AI Ramal Permintaan: Senjata Baharu Rantaian Bekalan Retail

Pada 2020, ramai pengarah operasi retail buat keputusan stok dengan satu rasa: panik. Kontena sangkut di pelabuhan, kilang tutup, dan SKU laris tiba-tiba habis berbulan-bulan. Masuk 2025, masalah bukan lagi sekadar kontena, tapi kelajuan trend yang “meletup-melandai” ikut TikTok, Shein dan Temu.

Inilah realiti retail dan e-dagang hari ini: permintaan berubah lebih laju daripada kitaran perancangan tradisional. Kalau dulu forecast dibuat bulanan atau suku tahunan, sekarang satu video viral 30 saat boleh ubah demand dalam masa 24 jam.

Pendulum, sebuah platform AI rantaian bekalan dari AS, muncul tepat dalam konteks ini. Mereka bina sistem ramalan permintaan dan penawaran yang cuba jawab satu soalan mudah tapi kritikal: berapa unit patut anda ada, di lokasi mana, dan pada masa bila — tanpa membazir modal dan ruang stor.

Artikel ini kupas bagaimana pendekatan seperti Pendulum relevan untuk pemain besar seperti Lazada, Shopee, Lotus’s, Aeon, dan juga jenama yang bergantung pada marketplace. Fokusnya: bagaimana AI ramalan permintaan dan pengoptimuman rantaian bekalan patut jadi tulang belakang retail & e-dagang di Malaysia pada 2025.

---

1. Masalah sebenar: TikTok ubah demand, proses masih zaman Excel

Jawapan jujur: kebanyakan retailer dan marketplace besar masih guna gabungan Excel, pengalaman “rasa pasar”, dan sistem ERP yang lambat untuk buat keputusan inventory.

Dalam dunia “TikTok-ification of retail”, ada tiga isu besar:

1. Trend naik mendadak, turun mendadak
   Satu produk viral dalam masa 48 jam, tapi hype boleh mati dalam seminggu. Kalau forecast guna data bulan lepas, anda sentiasa lambat.

2. Kitaran produk makin pendek
   Shein dan Temu keluarkan reka bentuk baharu hampir harian. Brand tempatan pun ikut — capsule collection, collab influencer, seasonal drop. SKU bertambah gila-gila, tapi kapasiti perancangan manusia tak bertambah.

3. Rantaian bekalan global tak stabil
   Kos freight, geopolitik, kekurangan bahan mentah — semua ini buat lead time tak konsisten. Satu batch tiba cepat, satu lagi lambat dua minggu.

Most companies get this wrong: mereka cuba selesaikan masalah 2025 dengan cara 2015. Tambah staf planner, tambah mesyuarat, tambah laporan — tapi bukan tambah kecerdasan dalam data.

Platform seperti Pendulum wujud sebab jurang ini. Mereka tak cuba ganti ERP atau WMS, tapi jadi “otak AI” yang duduk di tengah, membaca data permintaan dan penawaran, kemudian cadangkan tindakan yang boleh dijalankan (order berapa, stock pindah ke mana, bila perlu turunkan harga, dan sebagainya).

---

2. Apa sebenarnya AI ramalan permintaan buat untuk retail & e-dagang?

Jawapan pendek: AI ramalan permintaan gabungkan data tingkah laku pelanggan, data jualan sejarah dan signal luaran untuk menjangka permintaan lebih tepat dan lebih cepat berbanding forecast manual.

Komponen utama sistem seperti Pendulum

Untuk konteks, rata-rata platform AI rantaian bekalan enterprise ada modul seperti:

• Ramalan permintaan (demand forecasting)
  Model AI gunakan data:

  • jualan sejarah mengikut SKU, cawangan, dan channel (online/offline),
  • kempen pemasaran dan promosi lepas,
  • trend carian dan engagement (cth: view & add-to-cart dari app anda),
  • faktor luaran seperti musim perayaan, cuaca, dan pergerakan harga pesaing.

• Perancangan penawaran (supply planning)
  Mengambil kira:

  • lead time pembekal berbeza,
  • kapasiti gudang dan rak,
  • MOQ (minimum order quantity),
  • kos logistik dan import,
  • kekangan bajet procurement.

• Pengoptimuman inventory
  Sistem mencadangkan:

  • stok sasaran di setiap lokasi (dark store, hub, outlet),
  • bila perlu reorder dan dalam kuantiti berapa,
  • SKU mana patut “dibiarkan mati” kerana demand benar-benar jatuh.

• Simulasi scenario “what-if”
  Contoh: “Kalau saya naikkan budget TikTok Ads 30% untuk kategori kecantikan minggu depan, berapa tambahan unit perlu di tiga fulfillment center?”

Platform seperti Pendulum biasanya bungkus semua ini dalam satu dashboard enterprise, dengan fokus pada tindakan, bukan sekadar graf cantik.

