Bagaimana AI Mengubah Strategi Marketplace Fesyen

Pada satu ketika, Lyst pernah dinilai sekitar $700 juta. Awal Disember ini, marketplace fesyen mewah itu dibeli oleh syarikat Jepun, Zozo, hanya pada harga kira-kira $154 juta tunai. Jurang hampir $546 juta ini bukan sekadar cerita kejatuhan valuasi startup; ia cerminkan realiti baru: data, analitik dan AI menentukan siapa yang menang dalam e-dagang fesyen.

Untuk peruncit besar dan marketplace seperti Lazada, Shopee, Zalora, atau bahkan rangkaian fizikal seperti Lotus’s yang agresif ke arah omni-channel, kisah Lyst–Zozo ini adalah cermin masa depan. Syarikat yang menang bukan semestinya yang paling glamor, tapi yang paling data-centric.

Dalam rencana ini, saya akan kupas:

• Kenapa Zozo sanggup beli Lyst sekarang
• Bagaimana AI dan analitik mungkin memandu keputusan M&A ini
• Apa yang peruncit dan marketplace di Malaysia boleh belajar — dari ramalan inventori hinggalah personalisasi pelanggan dan penyatuan pasca-pengambilalihan.

1. Apa Yang Berlaku Dengan Lyst & Zozo – Dan Kenapa Ia Penting

Intinya, Lyst ialah marketplace fesyen mewah yang pernah menjadi bintang naik: koleksi jenama high-end, pengalaman kurasi, dan pengguna global. Namun ia berakhir dijual kepada Zozo, pemain fesyen dan e-dagang Jepun yang mengendalikan platform dan beberapa jenama seperti Wear dan lain-lain.

Langkah ini penting sebab ia tunjuk pola baru dalam industri:

1. Valuasi lama tidak lagi “sakral”
   Era duit murah sebelum 2022 buat banyak startup dinilai tinggi tanpa asas data operasi yang kukuh. Bila kos modal naik dan persaingan e-dagang mengganas, pelabur mula tengok semula metrik sebenar: unit economics, kos pemerolehan pelanggan, churn, dan kualiti data.

2. Pembeli strategik lebih fokus kepada data, bukan hanya jenama
   Zozo bukan sekadar beli nama Lyst. Mereka dapat:

   • Akses kepada pangkalan pengguna global Lyst
   • Data tingkah laku pembelian fesyen bertahun-tahun
   • Teknologi carian dan penemuan produk

3. AI jadikan M&A lebih “matematik”
   Hari ini, syarikat besar tak lagi tengok M&A sebagai “gut feel” sahaja. Mereka sangat bergantung kepada:

   • Model ramalan nilai seumur hidup pelanggan (CLV)
   • Cohort analysis berdasarkan negara, kategori, atau demografi
   • Simulasi sinergi inventori dan cross-sell menggunakan AI

Untuk pemain besar di Malaysia, ini memberi satu mesej jelas: aset sebenar dalam e-dagang fesyen bukan sekadar stok dan jenama, tetapi data pelanggan dan keupayaan AI memprosesnya.

2. Di Sebalik Angka: Apa Yang AI Boleh Beritahu Zozo Mengenai Lyst

Realitinya, Zozo tidak akan bayar lebih daripada $100 juta hanya kerana suka logo Lyst. Mereka hampir pasti menggunakan analitik lanjutan dan AI untuk menilai potensi.

2.1 Data pelanggan: “emas” utama dalam fesyen

Dalam e-dagang fesyen, data pelanggan lebih berharga daripada butik flagship:

• Sejarah pembelian: kekerapan, kategori, nilai bakul
• Data gaya & saiz: preferensi potongan, warna, jenama
• Tingkah laku di aplikasi/web: apa yang disimpan dalam wishlist, apa yang ditapis, produk yang dibaca review

AI boleh guna data ini untuk menjawab soalan kritikal Zozo:

• “Berapa ramai pelanggan Lyst yang berpotensi beli jenama Jepun Zozo?”
• “Negara mana yang paling mudah di-‘cross-sell’ ke platform Zozo?”
• “Segment mana yang ada CLV tinggi tapi belum dimaksimumkan?”

