Pelaburan $1B Reliance Retail: Isyarat Era AI Baharu Dalam Runcit Asia

Pada 2023, Qatar Investment Authority menulis satu cek bernilai $1 bilion untuk membeli hanya 0.99% pegangan dalam Reliance Retail Ventures. Nilai tersirat syarikat runcit gergasi India itu? Sekitar $100 bilion.

Angka ini bukan sekadar cerita besar di pasaran India. Ia satu mesej jelas: runcit berskala besar di Asia sedang bersedia untuk fasa seterusnya – dipacu data dan kecerdasan buatan (AI).

Bagi penggiat runcit besar, rangkaian pasar raya, marketplace dan jenama omni-channel di Malaysia dan Asia Tenggara, perkembangan ini patut dijadikan amaran awal. Jika pemain seperti Reliance Retail mengumpul dana sebegini, mereka bukan sekadar mahu buka lebih banyak cawangan. Mereka sedang membina mesin AI runcit yang mampu mengurus inventori, harga, pengalaman pelanggan dan logistik pada skala ratusan juta pengguna.

Dalam siri AI in Retail & E-Commerce (Large Chains & Marketplaces) ini, artikel kali ini melihat apa sebenarnya yang tersirat di sebalik pelaburan $1B ini, dan apa yang pemain runcit besar di Malaysia boleh belajar – terutamanya dari sudut penggunaan AI secara praktikal.

---

1. Apa Erti Valuasi $100 Bilion Untuk Masa Depan Runcit?

Valuasi sekitar $100 bilion untuk Reliance Retail memberi satu isyarat utama: pasaran percaya masa depan runcit akan dimenangi oleh syarikat yang boleh menggabungkan fizikal + digital + data dengan sangat cekap.

Reliance Retail mengendalikan lebih 18,500 kedai di India merentas pelbagai format: pasar raya, kedai serbaneka, fesyen, farmasi, elektronik dan lain-lain. Di sebalik rangkaian fizikal ini, mereka juga disokong ekosistem digital melalui Jio Platforms.

Bila pelabur sanggup bayar premium setinggi itu, ia biasanya kerana tiga perkara:

1. Skala pengguna – ratusan juta pelanggan potensi.
2. Keupayaan data – transaksi harian dalam jumlah yang cukup besar untuk dijadikan bahan bakar AI.
3. Naratif teknologi – keyakinan bahawa syarikat akan menggunakan teknologi canggih (AI, automasi, analitik) untuk memerah nilai maksimum dari data dan rangkaian mereka.

Dari expansion biasa ke transformasi AI

Ramai runcit besar bercakap tentang expansion – buka lebih banyak kedai, tambah kategori produk. Itu penting, tapi tidak cukup. Apa yang membezakan pemain seperti Reliance ialah hala tuju ke arah:

• Peramalan permintaan (demand forecasting) berasaskan AI untuk ratusan ribu SKU
• Dynamic pricing ikut masa, lokasi dan segmen pelanggan
• Pengalaman pelanggan personal di semua touchpoint – app, kedai fizikal, marketplace
• Rangkaian bekalan (supply chain) yang pintar dan auto-optimum

Pelaburan $1B dari Qatar bukan hanya “duit untuk expansion”. Ia modal untuk membina infrastruktur AI runcit berskala nasional – dan itu yang menjadikan kisah ini relevan kepada mana-mana peruncit besar di rantau ini.

---

2. Dari Pelaburan Global ke Strategi AI: Di Mana Duit Ini Mungkin Pergi?

Jika kita pecahkan secara praktikal, bagaimana dana sebegitu boleh digunakan untuk memacu AI dalam runcit berskala besar?

a) AI untuk peramalan inventori dan pengisian semula stok

Masalah klasik peruncit:

• Stok habis (stock-out) pada produk laris
• Stok berlebihan (overstock) pada produk perlahan
• Gudang dan rak penuh barang yang tak bergerak

AI membolehkan sistem:

• Menganalisis data jualan bertahun-tahun, mengikut cawangan, kategori, musim, promosi dan hari dalam minggu
• Mengambil kira faktor luaran seperti cuti umum, perayaan, cuaca, malah trend media sosial
• Menghasilkan ramalan permintaan yang jauh lebih tepat berbanding Excel dan pengalaman manual

Bagi rangkaian yang mengurus ribuan kedai seperti Reliance Retail, penjimatan dari 3–5% pengurangan stock-out dan 10–15% pengurangan stok mati boleh menterjemah kepada ratusan juta dolar. Ini jenis impak yang pelabur global suka.

b) Dynamic pricing dan promosi pintar

Di pasaran yang sensitif harga seperti India dan Malaysia, harga yang betul pada masa yang betul memang kritikal.

