Infrastruktur AI: Kenapa Data Center Jadi Penentu E-Dagang

Menjelang penghujung 2025, satu angka patut buat pemimpin peruncitan dan e-dagang duduk tegak: pelaburan dan transaksi pusat data global hampir mencecah AS$61 bilion sehingga akhir November, dengan lebih 100 transaksi direkodkan. Ini bukan sekadar berita kewangan—ini isyarat jelas bahawa enjin di belakang AI sedang dibesarkan secara agresif.

Kalau anda mengurus operasi runcit, marketplace, atau jenama D2C, realitinya begini: AI yang “pandai” di hadapan pelanggan hanya wujud jika ada kuasa pengkomputeran yang cukup di belakang tabir. Cadangan produk masa nyata, ramalan permintaan untuk musim perayaan, pengoptimuman stok antara gudang, dan analitik tingkah laku pelanggan—semuanya makan compute.

Dan pada minggu-minggu terakhir Disember (musim kemuncak jualan, pulangan barang, dan kempen 12.12/Year-End Sale), kelemahan infrastruktur bukan sekadar lambat—ia boleh jadi mahal. Sistem rekomendasi yang “delay”, carian yang tak relevan, atau harga dinamik yang tersasar beberapa jam pun boleh menjejaskan margin.

Kenapa ledakan data center ini penting untuk peruncitan

Jawapan terus: data center ialah “kilang” yang menghasilkan kelajuan dan kebolehskalaan AI. Tanpa kapasiti pusat data yang cukup, AI untuk peruncitan akan jadi projek yang nampak cantik dalam demo, tetapi tersekat bila trafik memuncak.

Laporan yang memetik data S&P Global Market Intelligence menunjukkan jumlah nilai transaksi pusat data sudah mengatasi rekod 2024 (AS$60.81 bilion). Ini berlaku kerana permintaan AI tidak lagi bertumpu pada eksperimen—ia sudah masuk fasa operasi harian.

Untuk peruncitan dan e-dagang, ini biasanya muncul dalam tiga bentuk tekanan:

1. Trafik puncak yang lebih “spiky” – kempen kilat, siaran langsung, influencer drop, dan promosi marketplace menghasilkan lonjakan yang sukar diramal.
2. Model AI semakin berat – daripada segmentasi pelanggan asas kepada model bahasa (untuk khidmat pelanggan), model visi komputer (untuk pemeriksaan kualiti), dan model ramalan permintaan granular per SKU.
3. Keperluan masa nyata – pelanggan tak tunggu. Jika personalisasi lambat, mereka klik kedai lain.

Satu pemerhatian yang saya konsisten nampak: kebanyakan syarikat runcit fokus pada “alat AI”, tetapi kurang memberi perhatian pada “kos menjalankan AI”—latensi, kapasiti, dan kebolehpercayaan.

Dari M&A pusat data ke AI di troli beli-belah: hubungan yang ramai terlepas

Jawapan terus: aktiviti M&A dan pelaburan pusat data ialah petunjuk awal bahawa kos compute dan kapasiti akan jadi faktor strategi—bukan isu IT semata-mata.

Apabila dana ekuiti swasta dan penaja kewangan berebut aset pusat data berkualiti (dan bekalan aset bagus “terhad”), ia mencerminkan keyakinan bahawa permintaan pengkomputeran akan terus meningkat. Dalam bahasa peruncitan: AI bukan trend sementara. Ia menjadi lapisan operasi.

Apa maknanya untuk peniaga di Singapura

Singapura bergerak pantas dalam ekosistem digital serantau. Tapi untuk peniaga, manfaatnya hanya muncul bila anda:

• mampu menjalankan analitik pelanggan dan model ramalan permintaan secara konsisten, bukan bermusim
• boleh memproses data transaksi, carian, klik, dan inventori tanpa bottleneck
• ada pelan scaling untuk tempoh puncak (termasuk musim perayaan hujung tahun dan kempen besar marketplace)

Jika pusat data menjadi aset “scarce”, ada dua implikasi praktikal:

1. Harga kapasiti berkualiti cenderung tegar (sukar turun) apabila permintaan naik.
2. Keutamaan vendor akan memihak kepada pelanggan yang matang operasinya—yang boleh komited pada penggunaan stabil, bukan projek sekali-sekala.

5 kegunaan AI runcit yang benar-benar perlukan infrastruktur kukuh

Jawapan terus: AI paling memberi pulangan dalam runcit ialah yang berjalan kerap dan dekat dengan operasi—dan itu menuntut pusat data/awan yang stabil.

Di bawah ini lima aplikasi AI dalam peruncitan dan e-dagang yang paling sensitif kepada kapasiti dan latensi.

1) Cadangan peribadi (personalized recommendations)

Cadangan peribadi bukan sekadar “Produk berkaitan”. Ia melibatkan isyarat seperti sejarah carian, masa di halaman, respons kepada promosi, saiz, lokasi, dan stok semasa.

Bila infrastruktur lemah, yang berlaku:

• cadangan jadi umum (kurang relevan)
• sistem lambat mengemas kini trend (terlepas momentum)
• sukar buat A/B test pada skala besar

2) Ramalan permintaan dan perancangan stok

Ramalan permintaan yang berguna biasanya bergerak ke tahap SKU x lokasi x saluran. Lagi halus ramalan, lagi besar data dan komputasi.

Contoh realistik runcit:

• stok baju raya dan kuih memerlukan corak bermusim
• hujung tahun fokus pada hadiah, bundling, dan item “impulse”
• pulangan barang selepas jualan besar memberi “noise” pada data

AI yang baik perlu memproses semua ini dengan cepat, bukan seminggu sekali.

