Apa Di Sebalik Lululemon & CEO Baharu: Peranan AI

Pada suku ketiga 2025, Lululemon masih mencatat hasil kira-kira AS$2.6 bilion, naik 7%. Namun di rantau terbesarnya, Amerika, jualan susut 2% dan jualan setempat (comps) jatuh 5%. Tidak lama kemudian, CEO Calvin McDonald umum akan berundur hujung Januari.

Kisah ini bukan sekadar pertukaran CEO. Ia cermin dilema ramai peruncit besar – termasuk rangkaian fesyen sukan, hipermarket, malah marketplace seperti Shopee dan Lazada: bila pertumbuhan mula perlahan, adakah masalahnya pada pemimpin, produk… atau strategi data dan AI yang ketinggalan?

Dalam siri “AI dalam Runcit & E-Dagang (Rangkaian Besar & Pasaran)” ini, kisah Lululemon jadi contoh menarik bagaimana kepimpinan, prestasi jualan dan pelaburan AI saling berkait. Artikel ini akan kupas:

• Apa sebenarnya yang berlaku di Lululemon
• Bagaimana CEO baharu (atau interim) lazimnya mengubah strategi teknologi
• Di mana AI boleh bantu peruncit bangkit semula
• Apa pengajaran praktikal untuk peruncit besar di Malaysia & ASEAN

---

1. Apa Yang Berlaku di Lululemon – Di Sebalik Tajuk Berita

Fakta asas kes Lululemon:

• Calvin McDonald menyertai sebagai CEO pada 2018
• Dalam tempoh beliau, hasil tahunan hampir 3 kali ganda dan jenama berkembang kuat di luar Amerika Utara
• Q3 2025: hasil naik 7% kepada sekitar AS$2.6 bilion
• Tetapi: jualan di Amerika susut 2%, comps turun 5% – untuk rantau terbesar, ini amaran besar
• Lembaga umumkan beliau akan berundur hujung Januari, dan kekal sebagai penasihat hingga Mac
• CFO Meghan Frank dan Chief Commercial Officer André Maestrini dilantik sebagai co-CEO interim

Secara permukaan, naratifnya mudah: pertumbuhan perlahan, CEO berundur, syarikat cari nafas baharu. Tapi kalau kita tengok dari lensa runcit & e-dagang moden, isu sebenar lebih dalam:

• Corak perbelanjaan pengguna berubah dengan pantas
• Persaingan dari jenama athleisure dan e-dagang yang lebih agresif
• Soalan besar: adakah keputusan merchandising, promosi dan inventori disokong data & AI pada tahap yang cukup matang?

Bila rantau terbesar tiba-tiba lembap sementara kawasan lain masih berkembang, itu hampir selalu petanda ada isu relevansi tawaran dan ketepatan keputusan mikro – dua perkara yang AI sebenarnya sangat bagus bantu selesaikan.

---

2. Kepimpinan & Strategi AI: Kenapa CEO Baru Sering Ubah Arah

Dalam runcit moden, strategi AI sudah bukan isu IT semata-mata – ia keputusan CEO. Setiap pertukaran CEO besar biasanya membawa tiga soalan dalaman:

1. Data apa yang kita guna untuk buat keputusan?
2. Model AI mana yang benar-benar pengaruhi P&L (profit & loss)?
3. Adakah pelaksanaan AI selaras dengan jenama dan pengalaman pelanggan?

Di Lululemon, peralihan kepada co-CEO interim yang datang dari latar belakang kewangan (CFO) dan komersial (CCO) agak signifikan. Dua profil ini lazimnya akan memberi tumpuan pada:

• Margins setiap kategori produk
• Kelajuan pusingan stok (inventory turns)
• ROI kempen pemasaran dan promosi
• Nilai seumur hidup pelanggan (LTV)

Semua metrik ini sangat bergantung kepada data dan analitik lanjutan. Di sinilah AI dalam runcit dan e-dagang memainkan peranan:

• CEO yang serius tentang pemulihan prestasi akan menuntut dashboard berasaskan AI yang boleh menjawab: produk mana yang patut dikurangkan, harga mana yang patut diselaraskan, segmen pelanggan mana yang patut difokuskan.
• Jika jawapan ini masih bergantung pada Excel manual dan “rasa” merchandiser, sukar untuk bergerak sepantas pesaing yang sudah menggunakan pembelajaran mesin.

Secara praktikal, bagi mana-mana peruncit besar – sama ada anda di kategori fesyen, runcit harian atau elektronik – transisi kepimpinan ialah masa paling sesuai untuk “reset” agenda AI:

• Audit projek AI sedia ada: mana yang beri nilai, mana yang hanya “projek percubaan cantik atas slaid”
• Tentukan 3–5 use case AI paling berimpak tinggi untuk 12 bulan akan datang
• Ikat KPI eksekutif (bonus, insentif) kepada hasil projek AI yang jelas

---

3. Dari Jualan Merosot ke Strategi AI: 4 Bidang Kritikal

Kalau kita “baca” masalah Lululemon dari sudut teknikal, penurunan jualan di Amerika boleh dikaitkan dengan empat bidang AI yang paling kerap membezakan pemenang dan yang tertinggal.