Sistem AI boleh:

• Menetapkan harga berbeza mengikut lokasi cawangan, masa dalam hari, dan permintaan semasa
• Menguji ribuan kombinasi promosi (bundle, diskaun, kupon digital) dan mengenal pasti kombinasi paling menguntungkan
• Mengurangkan kebergantungan kepada “feel” pengurus cawangan dan menggantinya dengan eksperimen data sebenar

Untuk pemain seperti Reliance, ini boleh digunakan pada:

• E-dagang mereka
• App mudah alih
• Skim kesetiaan
• Paparan harga elektronik di kedai fizikal (jika diguna pakai)

c) Personalisasi pelanggan pada skala berjuta pengguna

Reliance mempunyai kelebihan: akses kepada data telekom (Jio) + data runcit + pembayaran digital. Ini membolehkan profil pelanggan yang sangat kaya.

Dengan AI, mereka boleh:

• Membina segmentasi mikro – bukan lagi 4–5 segmen umum, tapi ribuan “micro-cohorts” berdasarkan tingkah laku
• Menghantar tawaran, notifikasi, dan promosi yang benar-benar relevan ikut sejarah pembelian, lokasi dan preferensi
• Menyusun halaman utama app dan laman e-dagang secara dinamik untuk setiap pengguna

Bagi runcit besar di Malaysia (contoh: rangkaian hypermarket, farmasi, dan marketplace), pendekatan ini sudah mula jadi standard. Pelanggan semakin biasa dengan cadangan produk di Shopee, Lazada dan platform global lain. Sesiapa yang tak bergerak ke arah personalisasi berasaskan AI akan nampak ketinggalan dari sudut pengalaman pengguna.

---

3. Apa Pengajaran Untuk Runcit & Marketplace di Malaysia?

Reliance Retail beroperasi di India, tapi banyak persamaan dengan landskap Malaysia dan Asia Tenggara: populasi muda, mobile-first, persaingan sengit, dan margin yang ketat. Itu sebabnya kisah Reliance + Qatar ini sangat relevan.

Pelajaran 1: Skala tanpa data yang bersih tak akan tahan lama

Ramai peruncit besar di sini sudah ada:

• Ratusan cawangan
• Program loyalty
• Jutaan transaksi setahun

Masalahnya, data berselerak dan tak konsisten. Ada dalam POS, ada dalam Excel, ada dalam sistem gudang lama. Bila mahu buat projek AI, semuanya jadi lambat.

Pemain seperti Reliance kemungkinan besar menggunakan dana untuk:

• Menyatukan data dalam satu platform data runcit (retail data platform)
• Membersih dan menstandardkan data (SKU, kategori, kod cawangan, dsb.)
• Menyusun asas supaya model AI boleh dibina dengan cepat dan tepat

Untuk runcit di Malaysia, pelaburan penting dalam 12–24 bulan akan datang bukan hanya “AI engine”, tapi:

• Data governance
• Integrasi sistem (POS, WMS, OMS, e-dagang)
• Data team yang boleh berkomunikasi dengan people operasi

Pelajaran 2: Jangan tunggu dana berbilion untuk mula guna AI

Tak semua syarikat ada cek $1 bilion. Tapi itu bukan alasan untuk tunggu.

Banyak penggunaan AI runcit boleh dimulakan secara berperingkat:

1. Pilot kecil di beberapa cawangan untuk peramalan permintaan 1–2 kategori utama (contoh: barang basah, roti, susu)
2. Model cadangan produk (recommendation) pada app atau laman e-dagang berdasarkan sejarah pembelian
3. Analitik tingkah laku pelanggan untuk memahami churn dan reaktivasi pelanggan lama

Pendekatan ini lebih realistik untuk peruncit besar di Malaysia:

• Kos lebih terkawal
• Risiko politik dalaman lebih rendah
• Staff boleh belajar dan menyesuaikan diri secara berperingkat

Pelajaran 3: AI projek teknologi? Salah. Ia projek operasi.

Banyak syarikat di Malaysia letakkan inisiatif AI di bawah IT semata-mata. Hasilnya: PoC cantik, tetapi tak digunakan di kedai.

Realitinya, AI runcit ialah projek operasi dan bisnes.

• Pengurus kategori perlu terlibat dalam reka bentuk model pricing dan promosi
• Pasukan gudang dan logistik perlu memberi input pada model peramalan stok
• Frontline (cashier, store manager) perlu faham kenapa sistem cadangkan perubahan susun atur rak atau kuantiti pesanan

Pemain seperti Reliance ada kelebihan kerana budaya data-driven semakin tertanam. Peruncit di Malaysia juga perlu memikirkan pengurusan perubahan (change management), bukan hanya tools AI.