The reality? Retailer besar yang berjaya bukan yang paling banyak data, tapi yang paling cepat ubah data kepada keputusan operasi.

---

3. Dari Shopee ke rak hypermarket: aplikasi praktikal di Malaysia

Bila kita cakap “AI untuk rantaian bekalan”, bunyinya abstrak. Jadi mari tengok bagaimana pendekatan seperti Pendulum boleh jalan dalam konteks Malaysia.

a) Marketplace & e-dagang: Lazada, Shopee, TikTok Shop

Bagi marketplace dan jenama yang kuat online, AI ramalan permintaan boleh bantu:

• Perancangan flash sale & 12.12 / Raya sale
  Sistem boleh belajar pola bertahun-tahun dan signal terkini untuk anggarkan:

  • berapa unit setiap SKU akan laku pada harga promosi tertentu,
  • bila puncak order akan datang (jam berapa, hari mana),
  • berapa rider & slot penghantaran perlu di setiap bandar.

• Pengagihan stok mengikut zon
  Contoh: data tunjuk skincare K-beauty lebih laku di Lembah Klang dan JB, manakala barangan rumah murah lebih kuat di utara dan pantai timur. AI boleh cadangkan pindah stok dari gudang A ke B sebelum kempen besar, kurangkan lambakan di satu lokasi dan kehabisan stok di lokasi lain.

• Integrasi dengan iklan dan promosi
  Kalau AI nampak demand mula naik bila satu produk trending di TikTok, ia boleh beri signal awal kepada team marketing dan demand planning: “Naikkan budget ads, tapi pada masa sama tingkatkan PO dari pembekal”.

b) Rangkaian pasar raya dan hypermarket

Untuk pemain seperti Lotus’s, Aeon, Mydin, NSK, atau Village Grocer, cabaran utama ialah:

• kombinasi SKU basah, segar, kering, dan non-food,
• ruang rak fizikal yang terhad,
• pelanggan yang sangat sensitif kepada stok habis (terutama barangan harian dan bayi).

Di sini, AI boleh digunakan untuk:

• Ramalan demand mengikut cawangan
  Air minuman bersaiz besar mungkin laku di kawasan perumahan besar, tetapi produk premium lebih laku di kawasan bandar. AI boleh tetapkan profil demand khusus untuk setiap cawangan berdasar data sebenar, bukan sekadar “copypaste” plan nasional.

• Kurangkan pembaziran produk segar
  Model boleh jangka berapa banyak ikan, sayur, buah, dan roti yang perlu dipesan setiap hari mengikut cuaca, gaji bulanan, dan musim perayaan. Walaupun tak sempurna, pengurangan pembaziran 10–20% pun sudah cukup besar dari sudut margin.

• Menghubung pautan online & offline (omnichannel)
  Kalau pelanggan order melalui app untuk pick-up di cawangan, AI boleh gabungkan data tersebut ke dalam ramalan demand store berkenaan. Ini elak situasi rak nampak penuh tapi sebenarnya separuh sudah “reserved” untuk order online.

---

4. Dari data ke tindakan: apa beza AI enterprise dengan “BI cantik”?

Ramai syarikat besar sudah ada BI dashboard yang tunjuk graf revenue, unit sold, seasonality dan sebagainya. Tapi BI selalunya jawab “apa yang sudah berlaku”, sedangkan pasukan rantaian bekalan perlukan jawapan “apa yang patut dibuat seterusnya”.

Pendulum dan platform seumpamanya cuba fokus pada tiga perkara:

1. Cadangan yang boleh terus dilaksana (prescriptive analytics)
   Bukan sekadar “demand dijangka naik 20%”, tapi:

   • “Tambah 1,500 unit SKU A ke gudang Shah Alam dalam 5 hari”,
   • “Kurangkan order SKU B sebanyak 30% bulan depan”.

2. Automasi tindakan rutin
   Untuk SKU volum tinggi yang stabil, sistem boleh automasi reorder rule terus ke sistem ERP / OMS. Planner hanya pantau exception (produk baru, supplier bermasalah, trend pelik).

3. Pembelajaran berterusan
   Setiap kali forecast “tersasar”, model disesuaikan semula berdasarkan data terkini. Dari masa ke masa, error margin turun, dan keyakinan pada cadangan AI meningkat.

Saya selalu kata pada pengurus rantaian bekalan: kalau output AI anda masih perlu 10 mesyuarat untuk diterjemah kepada tindakan, itu bukan solusi enterprise — itu cuma laporan mewah.

---

5. Bagaimana nak mula: pelan 6–12 bulan untuk retailer besar

Bagi pemain besar retail & e-dagang yang serius, berikut satu rangka kerja praktikal untuk 6–12 bulan.