3.1 Ramalan Permintaan & Pengurusan Inventori

Masalah tipikal bila jualan mula lembap:

• Terlalu banyak stok di kategori yang sudah menurun permintaan
• Terlalu sedikit stok di kategori yang sebenarnya sedang naik
• Diskaun hujung musim terlalu dalam sehingga “makan” margin

Apa yang AI boleh buat:

• Model demand forecasting berasaskan pembelajaran mesin yang gunakan:
  • Data jualan sejarah
  • Musim & perayaan (contoh: Raya, 11.11, 12.12)
  • Cuaca, trend media sosial, data carian
  • Perubahan harga dan promosi pesaing
• Sistem saranan order automatik untuk rangkaian kedai & gudang

Di Malaysia, bayangkan rangkaian besar seperti Lotus’s atau Aeon: dengan ratusan cawangan, sukar manusia sahaja kawal inventori bagi setiap SKU dan lokasi. AI boleh bantu:

• Ramal permintaan roti, susu, ayam, dan barangan fesyen mengikut kawasan
• Kurangkan kehabisan stok (stock-out) dan lambakan (overstock)
• Susun semula planogram dan ruang rak berdasarkan data

Untuk kes seperti Lululemon, demand forecasting yang lebih tepat mungkin mengurangkan keperluan diskaun agresif bila trend athleisure tertentu mula menurun di Amerika.

3.2 Pempersonalisasian Pelanggan di Omnichannel

Jenama seperti Lululemon bergantung banyak pada komuniti dan kesetiaan pelanggan. Bila pelanggan mula rasa jenama “kurang kena” dengan gaya hidup atau bajet mereka, mereka cepat berpindah ke jenama lain.

AI dalam personalisasi pelanggan boleh:

• Mencadangkan produk berdasarkan sejarah pembelian dan tingkah laku melayari
• Membina segmen mikro (micro-segmentation) seperti:
  • “Pelanggan yang kerap beli legging hitam premium tetapi jarang beli top”
  • “Pelanggan yang hanya berbelanja semasa big sale seperti 11.11”
• Menyesuaikan kandungan e-mel, push notification dan paparan aplikasi e-dagang

Di pasaran tempatan, contoh tipikal:

• Marketplace seperti Shopee & Lazada menggunakan model saranan yang mempelajari corak klik dan belian
• Rangkaian seperti Watsons, Guardian, atau kedai fesyen besar boleh gunakan AI untuk:
  • Menentukan baucar mana paling relevan untuk setiap ahli loyalty
  • Menghantar kempen WhatsApp/Push yang betul pada masa yang betul

Bagi syarikat yang sedang bergelut mengekalkan “relevansi dengan pelanggan”, pelaburan dalam AI personalisasi biasanya antara langkah terpantas untuk mengurangkan kejatuhan jualan.

3.3 Penetapan Harga Dinamik & Promosi Pintar

Bila prestasi rantau utama goyah, refleks biasa pengurusan ialah: buat promosi lebih banyak, potong harga lebih dalam. Tanpa AI, ini sering jadi:

• Diskaun buta yang memusnahkan margin
• Pelanggan “terbiasa” menunggu sale; jualan harga normal merosot

AI untuk dynamic pricing dan promotion optimization membenarkan:

• Uji pelbagai tahap diskaun di segmen pelanggan berbeza
• Bezakan strategi harga antara kawasan bandar dan luar bandar
• Sesuaikan harga antara online dan offline tanpa merosakkan persepsi jenama

Contoh praktikal untuk peruncit Malaysia:

• Gunakan model AI yang cadangkan diskaun optimum bagi kategori tertentu ketika musim gaji, musim perayaan, dan minggu biasa
• Uji promosi bundle (contoh: beli 2 ke atas, harga X) dan lihat mana yang benar-benar meningkatkan basket size

Untuk jenama premium seperti Lululemon, keseimbangan antara menjaga imej premium dan mengurus stok perlahan sangat halus. Model penetapan harga berasaskan AI membantu buat keputusan lebih granular – contohnya, hanya diskaun warna tertentu atau saiz tertentu yang lambat bergerak.

3.4 Analitik Tingkah Laku & Inovasi Produk

Pengasas Lululemon pernah bercakap tentang “hakisan jenama”. Terma ini selalunya berkait dengan:

• Produk baharu yang tidak lagi cukup unik
• Reka bentuk yang mudah ditiru jenama murah
• Pengalaman kedai dan digital yang terasa biasa-biasa

Analitik AI boleh menyumbang di sini melalui:

• Social listening: mengesan sentimen terhadap jenama dan pesaing di media sosial
• Analisis ulasan produk (review) secara automatik untuk:
  • Kenal pasti masalah saiz, fabrik, ketahanan
  • Nampak idea produk baharu yang pelanggan sebenarnya minta
• Ujian konsep produk menggunakan simulasi permintaan

Di Malaysia, banyak jenama fesyen tempatan dan peruncit besar masih mengabaikan harta karun data dalam ulasan Shopee/Lazada, komen Instagram dan TikTok. Model bahasa (NLP) boleh dirikan sistem “suara pelanggan masa nyata” yang terus masuk ke pasukan produk dan merchandising.

