Bisnis e-commerce yang sedang berkembang mengandalkan satu tabel AI untuk tetap stabil saat menghadapi lonjakan lalu lintas

Di industri ritel, baik online maupun offline, setiap promosi besar merupakan operasi kolektif yang melibatkan seluruh perusahaan. Layanan pelanggan harus bertahan di garis depan, logistik harus menjaga stabilitas di belakang, dan operasional harus memastikan siaran langsung berjalan lancar. Dalam kesibukan ini, hal yang paling rentan bermasalah adalah efisiensi dan akurasi aliran informasi.

Bagaimana menangani beban kerja yang berlipat ganda dalam waktu terbatas?

Di ZHR ZEZE, merek internet, dan toko barang kehidupan 55°N FIFTYFIVE, keduanya memiliki tujuan bersama: membebaskan waktu dari pekerjaan repetitif dan mengalokasikan energi pada hal-hal yang benar-benar penting.

Keduanya memilih menggunakan Tabel AI DingTalk untuk menyusun ulang alur kerja masing-masing. Yang paling mengesankan bukanlah alatnya sendiri, melainkan tekad dan praktik mereka dalam menggunakan teknologi untuk "menopang" bisnis sebelum puncak arus lalu lintas tiba.

ZHR ZEZE: Mengubah Peran Layanan Pelanggan dari "Perantara" Menjadi Pemecah Masalah

ZHR ZEZE adalah merek internet yang fokus pada sepatu kasual wanita, hadir di berbagai platform e-commerce, dengan ritme penjualan cepat dan layanan purnajual yang kompleks.

Jiu'er, kepala tim layanan pelanggan, tidak hanya harus mengoordinasikan layanan dari berbagai toko, tetapi juga bertindak sebagai "perantara + pengirim", secara akurat menyampaikan permintaan pelanggan kepada banyak departemen seperti keuangan, operasional, gudang, inspeksi kualitas, kurir, serta mitra bisnis lainnya.

Pada masa puncak layanan pra- dan pasca-penjualan, hal yang paling ditakuti oleh layanan pelanggan adalah keluhan pelanggan terlewat—permintaan pelanggan harus dikirim manual ke grup-grup berbeda, penghentian paket kurir harus dipantau secara manual, perkembangan masalah harus ditanyakan satu per satu, dan hasil tanggapan harus disinkronkan kembali ke pelanggan untuk membentuk siklus tertutup. Seluruh proses ini melibatkan banyak kolaborasi dan tindak lanjut, dan beban kerja saat puncak aktivitas bisnis menjadi sangat besar hingga "tidak bisa diselesaikan".

Oleh karena itu, Jiu'er yang telah memiliki lebih dari sepuluh tahun pengalaman di e-commerce menggunakan Tabel AI untuk menyusun ulang seluruh proses tersebut.

Manajemen pesanan retur merupakan titik nyeri utama bagi setiap perusahaan ritel e-commerce. Sebelumnya, sebuah pesanan retur melibatkan banyak departemen dan tahapan: staf layanan pelanggan harus memeriksa sistem pesanan, memverifikasi alamat dan status logistik, serta memberi tahu staf gudang untuk menerima barang; ketika staf gudang menerima paket retur dari pelanggan, mereka harus memverifikasi nomor resi dengan staf layanan pelanggan, menilai apakah barang dapat dimasukkan ke gudang, lalu menyinkronkan status paket retur ke staf layanan pelanggan. Jika terjadi masalah retur seperti barang dikirim salah atau rusak, diperlukan komunikasi intensif antara gudang, layanan pelanggan, dan pelanggan agar pesanan dapat ditutup.

Dengan Tabel AI, semuanya berbeda.

Staf layanan pelanggan cukup memasukkan nomor resi ke dalam Tabel AI. Bidang AI otomatis mengambil status logistik terbaru—sudah diterima, sedang dikirim, atau ada masalah—semua terlihat jelas. Penghentian paket kurir juga tidak lagi membutuhkan pemantauan manual, semua bisa dilacak dan dinilai langsung dari tabel tersebut.

Saat staf gudang menemukan anomali pada paket retur, mereka cukup @ asisten otomatis di grup dan menyertakan nomor resi serta jenis penolakan. Informasi langsung masuk ke dalam tabel, sistem otomatis mencari pesanan dan nama toko, lalu secara otomatis menugaskannya ke staf purnajual yang sesuai. Staf purnajual memperbarui hasil penanganan ke dalam tabel, dan sistem akan secara otomatis menyinkronkannya ke grup. Otomasi menggantikan banyak pekerjaan manual, menghindari komunikasi rumit, dan mencegah kemungkinan masalah terlewat.

