AI untuk Rantaian Bekalan FMCG yang Tahan Disrupsi

Musim hujung tahun selalunya nampak “ceria” di bahagian jualan, tapi di bahagian operasi, ia selalu datang dengan satu realiti: permintaan melonjak, stok cepat habis, kapasiti gudang ketat, dan risiko gangguan logistik meningkat serentak. Untuk industri FMCG (barangan pengguna bergerak pantas), tekanan ni bukan isu sementara—ia corak yang berulang, cuma puncanya berubah: cuaca ekstrem, kenaikan tarif, kekurangan tenaga kerja, dan peraturan pembungkusan yang makin ketat.

Saya berpegang pada satu pendapat yang agak tegas: FMCG tak boleh lagi bergantung pada “pengalaman orang lama” semata-mata untuk buat keputusan rantaian bekalan. Ia tetap penting, tapi bila gangguan berlaku serentak di banyak tempat, intuisi saja tak cukup. Apa yang lebih stabil ialah sistem yang boleh menilai banyak senario, mengesan risiko awal, dan mengemaskini pelan dengan cepat—dan di sinilah AI dalam logistik dan rantaian bekalan jadi praktikal, bukan sekadar buzzword.

Artikel asal menekankan strategi “futureproofing” seperti perancangan rantaian nilai, simulasi maya, multi-sourcing, dan ramalan berasaskan AI. Dalam pos siri AI dalam Logistik dan Rantaian Bekalan ini, kita jadikan idea itu lebih membumi: apa yang patut dibuat oleh pengeluar, pengedar, dan peruncit FMCG di Malaysia/SEA untuk masuk 2026 dengan operasi yang lebih kebal disrupsi.

Disrupsi global: kenapa FMCG paling cepat “terasa”

Jawapan ringkas: FMCG bergerak pada volum tinggi, margin nipis, dan jangka hayat produk yang pendek—jadi gangguan kecil pun cepat jadi masalah besar.

Dalam rantaian bekalan FMCG, service level (ketersediaan di rak) ialah “matawang” utama. Produk yang tak ada di rak hari ini biasanya bukan jualan yang tertangguh—ia jualan yang hilang. Tambah pula trend omni-channel: pelanggan nak beli di kedai fizikal, aplikasi, atau platform e-dagang, dan mereka jangka penghantaran cepat.

Tiga corak disrupsi yang makin ketara menuju 2026:

1. Cuaca ekstrem dan gangguan pengangkutan Banjir, ribut, gelombang panas—semua ini menjejaskan laluan, masa transit, dan keadaan produk (terutama makanan/minuman).
2. Kos dan dasar perdagangan yang berubah cepat Tarif atau sekatan import boleh mengubah kos landed dalam masa singkat, memaksa pelarasan sourcing.
3. Tekanan pematuhan & pembungkusan Peraturan bahan pembungkusan, tuntutan kelestarian, dan audit pembekal semakin ketat.

Bila tiga perkara ini bertembung pada waktu puncak (contohnya hujung tahun atau musim perayaan), organisasi yang menang ialah organisasi yang boleh meramal lebih tepat, bertindak lebih cepat, dan berkomunikasi merentas fungsi tanpa “data bertabur”.

Strategi 1: Ramalan permintaan berasaskan AI yang benar-benar boleh diguna

Jawapan ringkas: AI membantu ramalan permintaan FMCG dengan menggabungkan banyak isyarat (jualan, promosi, cuaca, harga, stok) dan mengurangkan “kejutan” di hujung bulan.

Kebanyakan syarikat kata mereka buat demand forecasting, tapi masalah biasa ialah:

• Ramalan dibuat terlalu kasar (sekadar peringkat kategori, bukan SKU/lokasi).
• Data promosi tak masuk awal, jadi ramalan “terlewat ikut realiti”.
• Tiada feedback loop—lepas forecast tersasar, puncanya tak dianalisis.

Apa yang AI buat lebih baik daripada spreadsheet

AI/ML (contohnya model ramalan siri masa moden) boleh mempelajari corak seperti:

• Halo effect promosi (produk A naik, produk B pun terikut)
• Cannibalization (produk baru makan jualan produk lama)
• Kesan cuti sekolah, musim perayaan, dan hujung bulan
• Gangguan bekalan yang menyebabkan jualan “nampak rendah” padahal stok kosong

Satu prinsip yang saya selalu tekankan: ramalan yang baik bukan semata-mata “lebih tepat”, tapi lebih boleh dijelaskan dan boleh ditindak.

