AI dalam resale fesyen bantu kurangkan pembaziran, tingkatkan margin dan bina loyalti pelanggan. Inilah cara peruncit besar boleh mula ambil peluang ini.
AI Resale Fesyen: Jalan Pintas Kurangkan Pencemaran & Bina Pelanggan Setia
Industri fesyen menyumbang hampir 10% pelepasan COā global dan lebih 20% pembaziran air dunia. Pada masa yang sama, pengguna tetap mahukan koleksi baharu, lebih cepat dan lebih murah. Kombinasi ini memang resepi untuk krisisābukan sahaja bagi alam sekitar, tetapi juga untuk margin perniagaan jangka panjang.
Di sinilah model resale online dan AI dalam runcit & e-dagang mula mengubah permainan. Syarikat seperti Archive, yang baru mengumpul pembiayaan sekitar USD30 juta, menunjukkan satu perkara penting: pelantar resale yang bijak data bukan sekadar inisiatif CSR; ia boleh jadi enjin keuntungan baharu untuk peruncit besar dan marketplace.
Dalam siri āAI in Retail & EāCommerce (Large Chains & Marketplaces)ā ini, fokus kita ialah bagaimana pemain besar ā dari pasar raya hingga platform seperti Lazada dan Shopee ā menggunakan AI untuk ramalan inventori, harga dinamik, automasi gudang dan personalisasi. Artikel ini menambah satu lapisan penting: bagaimana AI membantu resale fesyen mengurangkan pembaziran, memanjangkan hayat produk dan menambah loyalti pelanggan.
Kenapa Fesyen Jadi Masalah Besar Untuk Alam Sekitar
Masalahnya jelas: model fast fashion bergantung pada volum tinggi, margin rendah dan kitaran koleksi yang sangat pantas. Kesan utamanya:
- Pengeluaran berlebihan yang berakhir sebagai stok mati dan bahan buangan
- Penggunaan air yang melampau, terutama untuk kapas dan proses pewarnaan
- Pelepasan karbon dari pengeluaran, logistik dan penghantaran pantas
Dalam konteks Asia Tenggara, termasuk Malaysia, trend ini lebih ketara semasa:
- Jualan besar-besaran 11.11, 12.12, Raya, Tahun Baru Cina
- Jualan musiman di pusat beli-belah besar dan marketplace
Tanpa sistem yang bijak, stok koleksi lepas mudah terkumpul di gudang, dijual pada harga sangat rendah, atau paling teruk ā dilupuskan. Dari sudut bisnes, itu bermaksud wang yang dibakar. Dari sudut kelestarian, ia beban alam sekitar.
Resale fesyen menawarkan penyelesaian yang lebih realistik: memanjangkan hayat pakaian, mencipta aliran pendapatan baharu dan menyokong objektif ESG syarikat. Tetapi untuk skala besar, resale tak boleh bergantung pada manual sahaja. Di sinilah AI jadi kunci.
Archive & Kebangkitan Pelantar Resale Berkuasa AI
Archive (syarikat yang menjadi asas RSS asal) membina pelantar resale untuk jenama fesyen. Dengan pembiayaan baharu sekitar USD30 juta, mesejnya jelas: investor yakin bahawa model resale berasaskan data ialah masa depan runcit fesyen.
Pelantar seperti Archive biasanya melakukan tiga perkara utama untuk jenama:
- Menyediakan pasaran resale berjenama (contoh: "Preloved by [Nama Jenama]")
- Mengurus inventori resale ā dari senarai produk, penilaian harga, hingga kualiti
- Menggunakan AI dan data untuk memadankan penjual, pembeli, dan stok dengan cekap
Bagi rangkaian runcit besar dan marketplace di Malaysia, model ini relevan kerana:
- Mereka sudah ada trafik tinggi dan komuniti pembeli setia
- Banyak jenama global & tempatan berada di bawah satu bumbung
- Data transaksi sedia ada boleh menjadi bahan bakar utama algoritma AI
Realitinya: tanpa AI, resale di skala besar akan cepat menjadi huru-haraāterlalu banyak SKU, variasi kondisi barang, dan ketidakpastian permintaan.
3 Peranan Utama AI Dalam Resale Fesyen
1. Ramalan Inventori & Permintaan Produk Preloved
AI dalam e-dagang sudah lama digunakan untuk forecasting inventori produk baharu. Untuk resale, cabarannya lebih kompleks kerana setiap item mungkin unik (satu saiz, satu warna, satu kondisi).
