AI Ubah Ramalan Stok Runcit: Pengajarannya dari Pendulum

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

Peruncit besar tak lagi mampu bergantung pada Excel untuk ramal stok. Lihat bagaimana pendekatan AI seperti Pendulum boleh ubah rantaian bekalan dan margin anda.

AI runcitramalan inventorisupply chaine-dagang Malaysiamarketplaceperancangan permintaan
Share:

AI Ubah Cara Peruncit Merancang Stok

Pada 2020, banyak rangkaian runcit dan e-dagang di Malaysia belajar perkara yang sama secara menyakitkan: ramalan Excel tak boleh lawan kejutan global. COVID-19, penutupan sempadan, kekurangan kontena – semua ini buatkan stok sama ada terlebih penuh gudang, atau langsung tak cukup untuk permintaan yang melonjak.

Hari ini cabarannya lain, tapi sama sengit. Kesan “TikTok-ification” runcit bermakna selera pengguna berubah ikut trend viral: hari ini orang kejar air fryer mini, minggu depan semua nak smart rice cooker atau tudung warna tertentu yang viral. Pemain seperti Shein dan Temu melancarkan produk baru secara agresif, dan kitaran hayat produk jadi makin pendek.

Di tengah kekusutan ini, syarikat seperti Pendulum muncul dengan platform AI yang fokus kepada satu perkara: ramal permintaan dan bekalan dengan jauh lebih tepat. Bukan setakat tengok jualan lepas, tapi gabungkan data sosial, trend, promosi, cuaca, malah tingkah laku pelanggan merentas saluran.

Untuk rangkaian besar, marketplace dan jenama yang berniaga di Lazada, Shopee atau platform sendiri, ini bukan isu teknikal semata-mata. Ini isu margin, cash flow dan reputasi jenama.

Artikel ini kupas bagaimana pendekatan seperti Pendulum boleh dijadikan pelajaran untuk peruncit besar di Malaysia – dan apa langkah praktikal yang boleh diambil sekarang.

Masalah Sebenar: Ramalan Manual Tak Lagi Relevan

Realitinya, kebanyakan peruncit besar masih bergantung kuat pada ramalan tradisional. Model asas, banyak manual, dan sangat bergantung pada “rasa” orang lama dalam organisasi.

Di mana ramalan tradisional mula gagal

Beberapa corak kegagalan yang saya sering nampak:

  • Bergantung hanya pada data jualan lepas
    Model ARIMA atau Excel biasa hanya tengok pattern masa lalu. Bila ada kejutan – PKP baru, trend TikTok, promosi agresif pesaing – model terus “buta”.

  • Data silo antara online dan offline
    Data kedai fizikal, e-dagang, marketplace dan social commerce berpecah. Tiada satu sumber kebenaran tentang permintaan sebenar.

  • Tiada integrasi dengan pembekal dan logistik
    Team demand planning tak nampak had kapasiti pembekal, lead time kontena, atau isu pelabuhan. Hasilnya: ramal bagus, tapi tak boleh dilaksanakan.

  • Kitaran ramalan perlahan
    Ada syarikat yang masih buat ramalan bulanan secara manual. Dalam dunia trend harian di TikTok, ramalan bulanan macam baca laporan sejarah, bukan alat buat keputusan.

Dalam konteks Malaysia dan Asia Tenggara, masalah ini lebih ketara bila:

  • Musim perayaan (Ramadan, Raya, Tahun Baru Cina, Deepavali)
  • Kempen mega 11.11, 12.12, Raya Sale
  • Pelancaran jenama antarabangsa di marketplace tempatan

Tanpa ramalan yang bijak, peruncit sama ada:

  • Overstock: gudang penuh barang trend lama, margin terhakis sebab terpaksa turunkan harga, atau
  • Stockout: pelanggan kecewa sebab barang habis, rating jatuh, dan mereka lari ke pesaing.

Apa Yang Pendulum Lakukan Berbeza

Pendulum memposisikan dirinya sebagai platform AI ramalan bekalan-permintaan untuk perusahaan. Konsepnya boleh diadaptasi oleh mana-mana peruncit besar yang serius tentang AI.

Tiga asas pendekatan AI seperti Pendulum

  1. Guna data jauh lebih luas, bukan sekadar POS
    Selain data jualan, sistem sebegini biasanya tarik:

    • Data carian di e-dagang
    • Engagement media sosial (contoh: produk mana yang viral di TikTok/Instagram)
    • Data promosi sendiri dan pesaing
    • Data makro (cuaca, perayaan, cuti umum)

  2. Model pembelajaran mesin yang sentiasa dikemas kini
    Model tak statik; ia belajar dari ratusan ribu titik data baharu setiap hari. Bila satu kategori meletup akibat trend viral, model cepat tangkap.

