Bagaimana AI Ramal Permintaan Runcit & Kurangkan Pembaziran

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

Peramalan permintaan berasaskan AI kurangkan pembaziran makanan, elak stok habis, dan naikkan margin untuk pasar raya besar dan marketplace seperti Shopee & Lotus’s.

AI runcitperamalan inventorie-dagang Malaysiagrocery techsupply chain AI
Share:

Bagaimana AI Ramal Permintaan Runcit & Kurangkan Pembaziran

Di pasar raya besar, satu ramalan permintaan yang tersasar 5–10% boleh jadi beza antara rak yang kosong dengan rak penuh barang yang akhirnya dibuang. Di Amerika Syarikat sahaja, pasar raya membuang sekitar 10% daripada lebih 44 bilion paun makanan setahun hanya kerana ramalan permintaan yang lemah. Kesan akhirnya: margin untung terhakis, pembaziran makanan meningkat, dan jejak karbon melonjak.

Untuk rangkaian besar dan marketplace seperti Lotus’s, Aeon, Shopee, Lazada, isu yang sama wujud dalam skala jauh lebih besar. Volume tinggi, katalog produk ribu-ribu SKU, tingkah laku pengguna yang berubah pantas, dan promosi yang agresif menjadikan peramalan inventori sesuatu yang kritikal, bukan “nice to have”.

Di sinilah muncul startup seperti Guac, disokong oleh Y Combinator, yang melatih algoritma untuk meramal permintaan barangan runcit dengan jauh lebih tepat. Walaupun mereka bermula dengan kedai runcit fizikal, pendekatan yang sama sangat relevan kepada gergasi e-dagang dan rangkaian pasar raya di Asia Tenggara – termasuk Malaysia.

Artikel ini kupas:

  • Kenapa ramalan permintaan tradisional gagal untuk runcit moden
  • Apa yang Guac dan startup AI lain buat secara berbeza
  • Cara model seperti ini boleh diadaptasi untuk Shopee, Lazada, dan Lotus’s
  • Langkah praktikal jika anda mahu mula guna AI untuk peramalan inventori

Masalah Sebenar: Ramalan Permintaan Runcit Masih Era Excel

Punca utama pembaziran makanan dan stok habis ialah model ramalan yang terlalu ringkas berbanding realiti pasaran.

Di mana runcit biasa “terbabas”

Kebanyakan peruncit masih bergantung pada gabungan:

  • Excel + sedikit moving average
  • Sistem ERP lama dengan modul peramalan asas
  • Pengalaman staf: “Tahun lepas minggu ni kita order 50 peti, tahun ni lebih kurang sama”

Masalahnya:

  1. Tak cukup granular
    Data disatukan per minggu/bulan, bukan paras SKU x cawangan x hari. Sedangkan permintaan susu segar 1L di cawangan Subang Jaya pada hari Isnin sangat berbeza dengan cawangan Alor Setar pada hari Ahad.

  2. Tak faham kesan promosi & harga
    Diskaun 20% di app Shopee bukan sekadar naikkan jualan 20%. Kadang-kadang melonjak 2–3 kali ganda, terutama bila digabung free shipping atau flash sale.

  3. Tak sertakan faktor luaran
    Cuaca panas, cuti sekolah, gaji masuk, even perlawanan bola besar – semua ini ubah pola belian. Model tradisional jarang ambil kira.

  4. Lambat belajar dari kesilapan
    Bila overstock atau out-of-stock, pembetulan dibuat manual, selalunya lewat beberapa minggu. Kerugian dah pun berlaku.

Bila benda-benda ni bercampur, lahirlah situasi yang kita biasa nampak:

  • Rak sayur nampak penuh pagi, banyak yang berakhir di tong sampah malam
  • Produk popular habis stok masa kempen 12.12, pelanggan berpindah ke pesaing
  • Marketplace simpan stok seller di gudang (fulfilment), tapi ramalan tak tepat menyebabkan kos simpanan meningkat

Ini bukan sekadar isu operasi. Ramalan permintaan yang lemah makan margin dan rosakkan pengalaman pelanggan.