Geser kiri dan kanan untuk melihat bagaimana Tabel AI mengelola pesanan retur

Penutupan Umpan Balik Negatif: Dari "Mencari Grup" ke "Penugasan Otomatis"

Alur kerja menjadi lebih sederhana, kolaborasi lintas tim pun meningkat. Salah satu yang paling mencolok adalah manajemen tugas umpan balik negatif.

Tim layanan pelanggan ZHR ZEZE perlu memberikan umpan balik tentang ukuran sepatu terlalu besar/kecil, kerusakan pengiriman, gambar salah, dan lainnya ke departemen operasional, logistik, dll. Ada lebih dari 30 grup berbeda untuk berbagai platform, toko, dan departemen. Hanya untuk "mencari grup yang tepat" dan "menindaklanjuti hasil", staf layanan pelanggan menghabiskan banyak waktu.

Kini, staf layanan pelanggan cukup mengirimkan umpan balik ke asisten AI, informasi langsung diambil oleh Tabel AI, bidang AI secara otomatis menentukan jenis masalah dan mencocokkan penanggung jawab, lalu mengirimkannya secara akurat ke grup terkait beserta notifikasi. Staf layanan pelanggan tidak perlu lagi mencari grup di daftar pesan. Seluruh proses umpan balik—dari munculnya masalah hingga penugasan ke penanggung jawab—terbentuk menjadi siklus tertutup yang lengkap. Data umpan balik juga terpusat dari obrolan grup yang tersebar ke dalam satu tabel, memudahkan analisis dan optimasi masalah.

Geser kiri dan kanan untuk melihat bagaimana Tabel AI mengelola umpan balik negatif

Dulu, informasi di obrolan grup sangat berantakan, setiap departemen asal mengirimkan datanya ke grup: berapa banyak pesanan retur dari layanan purnajual, berapa banyak paket retur yang diterima gudang; namun, staf mana yang bertanggung jawab atas pesanan toko mana harus dicari secara manual dari lautan data. Proses ini membuat setiap orang menghabiskan minimal 3–5 jam di grup tanpa bisa keluar.

Kini, staf purnajual hanya perlu membuka tampilan tugas mereka sendiri untuk menangani masalah dengan cepat. Penyaringan tampilan menggantikan pencarian manual, proses yang dulu memakan waktu beberapa jam kini hanya butuh beberapa menit. Lebih cermat lagi, bidang AI di Tabel AI bahkan bisa secara otomatis menilai apakah tugas melewati batas waktu berdasarkan waktu umpan balik dan persyaratan, tanpa perlu pengecekan manual, memastikan semua informasi penolakan ditangani tepat waktu setiap hari.

Dashboard menampilkan jumlah tugas, progres penanganan, dan peringatan keterlambatan secara real-time, semua informasi divisualisasikan sehingga mudah diketahui berapa banyak masalah belum ditangani dan berapa waktu tersisa. Ini juga mengatasi masalah dulu di mana staf layanan pelanggan tidak bisa langsung menindaklanjuti setelah memberi umpan balik.

Selama promosi besar, tim layanan pelanggan mengurangi banyak komunikasi dan tindak lanjut, tingkat kelalaian penanganan tugas hampir nol, efisiensi penanganan retur meningkat 40%, tingkat keterlambatan tugas turun 70%, efisiensi penugasan tugas naik 80%, dan efisiensi umpan balik secara keseluruhan naik lebih dari 70%. Ini bukan sekadar angka, tapi juga menjamin bahwa pada puncak arus lalu lintas, tim dengan ukuran yang sama bisa menangani lebih banyak masalah layanan pelanggan dan purnajual.

"Mengurangi komunikasi dan tindak lanjut yang tidak perlu, AI membuat tim bekerja lebih menyeluruh dan standar lebih ketat," kata Jiu'er, kepala layanan pelanggan ZHR ZEZE. "Akhirnya kami bisa menghabiskan waktu di tempat yang paling berharga."

Meningkatkan Efisiensi Siaran Langsung: Dari 2 Jam Menjadi 10 Menit

Peningkatan ini juga dilihat oleh tim lain, misalnya tim operasional yang setiap hari harus menyiapkan siaran langsung.