  3. Integrasi hujung ke hujung
    Output bukan sekadar “forecast graph”. AI hantar cadangan terus ke:

    • Sistem perancangan (ERP, MRP)
    • Sistem pengurusan gudang (WMS)
    • Pengurusan pembekal dan pengangkutan

“Platform AI yang baik bukan hanya meramal, tapi menghubungkan ramalan itu kepada tindakan automatik yang boleh menjimatkan masa dan kos.”

Pendulum menjenamakan semua ini dalam satu platform perusahaan. Untuk peruncit Malaysia, pelajarannya jelas: jika AI tak dihubungkan ke proses operasi, ia cuma dashboard cantik.

Pengajaran Penting Untuk Rangkaian Runcit & Marketplace

Apa yang peruncit besar boleh tiru dari pendekatan Pendulum – tanpa perlu jadi syarikat teknologi penuh?

1. Anggap ramalan sebagai fungsi strategik, bukan kerja rutin

Ramalan stok selalunya dianggap kerja belakang tabir. Sedangkan dalam runcit moden, ia patut duduk berhampiran fungsi strategik seperti harga, promosi dan assortment.

Langkah praktikal:

  • Bentuk skuad silang fungsi: demand planning, pemasaran, e-dagang, operasi gudang dan IT duduk satu meja.
  • Tetapkan OKR jelas: contohnya, kurangkan stockout 30% untuk top 500 SKU menjelang 30/06/2026.

2. Gabungkan data online dan offline sebagai “single demand view”

Peruncit yang berjaya dengan AI biasanya mulakan dengan satu perkara: satukan semua data permintaan.

Termasuk:

  • Jualan kedai fizikal
  • Jualan di Lazada, Shopee, TikTok Shop
  • Laman e-dagang jenama sendiri
  • Pre-order, wishlist, add-to-cart yang tak jadi beli

Bila semua ini disatukan, model AI boleh nampak trend lebih awal – contohnya, ramai sudah add-to-cart tapi tunggu gaji masuk sebelum beli.

3. Guna AI untuk kategori paling dinamik dulu

Jangan cuba AI-kan seluruh inventori serentak. Fokus pada:

  • Fesyen (pakaian, kasut, tudung)
  • Elektronik pengguna (gadget, aksesori gaming)
  • Kecantikan & skincare
  • Barang rumah yang dipacu trend (dekor, peralatan dapur kecil)

Kategori ini paling banyak kesan TikTok, Instagram dan influencer. Di sinilah AI seperti Pendulum beri impak paling cepat.

4. Integrasi dengan pembekal dan gudang

Ramalan yang bagus tapi tak sampai ke pembekal tepat pada waktunya tetap tak membantu.

Contoh integrasi yang berbaloi:

  • Hantar signal permintaan awal kepada pembekal utama
  • Laraskan min/max stock level di gudang secara automatik
  • Sesuaikan kapasiti picking & packing menjelang kempen besar

Peruncit besar yang berjaya biasanya guna AI untuk menjawab soalan:
“SKU mana patut saya letak dekat dengan pelanggan di Shah Alam, mana patut di Johor, dan mana patut hanya di gudang pusat?”

Contoh Senario: Dari Chaos ke Terkawal Dengan AI

Bayangkan sebuah rangkaian pasar raya besar di Malaysia yang juga jual di marketplace. Mereka ada:

  • 80+ cawangan fizikal merentas negeri
  • Kedai rasmi di Lazada, Shopee dan TikTok Shop
  • Ribuan SKU makanan, F&B, barangan rumah dan fesyen asas

Sebelum guna pendekatan AI seperti Pendulum

  • Ramalan dibuat bulanan, banyak manual.
  • Untuk kempen 11.11 dan 12.12, mereka anggar “naik 2x dari bulan biasa” – sangat kasar.
  • Stok mi segera premium, minuman viral dan snack import sentiasa tak cukup sewaktu kempen.
  • Sebaliknya, stok produk yang tak laku menimbun di gudang.