Apa Yang Guac Buat: Algoritma Ramal Permintaan Untuk Kedai Runcit

Guac muncul dengan idea ringkas tapi berani: latih algoritma khusus untuk memahami “ritma” permintaan barangan runcit, produk demi produk, cawangan demi cawangan.

Walaupun butiran teknikal Guac tak semuanya didedahkan, berdasarkan pendekatan biasa startup peramalan AI, beberapa elemen utama hampir pasti wujud.

1. Data jauh lebih kaya dari POS semata-mata

Model seperti Guac biasanya gunakan kombinasi:

  • Data transaksi POS (sejarah jualan mengikut SKU, hari, lokasi, jam)
  • Harga & promosi (diskaun, bundle, kupon, kempen marketplace)
  • Stok masuk & stok semasa (data inventori real-time atau hampir real-time)
  • Kalender (hari minggu, cuti umum, Ramadan, Raya, Tahun Baru Cina dan sebagainya)
  • Data luaran terpilih (cuaca, acara besar, trend sosial tertentu)

Setiap faktor ini beri “signal” berbeza kepada algoritma. Contohnya:

  • Cuaca panas berpanjangan → kenaikan permintaan ais krim, minuman isotonik
  • Minggu sebelum Raya → lonjakan minyak masak, tepung, susu pekat
  • Gaji masuk (± 2–3 hari) → basket size naik untuk keperluan bulanan

2. Peramalan pada skala mikro

Berbeza dengan model lama yang “bundling” data per kategori, startup seperti Guac cuba ramal sampai tahap:

SKU x Cawangan x Hari (atau jam)

Contohnya: "permintaan roti wholemeal 400g di Lotus’s Cheras pada hari Sabtu" – bukan sekadar "permintaan roti wholemeal di Lembah Klang minggu ini".

Bila ramalan mikro ni dijumlahkan semula, barulah:

  • Order ke pembekal lebih tepat
  • Pengagihan stok antara cawangan lebih seimbang
  • Gudang tak terlebih penuh atau terlebih kosong

3. Model machine learning yang sentiasa belajar

Model peramalan moden biasanya menggunakan gabungan:

  • Time series forecasting (misalnya model seperti Prophet, ARIMA moden, atau model deep learning bersiri masa)
  • Model tabular (gradient boosting, random forest, atau deep neural network) untuk faham kesan harga, promosi, kalendar

Ia belajar semula secara berkala (contoh: harian/mingguan) bila data baru masuk. Bila kempen 11.11 atau 12.12 bagi kesan luar biasa, behavior itu akan diingati model untuk kempen seterusnya.

4. Output yang berguna untuk orang operasi

Model yang hebat pun tak berguna kalau outputnya susah dipakai. Biasanya Guac dan pemain serupa akan hasilkan:

  • Ramalan kuantiti per SKU per cawangan per hari
  • Cadangan paras stok sasaran & jumlah pesanan (order quantity)
  • Amaran risiko overstock & stockout
  • Visual ringkas untuk buyer, planner, dan store manager

Nilai sebenar AI bukan sekadar graf cantik, tapi keputusan pesanan harian yang lebih bijak.

Dari Guac ke Shopee & Lotus’s: Bagaimana Ia Skala Untuk Giant Retail & Marketplace

Konsep yang sama boleh membawa impak besar bila dilaksanakan di rangkaian besar dan marketplace Asia Tenggara. Perbezaan utama hanyalah skala dan kerumitan.

Untuk pasar raya & hypermarket (Lotus’s, Aeon dan lain-lain)

Beberapa aplikasi praktikal:

  1. Perancangan stok mengikut cawangan

    • Model ramalan membezakan pola setiap kawasan: bandar vs luar bandar, kawasan pekerja vs kawasan keluarga.
    • Contoh: cawangan di kawasan pelajar universiti mungkin perlukan lebih mi segera dan makanan ready-to-eat berbanding cawangan kawasan perumahan keluarga.

