AI Penghantaran Pintar: Janji Tepat, Kos Terkawal

Musim hujung tahun memang tak ada belas kasihan pada pasukan logistik. Pada minggu-minggu terakhir Disember, volum pesanan naik mendadak, pelanggan makin “tak sabar”, dan setiap kelewatan kecil cepat jadi isu besar—refund, aduan, rating jatuh, dan kos operasi yang melambung.

Ramai syarikat masih buat satu kesilapan klasik: mereka “berjanji” berdasarkan anggaran statik—cut-off time yang tak realistik, ETA yang tak mengambil kira kesesakan gudang, kapasiti kurier, cuaca, atau isu last-mile. Realitinya, pelanggan tak marah sebab kita lambat sekali-sekala. Pelanggan marah bila kita berjanji salah.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya suka ambil pendekatan yang praktikal: AI hanya berguna bila ia membantu operasi buat keputusan yang lebih tepat, lebih cepat, dan lebih konsisten. Perkongsian Shipium–Blue Yonder (dipaparkan dalam artikel sumber) menarik kerana ia menekankan satu perkara penting: lapisan kecerdasan penghantaran (shipping intelligence layer) yang disambung terus ke ekosistem OMS, WMS dan TMS, serta memacu aliran kerja “Make a Promise, Keep a Promise” menggunakan 20+ model ML secara langsung.

Masalah sebenar: ETA statik ialah punca kos “senyap”

Jawapan ringkas: ETA statik menambah kos kerana ia memaksa keputusan pemenuhan yang salah—salah gudang, salah kurier, salah servis, salah masa potong (cut-off).

Dalam banyak organisasi, anggaran penghantaran di halaman checkout selalunya dibuat dari kombinasi:

• zon poskod + standard SLA kurier,
• jadual cut-off yang “dianggap betul”,
• peraturan ringkas (rule-based) yang jarang dikemas kini.

Masalahnya, rantaian bekalan moden tak bergerak ikut jadual “kemas”. Ia dipengaruhi oleh:

• kapasiti gudang (queue picking/packing, bottleneck stesen label, kekurangan tenaga kerja),
• kapasiti pengangkutan (linehaul, linehaul miss, kitaran sortation),
• prestasi kurier mengikut lorong (lane performance) yang berubah ikut musim,
• risiko gangguan (banjir, jalan tutup, lonjakan volum, isu hub).

Bila sistem masih berpegang pada ETA statik, dua benda buruk berlaku serentak:

1. Anda overpromise → lewat → pampasan/refund → pelanggan hilang.
2. Anda underpromise → pelanggan takut beli (conversion turun) → revenue bocor.

Dan yang paling pedih: untuk “menyelamatkan” janji yang sudah salah, operasi akan memilih pilihan paling mahal—upgrade servis, split shipment, guna kurier premium—semata-mata untuk mengejar tarikh.

Apa yang dimaksudkan dengan “shipping intelligence layer”

Jawapan terus: Shipping intelligence layer ialah lapisan AI yang duduk di antara sistem perniagaan (checkout/CRM) dan sistem pelaksanaan (OMS/WMS/TMS), untuk mengira janji penghantaran dan keputusan pemenuhan berdasarkan data semasa, bukan andaian.

Berdasarkan inti pati bahan sumber, kerjasama Shipium dan Blue Yonder menekankan integrasi terus ke ekosistem:

• OMS (Order Management System): memilih dari mana pesanan dipenuhi, bila dan bagaimana.
• WMS (Warehouse Management System): memahami realiti kerja di gudang—queue, cut-off sebenar, masa proses.
• TMS (Transportation Management System): mengurus pilihan servis, kos, carrier allocation, tendering.

Yang membezakan pendekatan ini ialah model ML hidup (live ML models)—lebih 20 model—yang menukar ETA daripada “jadual statik” kepada anggaran dinamik berdasarkan isyarat data terkini.

“Make a Promise, Keep a Promise” sebagai KPI operasi

Jawapan terus: KPI ini memaksa organisasi menyatukan komersial dan operasi—janji di checkout mesti sejajar dengan keupayaan sebenar gudang dan rangkaian penghantaran.

Secara praktikal, aliran kerja ini bermakna:

• Promise (janji): sistem mengira tarikh/masa yang realistik, serta memaparkan opsyen (standard/express/pickup) yang benar.
• Keep (tunaikan): OMS/WMS/TMS melaksanakan keputusan paling kos-efisien yang masih memenuhi janji.

Bila ini dibuat betul, anda dapat dua keuntungan serentak: conversion naik (pelanggan yakin) dan kos pemenuhan turun (kurang “firefighting”).

Di mana AI paling “berbayar”: tiga keputusan bernilai tinggi

Jawapan terus: AI paling memberi pulangan apabila ia mengoptimumkan routing pemenuhan, pemilihan servis/kurier, dan ketepatan janji di checkout.

1) Janji penghantaran dinamik di checkout

Ini tempat paling sensitif. Jika pelanggan nampak tarikh yang munasabah dan yakin, mereka checkout. Jika nampak tarikh terlalu lambat atau tak konsisten, mereka tinggalkan troli.

AI membantu dengan mengira ETA berdasarkan rangkaian sebenar, contohnya:

• masa proses gudang mengikut hari/jam,
• prestasi lane kurier mengikut poskod,
• risiko “missed cut-off” jika pesanan dibuat dekat waktu tutup.

