e-dagang jenama.

2. Archive & Kebangkitan Model Jualan Semula Dalam Talian

Archive ialah antara startup global yang fokus pada satu soalan mudah: bagaimana kalau setiap jenama boleh jalankan kedai jualan semula mereka sendiri, dalam talian?

Daripada ringkasan artikel asal: pengasasnya, Emily Gittins, resah dengan pencemaran fesyen sejak remaja. Archive dibina untuk bantu jenama fesyen melancarkan platform resale berjenama – di mana pelanggan boleh:

• Jual balik pakaian jenama tersebut yang masih elok
• Beli item preloved dengan pengalaman setara e-dagang biasa
• Urus proses penghantaran dan pembayaran dengan mudah

Startup seperti Archive boleh raih pelaburan besar (sekitar US$30 juta) kerana beberapa sebab:

• Pengguna Gen Z dan Milenial cenderung membeli preloved untuk jimat dan kurang rasa bersalah terhadap alam sekitar.
• Jenama dapat jana aliran pendapatan baharu tanpa perlu mengeluarkan pakaian baru.
• Data resale membantu jenama faham kitar hayat produk dan nilai sebenar di pasaran sekunder.

Namun untuk runcit berskala besar – terutama di rantau dengan trafik tinggi seperti Malaysia – model ini hanya praktikal jika disokong teknologi data & AI yang matang. Tanpa itu, resale mudah jadi operasi manual yang lambat, serabut dan tak menguntungkan.

3. Di Mana AI Masuk: Dari Inventori Hingga Tingkah Laku Pelanggan

AI dalam runcit fesyen bukan lagi sekadar cadangan produk di laman web. Untuk jualan semula, AI boleh menyentuh hampir setiap bahagian operasi.

3.1 AI untuk ramalan permintaan & pengurusan inventori

Jawapan terus terang: tanpa ramalan yang tepat, resale hanya menambah satu lagi lapisan stok yang susah diurus.

Bagaimana AI membantu:

• Ramalan permintaan (demand forecasting): Model AI menganalisis sejarah jualan, trend musiman (contoh: Raya, Tahun Baru Cina, back-to-school), serta signal online (carian, wishlist) untuk jangka jenis item preloved yang akan laku.
• Pengoptimuman harga stok lama: Sistem boleh cadangkan bila patut turunkan harga stok baru sebelum ia “dilahirkan semula” sebagai stok resale atau dihantar ke saluran lain.
• Keputusan saluran: AI boleh cadang sama ada item tertentu patut:
  • dijual di kedai fizikal outlet,
  • dijual di laman e-dagang utama,
  • dialih ke platform resale berjenama,
  • atau disalurkan ke kitar semula tekstil.

Peruncit besar yang sudah guna AI untuk inventori biasa, boleh gunakan model serupa untuk menggabungkan data stok baru dan stok preloved dalam satu pandangan menyeluruh.

3.2 AI untuk penentuan harga dinamik (dynamic pricing)

Harga ialah nadi model resale. Kalau terlalu murah, margin tipis; terlalu mahal, barang tersangkut.

AI boleh:

• Membaca harga pasaran di pelbagai platform preloved (contoh: harga jersi bola, kasut sneakers, baju kurung moden branded)
• Menyesuaikan harga mengikut keadaan item (baru macam keluar kedai vs banyak tanda penggunaan)
• Mengambil kira kelangkaan saiz (saiz M dan L selalunya terjual dulu di Malaysia)

Hasilnya, sistem boleh tetapkan harga awal yang optimum dan pelan penurunan harga automatik berasaskan kadar tontonan dan kadar tambah ke troli.

3.3 AI untuk personalisasi pengalaman membeli preloved

Fesyen preloved ada satu cabaran klasik: setiap item unik, stok biasanya cuma satu. Jadi, carian dan penemuan produk perlu jauh lebih pintar.