  2. Pengurangan pembaziran makanan segar

    • Produk seperti sayur, buah, daging dan bakeri paling sensitif.
    • AI boleh cadangkan paras stok optimum mengikut hari minggu dan cuaca.
    • Bila nampak risiko lebihan, sistem boleh trigger: harga diskaun, promosi kilat dalam app, atau pemindahan stok ke cawangan lain.
  1. Perancangan promosi lebih tersasar
    • Bukannya “blast” promo seluruh negara, AI boleh tunjuk:
      • Produk mana yang patut di-push di kawasan tertentu
      • Berapa anggaran kenaikan demand bila diskaun 10% vs 20%

Untuk marketplace (Shopee, Lazada, TikTok Shop)

Marketplace ada cabaran lain, tapi asasnya sama: ramal permintaan untuk kurangkan kos dan tingkatkan pengalaman pelanggan.

Aplikasi penting:

  1. Fulfilment & warehousing (contoh: Fulfilled by Shopee)

    • Platform boleh cadang kepada seller berapa stok patut dihantar ke gudang pusat berdasarkan ramalan demand.
    • Seller kecil tak perlu buat peramalan sendiri; mereka “tumpang” kecerdasan AI platform.

  2. Penempatan stok merentas gudang

    • Untuk Malaysia, mungkin ada beberapa hub: Lembah Klang, Utara, Selatan, Sabah, Sarawak.
    • AI boleh ramal permintaan mengikut wilayah dan cadang berapa stok patut diletak di setiap hub untuk kurangkan masa penghantaran dan kos logistik.

  3. Perancangan kempen mega (11.11, 12.12, Raya, Tahun Baru Cina)

    • Daripada sekadar melihat statistik tahun lepas, model boleh:
      • Ambil kira trend terkini, ekonomi semasa, polisi baru (contoh: subsidi, SST)
      • Ramal kategori mana bakal meletup dan mana yang akan perlahan

Bila semua ini bekerja serentak, platform nampak “magis” dari sudut pengguna: barang jarang habis, penghantaran laju, dan jarang sangat berlaku situasi “stok habis selepas bayar”.

Manfaat Bisnes: Dari Margin, Capex Gudang Hingga ESG

AI untuk peramalan permintaan bukan projek “nice to have”; ia terus sentuh P&L dan ESG report.

Antara impak yang sering saya nampak dalam projek sebenar:

  1. Pengurangan pembaziran 10–30% untuk kategori segar
    Bukan semua, tapi kategori tertentu seperti sayur & buah biasanya nampak kesan ketara dalam beberapa bulan pertama bila ramalan diperhalusi.

  2. Stok habis kurang, jualan hilang berkurang
    Bila stockout menurun, conversion rate naik. Kesan domino:

    • Lebih banyak pelanggan kekal di platform/jenama anda
    • Kurang peluang pesaing “curi” pelanggan semasa puncak permintaan

  3. Penggunaan gudang & modal kerja lebih optimum

    • Kurang stok mati → kurang ruang stor diperlukan
    • Pusingan inventori (inventory turnover) meningkat → modal kerja terikat dalam stok berkurang

  4. Laporan kelestarian (ESG) lebih kukuh
    Pembaziran makanan berkait terus dengan pelepasan karbon sepanjang rantaian nilai (tanaman, pengangkutan, penyejukan). Kurangkan food waste = kurangkan jejak karbon.
    Bagi syarikat tersenarai, ini terus menyokong sasaran ESG.

  5. Penting: keupayaan bertindak pantas bila pasaran berubah
    Dalam suasana ekonomi tak menentu, keupayaan “reforecast” pantas jadi kelebihan strategik. Model AI boleh dikemaskini lebih kerap berbanding proses manual.