Dulu prosesnya panjang: sebelum setiap siaran langsung, staf operasional harus menyiapkan skrip secara manual, mengatur gambar keunggulan produk, dan menempel puluhan informasi produk satu per satu.

Ketika frekuensi siaran langsung berlipat ganda saat puncak arus lalu lintas, satu orang harus menyiapkan beberapa siaran langsung dalam sehari. Kadang-kadang jika satu produk terlewat, siaran langsung bisa bermasalah.

Setelah proses ini diserahkan ke Tabel AI, staf operasional hanya perlu mengisi nomor barang, nama pembawa, waktu, dan mengunggah gambar keunggulan. AI secara otomatis mengenali ID produk, mengekstrak poin penjualan dari gambar, dan menghasilkan skrip siaran langsung. Skrip ini langsung disinkronkan ke tim layanan pelanggan untuk digunakan, tanpa perlu diedit manual. Persiapan siaran langsung yang dulu memakan waktu 2 jam kini hanya butuh 10 menit.

Bagi ZHR ZEZE, perubahan ini bukan hanya soal peningkatan efisiensi, tetapi juga membuat setiap detail selama puncak arus lalu lintas menjadi lebih terkendali. Mereka bisa mengadakan lebih banyak siaran langsung, bekerja sama dengan lebih banyak pembawa, tanpa khawatir ketinggalan jadwal karena persiapan. Saat pengguna menonton siaran langsung, masalah efisiensi di belakang layar sudah sepenuhnya terselesaikan. Tim layanan pelanggan juga bisa mempersiapkan diri lebih awal.

55°N FIFTYFIVE: Satu Tabel untuk Mendukung Sistem Logistik 30+ Toko

Merek gaya hidup ini, 55°N FIFTYFIVE, yang mencakup lebih dari 25.000 SKU, berhasil membuka lebih dari 30 toko hanya dalam waktu kurang dari 3 tahun sejak didirikan.

Ekspansi bisnis yang begitu cepat tentu memberi tekanan dan tantangan besar pada manajemen gudang dan logistik.

Bagi Liu Fengshou, manajer logistik, variasi produk yang banyak, rantai logistik yang panjang, serta semakin banyaknya toko membuat inventarisasi gudang menjadi bagian paling memakan waktu:

Karyawan harus memotret dan mengunggah label produk, memasukkan tanggal produksi secara manual, menghitung masa kedaluwarsa. Terutama untuk paket produk kombinasi, mereka harus berkali-kali menghitung ulang masa kedaluwarsa akhir.

Dengan ratusan entri per hari, tingkat kesalahan sangat tinggi.

Kerusakan dan kekurangan barang antara toko dan gudang juga sering terjadi. Kerusakan, kekurangan, atau kesalahan pengiriman bisa terjadi beberapa kali dalam sebulan. Hanya untuk menentukan pihak yang bertanggung jawab saja bisa memakan waktu berhari-hari, bolak-balik mengirim tangkapan layar, membandingkan file Excel, dan verifikasi manual. Yang lebih sulit lagi, pekerjaan logistik dan gudang sulit diukur secara kuantitatif, evaluasi karyawan sering didasarkan pada penilaian pengalaman, sehingga sulit adil dan objektif. Sebagai perusahaan rintisan, pemilihan alat manajemen juga menjadi dilema: butuh sistem yang terstruktur, tetapi juga ringan dan terjangkau.

Saat itulah Liu Fengshou beralih ke Tabel AI.

Ia menggunakan Tabel AI untuk membangun "sistem" yang mencakup seluruh proses dari perencanaan produksi, pengiriman, pelacakan pengiriman, penerimaan, klaim, hingga rekonsiliasi.

Rencana pengiriman bulan depan, waktu perkiraan pemuatan, jumlah paket, volume—semua ada dalam satu tabel ini. Untuk mengakomodasi berbagai skenario, ia merancang beberapa tampilan: tampilan rinci untuk toko memeriksa semua barang, diagram Gantt menunjukkan frekuensi dan progres pengiriman, tampilan kalender menandai jadwal pengambilan harian dengan jelas. Hak akses berbeda ditetapkan untuk perusahaan logistik dan departemen berbeda, sehingga setiap peran hanya bisa melihat data terkait.

Geser untuk melihat tampilan lengkap kokpit manajemen logistik

Pada proses inventarisasi, AI menjadi produktivitas nyata. Karyawan gudang cukup memotret dan mengunggah label produk, AI secara otomatis mengenali tanggal produksi dan masa kedaluwarsa, menghitung waktu kedaluwarsa, dan menghasilkan peringatan. Waktu inventarisasi berkurang drastis, begitu pula tingkat kesalahan.