AI boleh membantu dengan:

• Rekomendasi hiper-personal – contohnya, kalau pengguna selalu beli baju kerja warna neutral, sistem utamakan blazer preloved, seluar slack, kemeja minima.
• Carian visual – pengguna ambil gambar pakaian yang mereka suka, AI cari item preloved yang paling hampir dari segi potongan, warna dan gaya.
• Penapis kesesuaian badan – berdasarkan saiz yang pengguna simpan dan sejarah pulangan, AI cadang hanya saiz dan potongan yang berkemungkinan besar muat.

Ini menjadikan pengalaman beli preloved tak rasa “second class” berbanding produk baru – sesuatu yang sangat penting kalau jenama arus perdana mahu serius dalam resale.

4. Menjejak Jejak Karbon & Impak Mampan Dengan Data

Satu kelebihan besar jualan semula ialah impak kelestarian yang boleh diukur. Di sinilah AI dan analitik data memberi nilai strategik kepada pengurusan dan pelabur.

4.1 Dari naratif pemasaran kepada metrik konkrit

Peruncit boleh bina papan pemuka (dashboard) kelestarian yang menunjukkan, contohnya:

• Berapa banyak pakaian diselamatkan daripada tapak pelupusan melalui program resale
• Anggaran penjimatan CO₂, air dan tenaga berdasarkan bilangan item yang dijual semula
• Nisbah hasil jualan baharu vs jualan semula mengikut kategori

AI membantu dengan model pengiraan yang lebih tepat, mengambil kira faktor seperti jenis fabrik, jarak penghantaran, dan corak penggunaan.

Syarikat yang boleh menunjukkan metrik kelestarian yang jelas selalunya lebih mudah menarik pelabur institusi dan jenama antarabangsa yang ada sasaran ESG.

4.2 Menjawab soalan penting pengurusan

Beberapa soalan yang sering timbul di bilik mesyuarat besar:

• “Adakah program resale ini makan jualan produk baru?”
• “Berapa lama lagi hingga modal sistem jualan semula pulang?”
• “Kategori mana paling sesuai untuk diperluas?”

AI analitik boleh jawab dengan data, bukan tekaan, contohnya:

• Tunjuk bahawa pelanggan resale sebenarnya lebih setia dan masih membeli produk baru, cuma lebih kerap.
• Kira ROI program resale mengikut masa, termasuk kos logistik, sistem dan pemasaran.
• Kenal pasti kategori paling berpotensi (contoh: kasut sukan, pakaian kanak-kanak, baju Melayu & kebaya premium).

5. Peluang untuk Peruncit & Marketplace di Malaysia

Malaysia ada kombinasi menarik: pengguna celik digital, budaya membeli-belah online yang kuat, dan kesedaran kelestarian yang sedang meningkat – terutama di kalangan profesional muda bandar.

5.1 Model praktikal yang boleh dimulakan hari ini

Beberapa idea yang realistik untuk pemain besar:

1. “Certified Preloved” oleh jenama
   Jenama fesyen tempatan atau antarabangsa yang beroperasi di sini boleh wujudkan seksyen “preloved rasmi” di laman web sendiri, dengan jaminan kualiti dan autentik.

2. Marketplace kategori preloved kurasi
   Platform besar seperti Lazada atau Shopee boleh kurasi kategori “Fesyen Mampan / Preloved Terpilih” dengan penjual yang disaring dan sistem skor kualiti, dipacu AI untuk kesan penipuan dan barang tiruan.

3. Program buy-back di kedai fizikal
   Rangkaian pasar raya dan gedung serbaneka boleh tawar baucar tunai atau mata ganjaran bila pelanggan bawa semula pakaian jenama tertentu, kemudian item diproses ke saluran resale online.