---

4. Apa Yang Boleh Dipelajari Peruncit Besar Dari Kes Ini

Daripada menganggap kisah Lululemon sebagai “masalah orang lain di Amerika Utara”, peruncit di rantau kita sebenarnya boleh ambil beberapa pelajaran langsung.

4.1 Jangan tunggu jualan jatuh baru serius tentang AI

Ramai organisasi hanya mula melabur besar dalam AI selepas mereka rasa tekanan – margin mengecil, pesaing mendahului, atau inventori kucar-kacir. Realitinya:

AI paling berkesan bila digunakan masa syarikat masih stabil, supaya ada ruang eksperimen dan pembelajaran.

Kalau anda sudah ada:

• Data POS bertahun-tahun
• Data e-dagang dan aplikasi mudah alih
• Sistem loyalty dengan jutaan ahli

… anda sebenarnya sudah pun duduk atas lombong data. Soalan bukan “patut guna AI atau tidak?”, tapi “use case mana yang patut dimulakan dahulu?”.

4.2 Jadikan AI sebagai agenda lembaga & C-level, bukan projek IT

Dalam kes Lululemon, lembaga jelas aktif mengubah arah kepimpinan demi prestasi. Untuk peruncit yang mahu kekal relevan:

• Lembaga dan CEO perlu nampak laporan berkala yang tunjuk impak projek AI terhadap:
  • Pertumbuhan jualan mengikut kategori
  • Pengurangan markdown dan waste
  • Peningkatan LTV pelanggan
• Bonus eksekutif boleh dikaitkan sebahagiannya dengan kejayaan inisiatif AI yang terukur

Bila AI dianggap “projek IT”, ia mudah terperangkap di tahap pilot. Bila ia jadi projek bisnes yang dimiliki CEO & CCO, barulah ada momentum sebenar.

4.3 Bina asas data dulu, jangan gopoh beli teknologi mahal

Saya banyak nampak peruncit besar tergoda beli platform AI mahal, tapi:

• Data masih berpecah antara POS, e-dagang dan gudang
• Tiada standard ID pelanggan tunggal
• Kualiti data buruk; SKU tidak konsisten, tarikh hilang, dsb.

Strategi yang lebih praktikal:

1. Bersihkan dan satukan data asas (produk, pelanggan, transaksi)
2. Pilih beberapa use case ringkas tetapi jelas pulangan (contoh: ramalan permintaan untuk 50 SKU utama)
3. Skala secara berperingkat, bukan sekaligus seluruh organisasi

---

5. Langkah Seterusnya Untuk Peruncit & Marketplace di Malaysia

Melihat kes Lululemon, saya cenderung kepada satu kesimpulan: pertukaran CEO hanyalah permukaan; yang akan menentukan hala tuju sebenar ialah sejauh mana syarikat menyepadukan AI dalam operasi harian.

Bagi peruncit dan marketplace besar di Malaysia dan ASEAN, beberapa langkah praktikal yang boleh diambil pada 12 bulan akan datang:

1. Adakan “AI health check” dalaman
   Nilai di mana kedudukan anda dari segi data, bakat, dan use case berbanding pemain utama seperti Shopee, Lazada, dan rangkaian pasar raya besar.

2. Pilih 3 use case AI utama untuk 2026
   Contoh:

   • Ramalan permintaan & perancangan stok bagi kategori paling penting
   • Pempersonalisasian promosi untuk ahli loyalty melalui aplikasi dan e-mel
   • Pengoptimuman harga dan diskaun untuk kempen besar (Raya, 11.11, 12.12)

3. Bentangkan pelan kepada C-level & lembaga
   Jadikan projek AI sebagai inisiatif strategi rasmi, dengan KPI yang jelas dan jangkaan ROI yang munasabah.

4. Mulakan kecil, pantas, dan iteratif
   Pilih beberapa cawangan, kategori, atau segmen pelanggan sebagai “makmal”. Belajar, laras, dan skalakan.

Pada 14/12/2025 ini, ramai peruncit sedang menutup tahun dengan kempen hujung tahun dan persiapan Tahun Baru Cina 2026. Ini masa sesuai untuk tanya soalan yang sedikit tidak selesa:

Kalau kami terus guna cara yang sama tanpa AI, adakah kami akan jadi “Lululemon versi tempatan” — kuat di atas kertas, tetapi perlahan-lahan hilang relevansi di pasaran utama kami?

Masa terbaik ubah hala tuju AI ialah sebelum krisis. Masa kedua terbaik? Sekarang.