Kalau Anda Nak Mula: 5 Langkah Praktikal AI Peramalan Inventori

Ramai syarikat besar terperangkap pada tahap “POC tak habis-habis”. Sebenarnya, jalan praktikal ke arah AI peramalan boleh bermula kecil tapi fokus.

1. Pilih kategori & use case yang paling “sakit”

Mulakan dengan 1–2 kategori yang:

  • Margin sensitif (contoh: segar, sejuk beku)
  • Kadar pembaziran tinggi
  • Atau produk hero yang selalu habis stok masa kempen

Jangan cuba selesaikan semua SKU serentak. Kejayaan kecil yang jelas lebih mudah dijual ke pengurusan.

2. Pastikan data asas cukup “bersih untuk dimakan”

Minimum yang diperlukan:

  • Data jualan per SKU per cawangan per hari (lebih halus lebih baik)
  • Data stok masuk & stok semasa
  • Log promosi & perubahan harga
  • Kalender cuti & musim perayaan tempatan

Tak perlu sempurna 100%. Tapi kalau kod produk bercelaru, tarikh hilang, atau promosi tak direkod langsung, model akan rabun.

3. Pilih pendekatan: bina dalaman, guna vendor, atau gabung

Pilihan biasa:

  • Bina dalaman: Sesuai bagi syarikat yang dah ada pasukan data kuat dan budaya teknologi matang.
  • Guna vendor/startup: Lebih laju untuk mula, contoh konsep seperti Guac untuk runcit.
  • Hibrid: Vendor bangunkan model teras, pasukan dalaman fokus integrasi & penambahbaikan.

Saya cenderung pada pendekatan hibrid untuk peruncit besar di Malaysia: kurangkan risiko teknologi, tapi kekalkan kawalan jangka panjang.

4. Integrasi dengan proses sedia ada, bukan bina “silo AI” baru

AI perlu masuk ke keputusan harian:

  • Laporan ramalan terus ke sistem perancangan pembelian (procurement planning)
  • Cadangan pesanan (recommended order) muncul dalam skrin yang buyer memang guna
  • Store manager nampak ringkasan paras stok sasaran dalam dashboard yang mudah

Kalau AI hanya keluar sebagai PDF cantik setiap hujung bulan, ia takkan ubah apa-apa.

5. Uji, ukur, ulang

Tetapkan metrik yang jelas sebelum mula:

  • Pengurangan pembaziran (%)
  • Penurunan kes stockout
  • Perubahan margin kategori

Jalankan eksperimen A/B di beberapa cawangan atau negeri. Bila nampak angka keras, senang untuk justify pelaburan dan skalakan ke seluruh rangkaian atau seluruh platform.

Kenapa Peruncit Besar Tak Boleh Tunggu Lagi

Dalam siri “AI in Retail & E-Commerce (Large Chains & Marketplaces)”, satu corak yang jelas muncul: syarikat yang guna AI untuk operasi teras—bukan sekadar pemasaran—bergerak lebih laju dan lebih untung.

Peramalan permintaan ialah salah satu titik tumpu paling berkesan kerana ia:

  • terus sentuh kos, jualan, dan pengalaman pelanggan,
  • menyokong agenda kelestarian melalui pengurangan pembaziran,
  • dan bina asas data yang nanti boleh digunakan untuk dynamic pricing, personalisasi, dan automasi gudang.

Startup seperti Guac hanya permulaan trend yang lebih besar: algoritma yang benar-benar faham “denyut nadi” runcit dan e-dagang, produk demi produk, kawasan demi kawasan. Soalan utama untuk pemain besar di Malaysia sekarang bukan lagi “patut ke kita guna AI?”, tapi:

Berapa lama lagi kita sanggup biar wang dan makanan dibuang kerana ramalan permintaan yang lemah?

Bagi peruncit dan marketplace yang bersedia bertindak, 2025 masih masa yang baik untuk bergerak awal. Yang lambat, terpaksa mengejar pesaing yang sudah menukar data menjadi kelebihan operasi sebenar.