Dalam semua model ini, AI runcit & e-dagang menjadi enjin belakang tabir untuk:

• Ramal volum barang masuk
• Tentukan harga
• Susun logistik dan inventori
• Peribadikan pemasaran kepada segmen pelanggan yang berbeza

5.2 Risiko kalau terlepas tren ini

Saya berpendapat, dalam 3–5 tahun akan datang, jualan semula akan jadi jangkaan standard, bukan kelebihan persaingan. Sama seperti penghantaran percuma dan “cash on delivery” yang dahulu dianggap istimewa.

Peruncit dan marketplace yang lambat:

• Dilihat kurang bertanggungjawab terhadap alam sekitar
• Kehilangan segmen muda yang lebih suka preloved & sustainable
• Melepaskan data berharga tentang kitar hayat produk kepada pemain lain (atau platform C2C bebas)

Sebaliknya, mereka yang mula awal boleh:

• Mengukuhkan kedudukan sebagai peneraju runcit mampan di rantau ini
• Mencipta produk kewangan & insentif baru (contoh: program kesetiaan berasaskan trade-in)
• Menarik pelabur yang serius tentang ESG dengan angka & laporan yang diyakini

6. Langkah Praktikal: Dari Idea ke Pelaksanaan

Untuk pasukan strategi, digital atau inovasi di peruncit dan marketplace besar, berikut rangka tindakan ringkas yang saya sarankan:

6.1 Mulakan dengan kategori fokus

Jangan cuba buat semua sekaligus. Pilih kategori di mana:

• Kitaran pembelian pantas (contoh: pakaian kanak-kanak, fesyen kasual)
• Nilai jenama tinggi (contoh: sneakers, streetwear, pakaian kerja premium)

Uji model resale di kategori ini dahulu, sambil AI mengumpul data corak pembelian dan pulangan.

6.2 Integrasi data, bukan tambah silo baru

Program resale mesti berkongsi data dengan:

• Sistem pengurusan inventori sedia ada
• Platform e-dagang utama
• Sistem CRM & ganjaran pelanggan

Ini membolehkan model AI melihat gambar penuh: siapa pelanggan, apa mereka beli baru, apa mereka jual semula, berapa kerap, dan bagaimana ia mempengaruhi nilai sepanjang hayat pelanggan (customer lifetime value).

6.3 Gunakan AI di tempat paling “sakit” dahulu

Kenal pasti titik paling membebankan manual sekarang:

• Penilaian keadaan item
• Penentuan harga
• Pengurusan stok unik satu-persatu

Mulakan dengan automasi dan model AI di sini. Anda tak perlu sistem sempurna untuk mula; matlamatnya ialah kurangkan kos operasi per item supaya resale boleh capai skala.

Penutup: Fesyen Mampan Perlu Data Pintar, Bukan Niat Baik Semata-mata

Model jualan semula dalam talian seperti yang dibangunkan Archive menunjukkan satu perkara jelas: fesyen mampan boleh jadi model bisnes yang menguntungkan, bukan kos tambahan. Tetapi untuk peruncit besar dan marketplace, kunci kejayaan terletak pada sejauh mana AI runcit & e-dagang digunakan untuk mengurus inventori, memahami tingkah laku pelanggan dan mengukur impak kelestarian.

Archive mengutip dana puluhan juta dolar kerana pelabur nampak potensi gabungan antara teknologi, data dan kelestarian. Di Malaysia dan Asia Tenggara, peluangnya sama besar – mungkin lebih besar, memandangkan budaya membeli-belah digital yang sudah matang.

Jika organisasi anda sedang memikirkan langkah seterusnya dalam AI runcit, tahun hadapan bukan sekadar masa untuk tambah satu lagi chatbot; ini masa yang baik untuk bertanya:

“Bagaimana kami boleh jadikan jualan semula dan fesyen mampan sebagai enjin pertumbuhan bernilai, disokong data dan AI?”

Syarikat yang mula menjawab soalan ini dengan serius hari ini berpeluang memimpin pasaran, bukan mengejar dari belakang.