Selepas guna platform AI ramalan permintaan

Dalam 6–12 bulan, beberapa perubahan berlaku:

  1. Data permintaan bersatu
    Semua data jualan dan tingkah laku (carian, add-to-cart) digabungkan. Model AI nampak bahawa:

    • Produk tertentu melonjak carian 3 minggu sebelum kempen besar
    • TikTok membantu lonjakkan kategori makanan Korea pada minggu tertentu

  2. Ramalan dinamik mengikut lokasi
    AI cadang:

    • Lebihkan stok snack Korea di kawasan bandar dan berhampiran universiti
    • Lebihkan produk barangan asas di kawasan pinggir bandar dan luar bandar

  3. Integrasi dengan pembekal utama
    Pembekal diberi isyarat permintaan lebih awal. Mereka boleh rancang kapasiti pengeluaran, dan peruncit boleh rebut kuota stok lebih besar sebelum pesaing.

  4. Keputusan harga dan promosi lebih tepat
    Bila AI nampak permintaan sangat kuat walau tanpa promosi, tim pemasaran boleh kurangkan diskaun dan jaga margin.

Hasil tipikal yang biasa dilaporkan dalam projek begini (berdasarkan kajian industri global):

  • Pengurangan stockout 20–40% untuk SKU utama
  • Pengurangan excess inventory 10–30%
  • Peningkatan margin 2–5 mata peratusan pada kategori sasaran

Angka sebenar akan berbeza mengikut kategori dan disiplin operasi, tapi arahnya jelas: AI membuat ramalan lebih tajam dan keputusan lebih berani.

Langkah Praktikal Untuk Peruncit Malaysia Pada 2026

Bagi rangkaian besar dan marketplace di Malaysia yang serius tentang AI dalam runcit, saya syorkan pendekatan berfasa.

Fasa 1 (0–3 bulan): Susun data & kes penggunaan

Mulakan dengan:

  • Kenal pasti 2–3 kategori sasaran untuk pilot (contoh: fesyen wanita, snack import, produk kecantikan).
  • Satukan data jualan 12–24 bulan lepas untuk:
    • Kedai fizikal
    • Marketplace (Lazada, Shopee, TikTok Shop)
    • Laman e-dagang sendiri
  • Tentukan metrik kejayaan yang spesifik:
    kurangkan stockout 25% atau kurangkan stok lambat jalan 15% dalam 9–12 bulan.

Fasa 2 (3–9 bulan): Pilot dengan platform AI

Sama ada guna platform seperti Pendulum atau solusi AI lain, fokus kepada:

  • Integrasi data automatik (bukan manual upload setiap bulan).
  • Papan pemuka ramalan yang boleh difahami orang operasi, bukan data scientist sahaja.
  • Beberapa ujian A/B mudah:
    kedai guna cadangan AI vs kedai guna kaedah lama.

Pantau:

  • Kadar kehabisan stok
  • Margin kategori
  • SLA pemenuhan pesanan e-dagang

Fasa 3 (9–18 bulan): Skala & automasi keputusan

Bila yakin, perlahan-lahan automasikan:

  • Cadangan pesanan semula (replenishment suggestion)
  • Pelarasan stok antara cawangan
  • Buy box strategy di marketplace berdasarkan ramalan permintaan dan stok

Pada tahap ini, AI bukan lagi “projek percubaan”, tapi jadi sebahagian sistem saraf operasi runcit.

Kenapa AI Dalam Runcit Sekarang Bukan Lagi Pilihan

Dalam siri “AI in Retail & E-Commerce (Large Chains & Marketplaces)”, satu corak berulang: pemain yang menguasai data + AI dulu akan menang margin dan kesetiaan pelanggan.

Pendulum hanyalah salah satu contoh bagaimana syarikat fokus menggunakan AI untuk bahagian paling teknikal tetapi paling kritikal: ramalan bekalan dan permintaan. Intipatinya relevan untuk Lazada, Shopee, Lotus’s, Aeon, kedai serbaneka besar, malah jenama DTC yang agresif di marketplace.

Bagi pengurus rantaian bekalan, ketua e-dagang, dan C-level di syarikat runcit besar, soalan pada 2026 bukan lagi “perlu atau tidak guna AI?”, tetapi:

“Sejauh mana kita sanggup kekal bergantung kepada ramalan manual sedangkan pesaing sudah gunakan AI untuk membuat keputusan harian?”

Jika organisasi anda belum mulakan, mulakan kecil – pilih satu kategori, pilot tiga bulan, dan ukur hasilnya. Dari situ, bina kes perniagaan yang kukuh.

Rantaian bekalan dan inventori yang lebih pintar bukan hanya tentang teknologi. Ia tentang keberanian menukar cara kerja yang sudah bertahun-tahun digunakan. AI seperti yang dipelopori Pendulum memberi alatnya. Selebihnya bergantung pada keberanian anda untuk bertindak.