3) Pengoptimuman harga dan promosi

Harga dinamik boleh meningkatkan margin—tetapi hanya jika ia mengambil kira:

• kos, stok, kadar pulangan, dan permintaan semasa
• harga pesaing (jika anda memantau pasaran)
• keanjalan harga mengikut segmen pelanggan

Tanpa compute mencukupi, syarikat cenderung guna peraturan statik. Itu selamat, tetapi sering meninggalkan wang di meja.

4) Automasi khidmat pelanggan (chatbot/agent assist)

AI perbualan untuk e-dagang memerlukan respons pantas dan “ingat” konteks: status pesanan, polisi pulangan, variasi produk, dan sejarah interaksi.

Jika latensi tinggi:

• pelanggan rasa sistem “blur”
• kadar penyelesaian sendiri turun
• beban tiket manusia naik semula

5) Pencegahan penipuan dan pengurusan risiko

Penipuan pembayaran, akaun palsu, dan penyalahgunaan kupon berlaku dalam masa nyata. Model risiko perlu skoring transaksi sebelum transaksi lepas.

Ini antara aplikasi AI paling kritikal—dan paling memerlukan kestabilan infrastruktur.

Soalan yang patut ditanya sebelum “mula AI”: data, kos, dan seni bina

Jawapan terus: untuk dapat ROI AI dalam runcit, anda perlu selaraskan tiga perkara—data yang boleh dipercayai, kos menjalankan model, dan seni bina yang boleh skala.

Ramai organisasi terus membeli alat AI, kemudian kecewa kerana impak kecil. Biasanya masalahnya bukan model. Masalahnya asas.

“Kami dah ada data—kenapa AI masih tak jadi?”

Selalunya data wujud, tetapi:

• definisi metrik berbeza antara pasukan (contoh: “jualan bersih”)
• data stok tak sejajar dengan realiti (stok sistem vs stok fizikal)
• data pelanggan berpecah antara POS, marketplace, dan laman web

AI akan membesar-besarkan kekacauan ini. Langkah praktikal yang saya cadangkan:

1. Tetapkan 10–15 metrik “sumber kebenaran” untuk operasi (stok, jualan, pulangan, margin, lead time).
2. Audit kualiti data untuk 90 hari terakhir—cari outlier dan missing.
3. Pilih satu kes guna berimpak tinggi dan ukur sebelum/selepas.

“Patut pilih awan, colocation, atau on-prem?”

Untuk kebanyakan peruncitan dan e-dagang di Singapura, pendekatan yang paling waras ialah hybrid pragmatik:

• Awan untuk eksperimen, skala kempen, dan beban berubah-ubah
• Persekitaran lebih stabil (contoh colocation/komitmen jangka sederhana) untuk beban yang konsisten seperti pipeline data, latihan berkala, dan perkhidmatan model utama

Yang penting: jangan pilih berdasarkan “trend”. Pilih berdasarkan corak penggunaan.

“Macam mana nak kawal kos AI?”

Kos AI biasanya datang daripada:

• latihan model (training)
• inferens (serving) pada skala trafik
• penyimpanan dan pemindahan data

Tiga taktik kawalan kos yang praktikal:

• Utamakan inferens cekap: guna caching, batching, dan hadkan personalisasi kepada slot bernilai tinggi (contoh: halaman utama, cart).
• Model kecil untuk kerja kecil: tidak semua tugas perlu model besar.
• Jadualkan latihan: latih model ikut keperluan (harian/mingguan), bukan “setiap masa” tanpa sebab.

Pelan tindakan 30-60-90 hari untuk peniaga yang serius

Jawapan terus: mula kecil, ukur ketat, dan bina infrastruktur mengikut kes guna yang terbukti—bukan ikut tekaan.

Berikut rangka kerja yang sesuai untuk syarikat runcit dan e-dagang yang mahu bergerak cepat tetapi terkawal.

30 hari: pilih satu kes guna yang dekat dengan wang

Pilih satu:

• ramalan permintaan untuk 20 SKU teratas
• cadangan produk untuk 3 halaman utama
• automasi FAQ dan status pesanan

Tetapkan KPI yang jelas, contohnya:

• kadar penukaran (conversion rate)
• AOV (nilai pesanan purata)
• kadar stok habis (stockout)
• masa penyelesaian tiket

60 hari: stabilkan pipeline data dan “operational cadence”

• pastikan data harian masuk tepat masa
• bina dashboard ringkas untuk memantau drift
• wujudkan ritual mingguan: semak hasil, semak kos, semak isu

90 hari: skala—tetapi dengan guardrail

• tambah segmen pelanggan atau lokasi
• tambah automasi yang mengurangkan kerja manual
• tetapkan had kos (contoh: bajet inferens mingguan)

Kalau pada 90 hari anda belum nampak pergerakan KPI, jangan terus “tambah lagi AI”. Berhenti dan baiki data/andaian.

Apa yang patut anda buat sekarang (sebelum 2026 bermula)

Ledakan transaksi pusat data hampir AS$61 bilion adalah petunjuk bahawa pertandingan AI akan semakin bergantung pada siapa yang boleh menjalankan AI secara stabil, selamat, dan berbaloi. Dalam peruncitan, itu bermaksud: AI bukan projek makmal—ia mesin operasi.

Untuk siri AI dalam Peruncitan dan E-Dagang, saya pegang satu pendirian: kalau anda mahu personalisasi yang konsisten dan ramalan permintaan yang tepat, anda perlu melayan infrastruktur sebagai strategi pertumbuhan, bukan kos sampingan.

Jika anda sedang merancang 2026, tanya pasukan anda satu soalan yang mudah tetapi tajam: adakah sistem AI kita boleh tahan trafik puncak, dengan kos yang kita sanggup bayar—atau ia hanya nampak hebat masa trafik rendah?