Checklist praktikal (30 hari) untuk mula betul

1. Pilih 30–50 SKU paling kritikal (A-items) dan 10–20 lokasi utama.
2. Pastikan data berikut bersih untuk 12–24 bulan:
   • Jualan harian/mingguan
   • Stok on-hand dan stockout flag
   • Kalendar promosi dan diskaun
   • Lead time pembekal
3. Ukur metrik secara konsisten:
   • MAPE mengikut SKU/lokasi
   • Bias (ramalan cenderung tinggi atau rendah)
4. Bentuk rutin weekly forecast review yang melibatkan jualan + operasi + perancangan.

Bila AI forecasting stabil, ia jadi asas kepada semua langkah seterusnya: inventori, perancangan kapasiti, dan pengagihan.

Strategi 2: Perancangan rantaian nilai + “Virtual Twin” untuk uji senario sebelum duit terbakar

Jawapan ringkas: Simulasi maya (virtual simulation/virtual twin) membolehkan FMCG menguji perubahan rangkaian, kapasiti, dan polisi inventori tanpa mengganggu operasi sebenar.

Artikel sumber menyebut perancangan rantaian nilai dan virtual twin. Konsep ini mudah: bina model digital operasi (kilang → gudang → pengangkutan → pelanggan) dan uji soalan yang biasanya dijawab dengan tekaan.

Contoh senario yang patut disimulasi (dan memang kerap berlaku):

• “Kalau pelabuhan sesak 10 hari, stok keselamatan berapa patut naik untuk kekal 95% service level?”
• “Kalau kita tambah pembekal kedua (multi-sourcing) tapi kos unit naik 4%, margin jatuh berapa dan service level naik berapa?”
• “Kalau kita buka ‘hub’ tambahan di Zon Selatan, kos last-mile turun atau naik?”

Apa beza simulasi biasa vs simulasi yang dibantu AI

Simulasi tradisional bagus, tapi bila AI masuk:

• AI boleh cadangkan parameter optimum (contoh reorder point, safety stock) berdasarkan objektif.
• AI boleh jalankan beratus-ratus variasi senario secara automatik, bukan satu demi satu.
• Keputusan boleh diberi dalam bentuk cadangan tindakan: “pilih polisi A untuk SKU X di lokasi Y sepanjang 6 minggu puncak”.

“Kalau keputusan rantaian bekalan tak boleh diuji dalam simulasi, selalunya ia akan ‘dibayar’ dengan stok kosong atau lebihan stok.”

Strategi 3: Multi-sourcing yang lebih bijak—bukan sekadar tambah pembekal

Jawapan ringkas: Multi-sourcing FMCG berkesan bila AI membantu memilih kombinasi pembekal mengikut risiko, kos landed, kapasiti, dan pematuhan.

Ramai organisasi cuba multi-sourcing bila pernah “terbakar” dengan satu pembekal. Tapi menambah pembekal tanpa sistem akan cipta masalah baru:

• Variasi kualiti dan spesifikasi bahan
• Lead time yang berbeza-beza
• MOQ dan syarat kontrak yang tak seragam
• Risiko pematuhan (contoh pembungkusan/label)

Cara AI bantu keputusan sourcing yang lebih stabil

AI boleh menyokong dengan:

• Skor risiko pembekal (prestasi OTIF, variabiliti lead time, isu kualiti)
• Kos landed dinamik (kos bahan + logistik + tarif + risiko gangguan)
• Cadangan peruntukan volum (split 70/30, 60/40, ikut musim)

Praktikalnya, pasukan procurement boleh bergerak daripada “pilih pembekal termurah” kepada “pilih pembekal yang menjaga service level dengan kos terkawal”. Dalam FMCG, itu bezanya untung vs rugi.

Strategi 4: Automasi gudang & logistik yang fokus pada masalah sebenar

Jawapan ringkas: Automasi gudang paling cepat pulang modal bila ia menyelesaikan bottleneck: picking, sortation, dan ketepatan inventori.