Jika model memproyeksi peningkatan CLV 20–30% selepas integrasi, tiba-tiba harga $154 juta nampak murah.

2.2 Data inventori dan penawaran produk

Fesyen sangat sensitif kepada musim dan trend. AI membolehkan analisis seperti:

• Model ramalan permintaan mengikut jenama, kategori, negara
• Pengenalpastian produk “evergreen” vs trend pendek
• Analisis margin bersih selepas logistik dan pemulangan

Zozo boleh menilai sama ada inventori dan rakan jenama Lyst:

• Melengkapkan kekosongan dalam katalog Zozo (contoh: premium Eropah)
• Atau hanya ulang produk dengan margin rendah

Bezanya di sini ialah: AI boleh mensimulasikan senario penggabungan katalong dan memberi angka kasar kenaikan hasil dan margin dalam 12–36 bulan.

2.3 Teknologi carian, penemuan & personalisasi

Marketplace fesyen bergantung kuat kepada search & discovery. Lyst sudah lama melabur dalam carian fesyen, kurasi dan cadangan produk.

Zozo mungkin menilai teknologi Lyst seperti:

• Enjin cadangan berasaskan collaborative filtering dan deep learning
• Algoritma image recognition untuk cari produk serupa
• Personalisasi home feed dan email marketing

Jika algoritma Lyst terbukti meningkatkan kadar penukaran 10–15% berbanding enjin Zozo, itu sendirinya justifikasi integrasi teknologi ke seluruh ekosistem Zozo.

3. Pelajaran Untuk Retail & Marketplace Malaysia: Jangan Jual Tanpa Data

Bagi pemain tempatan, kisah ini bukan sekadar gosip M&A global. Ada beberapa pelajaran praktikal.

3.1 Tanpa asas data yang kuat, valuasi boleh “kempis” cepat

Ramai retailer dan marketplace di Asia Tenggara pernah kejar GMV dan pengguna aktif tanpa memikirkan:

• Profitabiliti per pesanan
• Kualiti pengguna (berapa ramai yang datang hanya untuk voucher?)
• Struktur data (data bercelaru, tak boleh guna untuk AI)

Bila tiba masa untuk cari pelabur baru atau jual bisnes:

• Valuasi berasaskan “story” sudah tak cukup
• Pembeli akan minta dashboard metrik, bukan hanya pitch deck

Syarikat yang konsisten membina data warehouse yang bersih, event tracking yang jelas, dan model analitik asas akan jauh lebih meyakinkan.

3.2 AI dalam e-dagang bukan lagi “nice to have”

Untuk peruncit besar, AI perlu menyentuh sekurang-kurangnya lima perkara:

1. Ramalan inventori (demand forecasting)

   • Elak overstock baju raya yang tak habis
   • Pastikan saiz popular (M & L) tak cepat habis stok

2. Dynamic pricing & promosi pintar

   • Laraskan diskaun ikut tahap stok, permintaan dan profil pelanggan
   • Contoh: pelanggan setia diberi promosi “awal” sebelum harga turun besar-besaran

3. Personalisasi pengalaman pelanggan

   • Home feed ikut gaya dan budget
   • E-mel dan push notification yang betul-betul relevan

4. Pencegahan penipuan & pemulangan

   • Kenal pasti pola pemulangan luar biasa
   • Flag akaun yang kerap salah guna voucher

5. Automasi operasi gudang dan pemenuhan

   • Routing pesanan ke gudang paling dekat
   • Perancangan “slot” penghantaran yang optimum

Syarikat yang abaikan ini akan tengok margin mereka semakin tertekan berbanding pesaing yang agresif menggunakan AI.

3.3 Integrasi pasca-pengambilalihan kena berpaksikan data

Ramai penggabungan gagal bukan kerana strategi salah, tetapi kerana integrasi data dan sistem yang berterabur.