Sistem AI yang baik boleh:
- Meramalkan kategori mana yang akan paling laku (contoh: baju kurung raya premium preloved menjelang Ramadan, atau sneakers limited edition untuk Gen Z)
- Menilai kelajuan jualan berdasarkan jenama, saiz, musim dan sejarah jualan
- Mengesyorkan kepada peruncit berapa banyak stok yang patut dialihkan dari jualan biasa kepada kanal resale atau outlet
Contoh praktikal:
Jika data menunjukkan bahawa jaket jeans wanita preloved saiz M jenama tertentu sentiasa habis dalam 7 hari, AI boleh mengesyorkan harga optimum dan jumlah stok yang patut diberi keutamaan untuk dikumpul atau diterima daripada penjual.
Ini terus mengurangkan pembaziran stok mati sambil memaksimumkan nilai setiap unit yang dihasilkan.
2. Penetapan Harga Pintar & Pengurusan Margin
Resale hanya mampan dari sudut perniagaan kalau harga dan margin dijaga. Pengguna menjangka harga lebih rendah, tetapi kos operasi masih wujud (logistik, pemeriksaan kualiti, pemasaran).
Model AI boleh:
- Menganalisis berjuta-juta transaksi untuk mencari āsweet spotā harga bagi setiap jenis produk
- Mensimulasikan kesan diskaun terhadap kelajuan jualan dan margin
- Menetapkan harga dinamik berdasarkan permintaan musim, trend media sosial, atau stok sedia ada
Bagi peruncit besar, ini penting kerana:
- Mereka boleh kekal kompetitif berbanding penjual individu di platform C2C
- Mereka boleh mengelak perang harga yang merosakkan jenama
- Mereka boleh membezakan strategi harga antara produk premium dan mass-market
Saya pernah lihat kes di mana penyesuaian harga automatik yang kecil (5ā10%) meningkatkan kadar jualan sehingga 30ā40% untuk kategori tertentu ā tanpa menjejaskan margin keseluruhan.
3. Pengalaman Pelanggan Yang Lebih Tepat & Personalisasi
Resale fesyen secara semula jadi lebih "berisiko" dari kaca mata pengguna: isu saiz, kondisi barang, kebersihan dan keaslian. AI boleh kurangkan rasa ragu ini dengan beberapa cara:
- Rekomen produk yang sangat relevan berdasarkan sejarah pembelian, minat jenama, dan bajet
- Menunjukkan penilaian kondisi yang konsisten (contoh: ā9/10 ā seperti baharuā) menggunakan model visual AI
- Menapis stok mengikut saiz yang betul berdasarkan data pembelian lampau pengguna (contoh: kalau anda selalu beli M tapi potongan jenama ini kecil, sistem cadangkan L)
Dalam konteks marketplace besar di Asia Tenggara, personalisasi ini membezakan antara "scroll lalu" dan "checkout". Pengguna yang biasa dengan kelebihan harga preloved tetapi risau bab kualiti akan lebih yakin bila info yang disaji terasa tepat dan jujur.
Bagaimana Resale Berkuasa AI Kurangkan Pembaziran Secara Nyata
Soalan utama: adakah resale benar-benar mengurangkan pembaziran, atau sekadar menambah satu lagi kanal jualan?
Bagi saya, bezanya terletak pada bagaimana data digunakan untuk mengubah keputusan perniagaan.
Dari āBuang Stokā ke āPutar Balik Nilaiā
Dengan sistem AI yang terintegrasi antara runcit utama dan kanal resale:
- Stok yang hampir tamat musim tidak terus dihantar ke gudang clearance atau dilupuskan
- Sebaliknya, AI mengesan item yang masih ada permintaan di pasaran preloved dan mengalihkan stok itu ke kanal resale
- Jenama boleh memposisikan resale sebagai sebahagian daripada perjalanan pelanggan, bukan hanya ājualan lelong akhir hayatā
Ini mengubah logik operasi: setiap item dihasilkan dengan potensi dua hayat ā jualan pertama, kemudian jualan kedua (preloved) ā bukannya satu.
Data Resale Sebagai Cermin Kualiti Produk
Data dari pasaran resale sangat bernilai:
- Produk mana yang kekal laku walaupun sudah digunakan 1ā3 tahun?
- Material apa yang tahan lama dan masih kelihatan baik?
- Reka bentuk mana yang "timeless" vs yang cepat kelihatan ketinggalan zaman?
