AI dalam Gudang: Formula DC Pintar untuk CX Hebat

Menjelang hujung tahun, banyak pasukan logistik berdepan satu realiti yang sama: jumlah pesanan naik, toleransi pelanggan terhadap kelewatan turun. Dalam operasi penjagaan kesihatan, tekanannya berganda—kelewatan atau salah hantar bukan sekadar “tak puas hati”, ia boleh ganggu rawatan dan operasi klinik.

Sebab itu kisah transformasi pusat pengedaran (distribution center, DC) Henry Schein menarik untuk dibedah. Syarikat ini mengendalikan 5 mega-DC di A.S. dan menghantar sekitar 36,000 pesanan serta 170,000 line items setiap hari. Mereka kekalkan reputasi penghantaran hari berikutnya sambil berkembang menjadi organisasi bernilai AS$12.6 bilion—dan mereka buatnya dengan memodenkan operasi gudang melalui pemilihan suara (voice picking) dan pengoptimuman dipacu AI. Keputusannya bukan sekadar “lebih laju”: mereka laporkan ketepatan melebihi 99.9% dan pulangan pelaburan (ROI) kurang 18 bulan.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya suka tekankan satu pendirian: AI paling bernilai bila ia menghapuskan geseran operasi harian—bukan bila ia jadi projek teknologi semata-mata. Artikel ini guna kes Henry Schein sebagai contoh dunia sebenar, kemudian kita sambungkan kepada apa yang boleh anda buat di organisasi anda (di Malaysia atau serantau) untuk tingkatkan pengalaman pelanggan, pematuhan, dan produktiviti gudang.

Kenapa “Customer Experience” bermula di DC, bukan di kaunter

Jawapannya mudah: pelanggan menilai anda melalui hasil akhir—pesanan sampai betul, cukup, cepat, dan boleh dijejak. Semua itu dibina (atau musnah) di DC.

Dalam konteks B2B seperti hospital, klinik pergigian, dan pembekal makmal, “CX” bukan sekadar layanan mesra. Ia ialah:

• OTIF (On-Time In-Full): sampai ikut masa dan lengkap
• Ketepatan item/lot/serial/expiry: kritikal untuk produk terkawal
• Kebolehramalan: pelanggan boleh rancang staf, jadual rawatan, dan stok
• Responsif bila ada gangguan: tahu apa yang berlaku, bukan meneka

Henry Schein faham pertaruhan ini. Mereka bukan sekadar “ship fast”; mereka mesti ship tepat tahap regulatori—termasuk tangkapan data lot, tarikh luput, dan nombor siri.

Mitos biasa yang buat syarikat terperangkap

Ramai pengurus gudang masih terikat dengan dua andaian:

1. “Kalau tambah orang, masalah selesai.” Musim puncak mungkin selesai, tapi kos latihan, ralat, dan turnover biasanya naik.
2. “Automasi besar-besaran dulu, baru AI.” Realitinya, banyak peningkatan datang daripada orchestrating kerja manusia dengan AI—tanpa perlu bina gudang robot sepenuhnya.

Kes Henry Schein menunjukkan fokus yang lebih praktikal: naik taraf cara kerja picking, latihan, dan pengurusan masa nyata.

Apa yang Henry Schein buat: voice + AI untuk operasi yang konsisten

Jawapan ringkasnya: mereka gabungkan pemilihan suara berbilang bahasa dengan pengoptimuman aliran kerja dipacu AI supaya pekerja lebih pantas, lebih tepat, dan pengurus dapat visibiliti masa nyata.