Bila pesanan bertambah (terutama e-dagang), gudang biasanya tersekat pada:

• Order picking yang memakan masa
• Kesilapan picking (salah SKU/kuantiti)
• Ketiadaan visibiliti stok masa nyata

AI bukan bermaksud terus beli robot. Mulakan dengan keputusan yang lebih “low drama” tetapi memberi impak:

1) Slotting pintar (AI slotting)

AI susun lokasi SKU berdasarkan kekerapan pick, saiz, dan korelasi item. Kesan biasa:

• Jarak berjalan turun
• Masa pemprosesan order turun

2) Pengoptimuman tenaga kerja

Dengan kekurangan tenaga kerja, jadual syif dan tugasan perlu adaptif. AI boleh:

• Meramal beban kerja harian
• Cadangkan bilangan pekerja/zon
• Kurangkan masa idle dan overtime

3) Pengoptimuman laluan penghantaran

Untuk last-mile, AI boleh kira semula laluan bila ada jalan tutup, permintaan berubah, atau cut-off time berbeza.

Dalam FMCG, automasi yang paling berbaloi ialah yang menurunkan kos per order dan menaikkan ketepatan penghantaran pada masa yang sama.

Data, kolaborasi, dan pematuhan: “kerja belakang tabir” yang menentukan hasil

Jawapan ringkas: AI hanya sebaik data dan proses keputusan; organisasi perlu satukan definisi metrik, aliran data, dan peranan membuat keputusan.

Salah satu sebab projek AI rantaian bekalan gagal ialah bukan kerana model ML lemah, tetapi kerana:

• Data dari ERP, WMS, TMS, e-dagang tak bercakap antara satu sama lain
• Definisi KPI bercanggah (contoh OTIF dikira berbeza oleh jualan vs operasi)
• Tiada pemilik proses (siapa approve perubahan polisi?)

“People Also Ask” yang patut dijawab awal

Berapa lama nak nampak hasil AI dalam rantaian bekalan FMCG?

• Untuk use case ramalan permintaan dan slotting gudang: biasanya 8–12 minggu untuk pilot yang jelas.

Perlu data sempurna dulu baru mula?

• Tidak. Tapi perlu data minimum yang boleh dipercayai. Mulakan kecil, bersihkan data sambil bergerak.

AI sesuai untuk syarikat FMCG sederhana, bukan multinasional saja?

• Ya, kalau pilih use case yang tepat dan skopkan dengan betul. Fokus pada SKU A-items, bukan semua SKU serentak.

Pelan tindakan 90 hari: dari idea ke keputusan yang boleh diukur

Jawapan ringkas: Pecahkan kepada 3 fasa—pilih use case, bina data pipeline minimum, dan jalankan pilot dengan KPI jelas.

Hari 1–30 (Fokus & asas data)

• Pilih 1 masalah utama: forecast tersasar, stok kosong, atau kos gudang tinggi
• Tetapkan KPI: service level, fill rate, OTIF, kos per carton/order
• Tarik data asas dan selaraskan definisi KPI

Hari 31–60 (Model + proses keputusan)

• Bina model AI untuk forecast atau inventori
• Bentuk rutin mesyuarat S&OP/IBP ringkas (mingguan)
• Tetapkan “siapa buat apa” bila cadangan AI keluar

Hari 61–90 (Pilot + skalakan)

• Jalankan pilot di satu wilayah/gudang
• Audit keputusan: apa yang naik, apa yang turun, dan kenapa
• Skalakan ke SKU/lokasi seterusnya berdasarkan ROI

Kalau anda serius nak “futureproof” menjelang 2026, 90 hari ini patut jadi permulaan, bukan perbincangan tanpa tamat.

Langkah seterusnya untuk 2026: bina rantaian bekalan yang boleh bertindak pantas

FMCG yang tahan disrupsi bukan yang menyimpan stok paling banyak. Ia yang boleh membuat keputusan paling cepat dengan risiko terkawal—daripada sourcing, perancangan, gudang, sampai last-mile.

Dalam siri AI dalam Logistik dan Rantaian Bekalan, saya nampak corak yang sama berulang: bila AI digabungkan dengan simulasi, perancangan rantaian nilai, dan disiplin KPI, organisasi bukan saja menstabilkan operasi, malah melindungi margin.

Kalau rantaian bekalan anda masih bergantung pada spreadsheet yang dikemas kini selepas masalah berlaku, itu isyarat jelas untuk berubah. Soalannya: bahagian mana yang anda mahu automasikan dulu—ramalan permintaan, inventori, atau gudang?