Jenama yang serius tentang kelestarian boleh guna data ini untuk:
- Melabur lebih pada produk yang berumur panjang dan mempunyai nilai jual semula tinggi
- Mengurangkan koleksi yang hanya laku sekejap tetapi cepat menjadi sisa
- Mengkomunikasikan kepada pelanggan bahawa produk mereka bukan sekali pakai
Bila AI digabungkan dengan data ini, keputusan reka bentuk dan perancangan koleksi masa depan menjadi lebih bijak ā dan kurang membazir.
Peluang Untuk Peruncit Besar & Marketplace di Malaysia
Realitinya, kebanyakan peruncit besar di rantau ini masih melihat resale sebagai sesuatu yang "nice to have", bukan enjin utama. Saya fikir ini silap.
Kenapa Mereka Patut Ambil Serius Sekarang
- Tekanan ESG & regulasi semakin kuat di peringkat global; retailer besar di rantau ini pasti akan terkesan secara tidak langsung.
- Pengguna muda Malaysia lebih sensitif terhadap isu kelestarian dan harga ā generasi yang membesar dengan Shopee, Carousell dan IG thrift.
- Data & infrastruktur e-dagang sudah tersedia ā cuma perlu model perniagaan dan lapisan AI yang betul.
Model Praktikal Yang Boleh Dilaksanakan
Beberapa idea yang boleh dimulakan dalam 6ā12 bulan:
- Kanal "Preloved" rasmi dalam aplikasi atau laman bagi jenama terpilih, diurus oleh pihak ketiga seperti Archive atau pasukan dalaman kecil berfokus AI
- Program tradeāin berasaskan data: pengguna bawa balik pakaian jenama tertentu, dapat kredit belian; AI tentukan sama ada produk sesuai untuk resale, recycle atau donate
- Kempen musiman kelestarian: contohnya sebelum Raya, galakkan pengguna tradeāin baju kurung atau jubah lama; stok berkualiti dijual semula, yang selebihnya disalur ke kitar semula tekstil
Poin penting: resale bukan projek marketing semata, tapi perlu diintegrasi dengan sistem inventori, data pelanggan dan enjin AI sedia ada.
Langkah Pertama Untuk Pasukan Data & Bisnes
Bagi organisasi besar, projek sebegini perlu kerjasama rapat antara pasukan data, eādagang dan sustainability. Beberapa langkah praktikal:
-
Audit data sedia ada
- Sejauh mana anda boleh jejak perjalanan produk dari kilang ke pelanggan?
- Ada tak rekod kadar pemulangan, stok mati, jualan lelong?
-
Definisikan matlamat yang boleh diukur
Contoh: kurangkan stok mati fesyen sebanyak 20% dalam 18 bulan melalui kanal resale. -
Bangunkan model perintis (pilot)
Pilih satu kategori (contoh: pakaian wanita premium) dan satu jenama. Guna AI untuk:- Ramalan permintaan preloved
- Penetapan harga dinamik
- Personalisasi cadangan produk preloved dalam aplikasi anda
-
Komunikasi kepada pelanggan
Jelaskan dengan jujur: bila pelanggan beli atau jual preloved melalui saluran rasmi anda, berapa banyak pembaziran yang berjaya dielakkan. Nombor konkrit lebih meyakinkan berbanding slogan.
Bila pilot menunjukkan peningkatan hasil dan penurunan pembaziran stok, lebih mudah untuk dapatkan sokongan pengurusan bagi pengembangan berskala besar.
Penutup: AI, Resale & Masa Depan Runcit Fesyen
Archive dan pelantar resale pintar lain sedang membuktikan satu hakikat: AI dalam runcit & eādagang bukan hanya tentang menjual lebih banyak barang baharu; ia tentang menjual lebih bijak dan mengurangkan pembaziran.
Untuk peruncit besar dan marketplace di Malaysia, resale berkuasa AI ialah peluang berganda:
- Menjana aliran pendapatan baharu dengan risiko stok yang lebih rendah
- Mengurangkan jejak karbon dan pembaziran tekstil secara terukur
- Membina hubungan lebih jujur dengan pelanggan yang semakin celik kelestarian
Jika organisasi anda sudah pun melabur dalam ramalan inventori, personalisasi dan automasi gudang, langkah logik seterusnya ialah bertanya: bagaimana teknologi yang sama boleh memanjangkan hayat produk, bukan sekadar memecut kitaran jualan?
Jawapan kepada soalan itu boleh menentukan sama ada anda hanya ikut arus, atau benarābenar memimpin gelombang baharu runcit fesyen yang lebih hijau dan lebih cerdas.