---

4. Di Mana AI Memberi ROI Paling Cepat Untuk Runcit Besar?

Bila bercakap dengan pengurus besar runcit dan marketplace, soalan standard selalunya: “Kalau nak mula, apa area paling cepat nampak hasil?”

Berdasarkan trend global dan apa yang munasabah untuk konteks Asia, beberapa kawasan utama ialah:

4.1 Peramalan permintaan & perancangan inventori

Ini biasanya use case paling “no-regret” untuk runcit besar:

• Kurangkan stock-out barang harian penting
• Kurangkan markdown dan pelupusan stok
• Baiki “on shelf availability” tanpa menambah gudang

Untuk rangkaian yang jual ribuan SKU, walaupun peningkatan 2–3% dalam ketepatan ramalan boleh memberi pulangan pelaburan yang jelas dalam 6–12 bulan.

4.2 Penentuan harga dan pengurusan promosi

Di pasaran yang penuh promosi seperti Malaysia, AI boleh membantu menjawab soalan asas:

• Promosi mana yang benar-benar tambah margin?
• Diskaun mana yang hanya “makan” keuntungan tanpa tambah volum berkekalan?

Sistem AI boleh mengkaji sejarah beribu kempen promosi dan mensimulasikan senario baru sebelum dilancar. Untuk pemain besar, ini membezakan antara promosi yang nampak meriah dan promosi yang benar-benar untung.

4.3 Personalisasi di e-dagang dan app

Shopee, Lazada, dan platform global sudah “melatih” pelanggan Malaysia untuk mengharapkan pengalaman yang:

• Disyorkan ikut minat
• Ada tawaran yang terasa “untuk saya”

Runcit tradisional yang kini membina app sendiri perlu bersaing. Sistem cadangan (recommendation engine) berasaskan AI ialah komponen asas:

• “Orang yang beli ini juga suka…”
• “Tambah ini ke dalam troli anda sebelum checkout”
• Kupon peribadi berdasarkan tabiat membeli

---

5. Apa Langkah Praktikal 6–12 Bulan Untuk Pemain Runcit Besar?

Kisah Reliance + Qatar ini sebenarnya memberi satu roadmap ringkas untuk peruncit besar yang serius mahu bergerak ke arah AI.

Langkah 1: Audit data & keupayaan dalaman

• Senaraikan semua sumber data (POS, e-dagang, loyalty, gudang, CRM)
• Nilai kualiti data: banyak missing? format berbeza? terlalu lambat dikemas kini?
• Kenal pasti siapa dalam organisasi yang faham bisnes dan data (walaupun bukan pakar AI)

Langkah 2: Pilih 1–2 use case dengan impak besar, skop jelas

Contoh realistik:

• Peramalan permintaan untuk 200–300 SKU paling kritikal di 30 cawangan utama
• Personalisasi cadangan produk di app untuk segmen pelanggan aktif

Pastikan:

• Senang diukur (sebelum vs selepas)
• Ada pemilik bisnes yang jelas (contoh: Ketua Kategori, Ketua E-dagang)

Langkah 3: Bangunkan model + uji + latih operasi

• Boleh guna pasukan dalaman, vendor luar, atau hybrid
• Mulakan di beberapa cawangan / satu bandar, bukan seluruh negara
• Latih staf kedai tentang apa yang berubah, bukan hanya hantar SOP melalui e-mel

Langkah 4: “Productise” dan skala

Bila pilot berjaya:

• Jadikan model AI sebahagian daripada proses standard (contoh: semua pesanan stok mingguan mesti guna output model)
• Tambah modul baru (contoh: dari peramalan stok ke cadangan promosi)
• Pantau dan retrain model dengan data baru secara berkala

Ini cara pemain seperti Reliance boleh memanfaatkan pelaburan besar secara berperingkat, dan inilah juga pendekatan yang sesuai untuk peruncit besar di Malaysia.

---

Penutup: Pelaburan $1B Hari Ini, Persaingan AI Regional Esok

Pelaburan $1 bilion Qatar Investment Authority ke dalam Reliance Retail pada valuasi $100 bilion bukan sekadar berita korporat. Ia tanda bahawa modal global sudah mengiktiraf runcit berasaskan data dan AI sebagai medan pertumbuhan utama di Asia.

Bagi jaringan pasar raya, rangkaian farmasi, jenama omni-channel dan marketplace di Malaysia, mesejnya jelas: siapa yang mula bina asas data dan AI sekarang akan berada di hadapan bila persaingan serantau memuncak.

Jika anda terlibat dalam perancangan strategi runcit atau e-dagang, soalan praktikalnya mudah:

Dalam 6–12 bulan akan datang, di mana satu kawasan operasi yang paling masuk akal untuk anda gunakan AI – dan apakah langkah pertama yang boleh anda mula hari ini?