Pendekatan yang saya sokong: lebih baik paparkan tarikh yang 95% boleh ditepati daripada tarikh yang “nampak cantik” tetapi kerap gagal. Kepercayaan pelanggan lebih mahal daripada iklan.

2) Orkestrasi pemenuhan (fulfillment orchestration)

Orkestrasi ialah seni memilih dari mana pesanan dipenuhi dan bagaimana ia dihantar.

AI boleh menimbang beberapa objektif serentak:

• memenuhi tarikh janji,
• meminimumkan kos penghantaran,
• meminimumkan split shipment,
• mengimbangi inventori antara lokasi.

Dalam operasi Asia Tenggara (termasuk Malaysia), cabarannya sering pada geografi dan variasi servis last-mile. Jadi, orkestrasi yang baik biasanya ambil kira:

• lokasi inventori (DC utama vs store fulfilment),
• prestasi kurier mengikut negeri/daerah,
• kos tambahan kawasan pedalaman.

3) Pemilihan kurier dan tahap servis secara automatik

Ramai operator masih buat ini guna rule: “Jika berat X, guna servis Y.” Masalahnya, kos dan prestasi berubah ikut musim.

AI yang berfungsi baik akan menjawab soalan yang lebih tepat:

“Untuk poskod ini, dengan volum hari ini dan status gudang semasa, servis mana paling murah yang masih capai tarikh janji?”

Hasilnya biasanya:

• kurang penggunaan express yang tak perlu,
• penurunan expedite cost,
• pengagihan beban carrier yang lebih stabil.

Cara nak mula: pelan 30-60-90 hari yang realistik

Jawapan terus: Mulakan dengan data dan KPI, bukan dengan membeli sistem paling besar. Fokus pada satu aliran nilai (checkout promise → fulfillment) dan buktikan impak.

30 hari pertama: audit janji dan realiti

Buat 4 metrik asas ini (kalau belum ada):

1. Promise accuracy: peratus pesanan yang tiba dalam tarikh dijanjikan.
2. On-time ship: peratus pesanan yang keluar gudang ikut masa yang diperlukan.
3. Cost per order shipped: kos purata penghantaran + kos proses berkaitan.
4. Split shipment rate: kadar pecahan penghantaran.

Cari punca kegagalan janji:

• janji terlalu agresif,
• cut-off salah,
• bottleneck packing,
• carrier miss.

60 hari: bina “single source of truth” untuk ETA

Anda tak perlukan data sempurna, tapi perlukan data yang konsisten.

• Selaraskan definisi event: order_created, picked, packed, shipped, delivered.
• Pastikan time stamp boleh dipercayai.
• Semak kualiti data kurier (scan event).

Ini asas untuk model ML hidup, sama ada dibina dalaman atau melalui platform.

90 hari: pilot janji dinamik pada segmen terpilih

Pilih satu segmen untuk uji:

• satu negeri/zon,
• satu kategori produk,
• satu gudang utama.

Tetapkan sasaran yang jelas, contohnya:

• naikkan promise accuracy dari 88% ke 94%,
• kurangkan expedite cost 15%,
• kurangkan split shipment 10%.

Jika pilot berjaya, baru scale.

Soalan lazim yang bos akan tanya (dan jawapan yang patut diberi)

“AI ni boleh dipercayai ke, atau hanya model yang cantik atas kertas?”

Jawapan: Boleh dipercayai jika KPI disambungkan pada hasil operasi, dan model diberi maklum balas daripada data event sebenar. Model tanpa loop pembelajaran hanyalah peraturan yang lebih kompleks.

“Kami dah ada OMS/WMS/TMS. Kenapa perlukan lapisan tambahan?”

Jawapan: OMS/WMS/TMS biasanya kuat pada transaksi dan proses. Lapisan AI untuk penghantaran kuat pada ramalan dan optimasi merentas sistem—itulah jurang yang paling mahal bila dibiarkan.

“Apa risiko terbesar?”

Jawapan: Bukan risiko AI “tersilap kira”. Risiko terbesar ialah data event kotor dan governance lemah—bila setiap pasukan ada definisi masa yang berbeza, janji yang keluar jadi bercanggah.

Apa yang patut anda buat minggu ini

Kebanyakan syarikat yang menang dalam logistik e-dagang dan omni-channel sekarang bukan semata-mata sebab mereka ada kurier laju. Mereka menang sebab mereka ada janji yang tepat, dan operasi yang boleh menunaikan janji itu dengan kos terkawal.

Jika anda sedang merancang inisiatif AI untuk logistik, letakkan fokus pada perkara yang pelanggan nampak dahulu: ketepatan janji penghantaran. Dari situ, barulah automasi gudang, pengoptimuman laluan pengangkutan, dan orkestrasi pemenuhan akan terasa “masuk akal” dan mudah mendapat sokongan.

Kalau anda boleh ubah satu tabiat organisasi sebelum masuk 2026, biar yang ini: jangan jadikan penghantaran sebagai kos selepas jualan—jadikan ia strategi semasa jualan.

Apa satu metrik janji penghantaran yang anda paling susah nak stabilkan sekarang—promise accuracy, on-time ship, atau kos per pesanan?