Jika anda beli marketplace atau jenama baru, fokuskan pada tiga lapisan:

1. Integrasi identiti pelanggan

   • Gabungkan akaun pelanggan dengan ID unik
   • Elak pelanggan yang sama dikira dua kali di dua platform

2. Pemetaan produk & kategori

   • Selaraskan kategori, atribut produk, saiz, warna
   • Penting untuk search, filter dan analitik stok

3. Penggabungan model AI

   • Bandingkan prestasi enjin cadangan sedia ada vs syarikat yang diambil alih
   • Pilih, gabung atau bina semula model baharu berdasarkan data gabungan

Bila lapisan-lapisan ini dibuat dengan disiplin, anda boleh nampak sinergi sebenar dalam bentuk peningkatan conversion rate, AOV dan CLV — bukan hanya angka teoritikal dalam kertas M&A.

4. Rangka AI Strategik Untuk Peruncit & Marketplace Besar

Untuk retailer dan marketplace yang serius, ini rangka ringkas yang saya cadangkan bila bincang tentang AI dalam konteks pertumbuhan dan juga M&A:

4.1 Mulakan dengan soalan perniagaan, bukan algoritma

Tanya soalan seperti:

• “Di mana kita paling banyak rugi margin sekarang?”
• “Segmen pelanggan mana yang kita patut beri lebih perhatian?”
• “Bahagian mana dalam funnel yang paling bocor?”

Dari soalan ini, baru pilih:

• Adakah kita perlu model churn prediction?
• Atau model ramalan permintaan SKU per cawangan?
• Atau enjin cadangan produk omni-channel?

4.2 Bina asas data yang “AI-ready”

Sebelum bercakap besar tentang generative AI, pastikan:

• Event tracking di app/web konsisten (view, add-to-cart, purchase, wishlist)
• SKU ID, kategori, jenama seragam di semua sistem (online & offline)
• Data pelanggan (profil, transaksi, interaksi) boleh diagregatkan dalam satu pandangan

Tanpa ini, AI anda akan jadi “gearbox racing” yang dipasang pada kereta lama — bising, tapi tak laju.

4.3 Ukur impak dalam RM, bukan slide

Setiap inisiatif AI perlu diikat dengan metrik kewangan:

• Ramalan inventori → pengurangan stok mati 10–20%
• Personalisasi → kenaikan conversion 5–15%
• Dynamic pricing → peningkatan margin kasar 1–3 mata peratusan

Bila impak dikira jelas, mudah untuk yakinkan lembaga pengarah atau pelabur, sama ada untuk pelaburan AI baru atau untuk M&A yang disokong oleh kekuatan data.

5. Menghubungkan Kisah Lyst–Zozo Dengan Realiti 2025 di Malaysia

Masuk hujung tahun 2025, dengan jualan hujung tahun dan persiapan Tahun Baru Cina di hadapan, persaingan e-dagang Malaysia memuncak. Promosi besar sudah jadi "biasa". Yang membezakan sekarang ialah ketepatan:

• Ketepatan stok: jangan over-order produk yang tak jalan
• Ketepatan sasaran promosi: hantar tawaran yang betul kepada kumpulan yang betul
• Ketepatan integrasi: bila beli jenama atau platform lain, cepatkan masa ke nilai (“time to value”)

Kisah Lyst–Zozo mengingatkan satu perkara:
Jika anda bina bisnes e-dagang tanpa strategi data dan AI yang jelas, valuasi boleh kempis lebih cepat daripada yang anda sangka.

Sebaliknya, jika anda:

• Konsisten kumpul dan bersihkan data
• Bangunkan model AI yang terus diukur impaknya
• Rancang integrasi data seawal fasa rundingan M&A

…anda akan jadi pembeli strategik yang yakin, bukan penjual terpaksa yang berdepan diskaun.

Bagi peruncit besar dan marketplace di Malaysia yang sedang mempertimbangkan pelaburan AI atau potensi pengambilalihan pemain niche, masa terbaik untuk susun semula strategi data ialah sebelum tawaran pertama dibuat — bukan selepas term sheet ditandatangani.

Soalannya sekarang: adakah organisasi anda sedang membina aset data dan AI yang akan menaikkan valuasi, atau sekadar mengejar GMV tanpa arah jelas?