Dalam operasi berskala besar (36,000 pesanan/hari), isu kecil jadi besar:

• Laluan picking tak optimum → langkah bertambah → output jatuh
• Pekerja baru lambat mahir → bottleneck di zon tertentu
• Ralat tangkap data lot/expiry → risiko pematuhan dan pulangan
• Pengurus lambat nampak masalah → tindakan pembetulan terlambat

1) Voice picking: kurangkan beban kognitif, tingkatkan kelajuan

Voice picking berkesan kerana ia:

• Membebaskan tangan dan mata untuk kerja fizikal
• Mengurangkan ralat baca label/skrip
• Menyeragamkan arahan kerja (standard work)
• Mempercepat onboarding pekerja baharu

Henry Schein menekankan multilingual voice picking. Ini poin penting untuk pasaran serantau juga—Malaysia, Singapura, Thailand—di mana tenaga kerja gudang sering berbilang bahasa. Bila sistem kerja “mesra bahasa”, latihan jadi lebih pantas dan kurang salah faham.

2) AI-driven optimization: hentikan pembaziran langkah dan masa menunggu

AI dalam gudang bukan semestinya robot. Dalam banyak kes, impak terbesar datang daripada:

• Pengoptimuman urutan picking (sequence)
• Pengagihan tugasan dinamik mengikut beban zon
• Penyeimbangan kerja antara pekerja baru dan berpengalaman
• Pengesanan anomali masa nyata (contoh: zon tertentu tiba-tiba jadi perlahan)

Henry Schein melaporkan peningkatan besar pada produktiviti, kelajuan latihan, penglibatan pekerja, dan insight pengurusan masa nyata. Saya suka bahagian “insight” ini—sebab tanpa data operasi yang hidup, pengurus hanya nampak masalah selepas shift tamat.

Ayat yang saya pegang: “Ketepatan 99.9% bukan hasil kerja keras semata-mata; ia hasil proses yang direka untuk menang.”

3) Data capture lot/expiry/serial: AI paling berguna bila pematuhan wajib

Dalam industri regulated (farmaseutikal, alat perubatan, makanan sejuk beku), ralat data bukan sekadar kos—ia risiko undang-undang dan reputasi.

Bila voice workflow digabung dengan pengesahan (contoh: imbasan + semakan suara), anda boleh:

• Pastikan item yang diambil sepadan dengan pesanan
• Kurangkan ralat tarikh luput
• Tingkatkan traceability untuk audit

Ini juga relevan untuk syarikat tempatan yang mula berurusan dengan eksport/standard antarabangsa—pematuhan bukan pilihan.

Di mana AI boleh pergi lebih jauh (di luar kes asal)

Jawapan terus: selepas anda stabilkan picking dan tangkapan data, AI boleh memaksimumkan nilai melalui ramalan, automasi keputusan, dan pengukuran prestasi hujung-ke-hujung.

Artikel sumber menonjolkan kejayaan operasi DC. Dalam kerangka “AI dalam Logistik dan Rantaian Bekalan”, saya akan sambungkan kepada 4 lapisan tambahan yang biasanya memberi lonjakan kedua.

1) Ramalan permintaan yang memandu kerja DC

Banyak gudang merancang tenaga kerja berdasarkan instinct dan trend ringkas. AI boleh mengubahnya dengan:

• Ramalan volum pesanan mengikut hari/zon/jenis pelanggan
• Pengesanan corak bermusim (contoh: hujung tahun, promosi, tender)
• Cadangan penjadualan shift dan cross-training

Hasil praktikal: kurang overtime panik, kurang “overstaff” bila volume jatuh.

2) Replenishment pintar: elak picker menunggu stok

Produktiviti picking jatuh bila lokasi pick kosong. AI boleh bantu melalui:

• Cadangan reorder point dinamik
• Keutamaan replenishment mengikut risiko stockout
• Penempatan stok (slotting) berdasarkan kelajuan pusingan dan korelasi item

Kalau anda pernah nampak picker berhenti kerja sebab “barang habis di bin”, anda tahu ini punca senyap yang mahal.

3) Pengurusan prestasi pekerja yang adil dan boleh dipertahan

AI sering ditakuti kerana “monitoring”. Pendekatan yang betul ialah gunakan AI untuk coaching, bukan menghukum.

Amalan yang biasanya diterima pekerja:

• Metrik yang telus (contoh: lines/jam + kadar ralat)
• Perbandingan adil (banding zon yang sama, bukan seluruh gudang)
• Cadangan latihan mikro (microlearning) berdasarkan pola ralat

Henry Schein juga menekankan penglibatan pekerja. Itu biasanya berlaku bila sistem memudahkan kerja, bukan membebankan.