Langkah 1: Pilih satu atau dua kategori fokus

Jangan cuba “AI-kan” seluruh perniagaan sekaligus. Pilih kategori yang:

• volum tinggi,
• sensitif kepada stok habis (milk powder, diapers, minyak masak, barangan promosi),
• atau banyak pembaziran (produk segar).

Langkah 2: Kemas dan satukan data asas

AI yang hebat pun tak boleh buat magik kalau data jualan dan stok berpecah-belah. Minimum, anda perlukan:

• data jualan SKU harian mengikut channel dan lokasi,
• data stok dan pergerakan inventori,
• data purchase order & lead time pembekal.

Tak perlu sempurna, tapi mestilah konsisten.

Langkah 3: Pilih rakan teknologi yang faham retail

Sama ada anda guna platform seperti Pendulum atau vendor serantau, cari yang:

• ada pengalaman dengan e-dagang dan rantaian bekalan retail,
• boleh integrasi dengan ERP/WMS/OMS sedia ada,
• sanggup lalui fasa “pilot + pembetulan” bersama pasukan anda, bukan sekadar jual lesen.

Langkah 4: Jalankan pilot terhad dengan KPI jelas

Contoh KPI praktikal:

• pengurangan out-of-stock sehingga 20–30% pada SKU terpilih,
• pengurangan pembaziran (terutama untuk produk segar) 10–15%,
• peningkatan sell-through semasa kempen besar 10–20%,
• pengurangan masa planner pada kerja manual (Excel, email, copy-paste).

Yang penting, bandingkan prestasi store/pusat yang guna AI dengan yang tak guna. Dari situ, senang untuk justify pelaburan dalaman.

Langkah 5: Skala berperingkat & kaitkan dengan fungsi lain

Bila sudah nampak hasil, kembangkan ke:

• kategori lain,
• lebih banyak cawangan/gudang,
• dan integrasi dengan modul lain seperti harga dinamik (dynamic pricing), promosi, dan personalisasi pelanggan.

Contoh: bila AI nampak stok berlebihan untuk SKU tertentu, sistem harga boleh turunkan harga/beri kupon kepada segmen pelanggan yang relevan. Di sinilah ramalan permintaan bertemu personalization dan dynamic pricing — topik penting lain dalam siri “AI in Retail & E-Commerce (Large Chains & Marketplaces)” ini.

---

6. Soalan biasa pengurus retail tentang AI rantaian bekalan

Beberapa soalan yang selalu timbul bila bincang projek seperti Pendulum:

1. “Adakah AI akan ganti kerja demand planner saya?”
Tak. AI bagus untuk kerja yang berulang, volum tinggi, dan berasaskan corak. Planner manusia masih penting untuk:

• produk baru tanpa sejarah,
• decision strategik (contoh: tukar pembekal, buka gudang baru),
• isu politik pembekal dan rundingan harga.

Yang biasanya berlaku: planner kurang masa buat kerja manual, lebih masa buat kerja strategik.

2. “Berapa cepat boleh nampak hasil?”
Untuk kategori yang stabil dengan data sejarah yang baik, ramai retailer global lihat impak dalam 3–6 bulan. Untuk kategori “liar” macam fast fashion dan viral items, manfaat terbesar adalah mengurangkan kerugian bila trend mati terlalu cepat.

3. “Adakah saya perlu pasukan data sains dalaman besar?”
Tak semestinya. Banyak platform enterprise sudah sediakan model siap guna. Yang anda perlukan biasanya:

• seorang product owner dalaman,
• beberapa wakil dari supply chain, merchandising, IT,
• dan proses yang jelas untuk guna output AI dalam keputusan harian.

---

Penutup: 2025 adalah masa untuk AI ambil alih forecast, bukan intuisi

Retail dan e-dagang di Malaysia sedang duduk di persimpangan yang pelik: pelanggan makin cerewet, trend makin cepat, tetapi margin makin nipis. Dalam keadaan macam ini, ramalan permintaan dan pengoptimuman rantaian bekalan berasaskan AI bukan lagi nice-to-have, ia sudah jadi senjata wajib.

Pendulum hanyalah satu contoh pemain global yang menunjuk hala: gabungkan data permintaan dan penawaran, gunakan AI untuk cadangan tindakan, dan beri kuasa kepada pasukan operasi untuk bertindak dalam masa jam, bukan minggu.

Kalau anda urus rangkaian pasar raya, marketplace besar atau jenama yang banyak bergantung pada Lazada, Shopee dan TikTok Shop, soalan penting sekarang bukan “perlu AI atau tidak?”, tetapi:

SKU mana, gudang mana, dan keputusan operasi mana yang patut mula diberi “otak AI” dulu?

Jawapan kepada soalan itu akan tentukan sejauh mana anda boleh kekal relevan bila trend seterusnya meletup di TikTok — mungkin esok, mungkin malam ini juga.