4) Visibiliti masa nyata untuk pelanggan: CX yang terasa “premium”

Bila operasi DC stabil, anda boleh bawa data itu ke pelanggan melalui:

• ETA yang lebih tepat
• Notifikasi proaktif bila ada isu
• Pilihan pemenuhan (split shipment, substitution yang diluluskan)

Dalam B2B, komunikasi proaktif sering lebih bernilai daripada janji kosong “akan sampai cepat”.

Pelan 90 hari: cara mula AI di gudang tanpa projek gergasi

Jawapan ringkas: mula dengan proses yang paling kerap berlaku dan paling mudah diukur—picking dan replenishment. Kemudian bina data yang bersih untuk AI.

Berikut rangka yang saya cadangkan untuk 90 hari pertama.

Fasa 1 (Hari 1–30): Betulkan asas data dan aliran kerja

• Audit 20 SKU paling kerap tersilap dan punca ralat
• Tetapkan standard kerja picking (langkah, pengesahan, pengecualian)
• Kemas kini master data: unit measure, lokasi, lot/expiry rules
• Kenal pasti zon “bottleneck” (berdasarkan masa kitaran, bukan persepsi)

Fasa 2 (Hari 31–60): Perkenal voice workflow atau guided picking

• Pilih satu zon sebagai pilot (contoh: fast movers)
• Ukur 4 KPI sebelum/selepas: lines/jam, ralat, masa latihan, OTIF
• Reka skrip arahan yang ringkas, konsisten, dan mesra bahasa

Fasa 3 (Hari 61–90): Lapiskan pengoptimuman AI yang jelas pulangannya

• Optimasi laluan/urutan picking berdasarkan data pergerakan
• Tugasan dinamik (batching/wave) mengikut beban sebenar
• Dashboard masa nyata untuk pengurus: anomali, backlog, kapasiti

Kalau anda buat tiga fasa ini dengan disiplin, anda biasanya boleh nampak “signal” ROI lebih awal—walaupun ROI penuh mungkin ambil beberapa bulan.

Apa yang patut anda ukur (supaya AI tak jadi projek kosmetik)

Jawapan terus: ukur metrik yang pelanggan rasa, dan metrik yang operator boleh kawal.

Saya suka set KPI yang mudah tapi tegas:

1. OTIF (%) – ukuran CX paling jelas
2. Ketepatan picking (%) – sasaran realistik: naik berperingkat ke 99.5% dan seterusnya
3. Lines per labor hour – produktiviti yang boleh dibanding sebelum/selepas
4. Masa onboarding ke produktif – contoh: dari 10 hari ke 5 hari
5. Kadar pengecualian (short pick, mispick, expiry hold) – punca kos tersembunyi

Henry Schein menonjol dengan >99.9% ketepatan dan ROI < 18 bulan. Dua nombor ini bukan untuk dibangga-banggakan—ia patut jadi penanda aras bahawa pelaburan teknologi gudang boleh masuk akal bila fokusnya jelas.

Langkah seterusnya untuk pasukan logistik anda

AI dalam logistik dan rantaian bekalan bukan tentang “siapa paling moden”. Ia tentang siapa paling konsisten bila volume naik, tenaga kerja bertukar, dan pelanggan makin menuntut.

Jika anda sedang menilai automasi gudang, ambil pengajaran utama daripada kes Henry Schein: mulakan dengan kerja yang paling memberi kesan kepada pelanggan—picking, ketepatan, dan visibiliti masa nyata—kemudian barulah perluaskan AI ke ramalan permintaan dan pengoptimuman menyeluruh.

Kalau anda mahu, saya boleh bantu anda susun baseline KPI, pilih zon pilot yang betul, dan bina pelan pelaksanaan 90 hari yang realistik untuk gudang anda. Soalan yang patut anda tanya minggu ini: di zon mana satu ralat kecil paling cepat bertukar jadi aduan pelanggan?