Otomasi Penanganan Kerusakan Barang dan Rekonsiliasi

Penanganan kerusakan dan kekurangan barang menjadi proses otomatis. Karyawan toko yang menemukan kerusakan atau kekurangan langsung mengunggah tanda terima. AI mengenali waktu pada tanda terima, secara otomatis menentukan apakah logistik terlambat, dan jika ya, langsung memicu proses klaim. Yang dulunya memakan beberapa hari untuk menentukan tanggung jawab, kini hanya memakan hitungan menit. Semua data kerusakan dan kekurangan otomatis terkumpul dalam tabel, tidak ada yang terlewat.

Rekonsiliasi yang paling rumit juga terselesaikan. Liu Fengshou harus melakukan rekonsiliasi dengan lebih dari sepuluh perusahaan logistik tiap bulan. Kini, dengan mengatur "tampilan cetak", cukup dengan penyaringan, faktur rekonsiliasi bisa langsung dihasilkan—nama mal, nomor pengeluaran gudang, nomor resi logistik, volume, biaya penyelesaian, semuanya lengkap. Ekspor PDF, cap, faktur—seluruh proses menjadi jauh lebih sederhana.

Berbicara dengan Data: Membuat Layanan Dapat Diukur dan Ditingkatkan

Liu Fengshou percaya nilai sebenarnya terletak pada data. Sebuah dashboard menampilkan indikator kuantitatif seperti tingkat ketepatan pengiriman dan tingkat kerusakan, serta menyajikan kualitas layanan dalam bentuk penilaian. Lebih penting lagi, ia memasukkan umpan balik langsung dari toko-toko ujung ke dalam sistem, dengan data kunjungan ulang karyawan setiap bulan. Dengan demikian, perusahaan logistik bisa melihat skor mereka sendiri sekaligus skor pesaing. Mereka pun termotivasi untuk tampil lebih baik—meningkatkan ketepatan waktu, menurunkan tingkat kerusakan, dan memperbaiki sikap layanan.

Saat memperkenalkan sistem ini, Liu Fengshou tidak terburu-buru. Bulan pertama, ia memasukkan semua data sendiri agar karyawan terbiasa. Bulan kedua, ia mulai "memberi wewenang", meminta karyawan mengisi informasi dasar. Baru bulan ketiga ia mulai mengajarkan fitur hak akses tingkat lanjut. Fitur yang paling cepat diterima karyawan adalah yang paling praktis—misalnya menangani informasi kerusakan. Dulu mereka harus mencari nomor resi di belasan grup, kini semua informasi terkait resi ada di tabel, bisa langsung ditemukan, dan efisiensi kerja benar-benar meningkat.

Dalam tiga bulan, Liu Fengshou mengubah departemen logistik yang sebelumnya bergantung pada pengalaman menjadi departemen yang berbicara dengan data, di mana hasil kerja setiap orang bisa terlihat. Sebuah perusahaan rintisan, dengan investasi minimal, berhasil melakukan hal yang biasanya membutuhkan sistem profesional.

Dalam katanya sendiri, Tabel AI adalah "membuat pekerjaan berulang menjadi sederhana, pekerjaan sederhana menjadi otomatis, dan pekerjaan otomatis menjadi akurat."

Penutup: Tabel AI, Mitra Paling Andal untuk Tim Lapangan

Praktik ZHR ZEZE dan 55°N FIFTYFIVE menunjukkan: Tabel AI tidak melakukan perubahan radikal, melainkan mengonsolidasi informasi yang tersebar, mengotomatisasi alur yang seharusnya otomatis, dan membuat pekerjaan yang perlu dilacak menjadi terlihat.

Tampak sederhana, tapi dampaknya sangat nyata. Mengurangi pencarian berulang, mengurangi koordinasi manual, mengurangi kebocoran informasi. Saat puncak arus lalu lintas tiba, peningkatan ini langsung berubah menjadi kapasitas—ketika pesanan berlipat ganda dan toko bertambah, tim yang sama bisa menangani lebih banyak bisnis.

Satu masalah kecil bisa membuat kehilangan konsumen, tetapi kedua perusahaan ini telah menyempurnakan setiap tahapan, sehingga efisiensi individu terlepas dan produktivitas tim secara keseluruhan meningkat.

Sebuah Tabel AI yang memahami bisnis, mampu berkolaborasi, dan bisa menutup siklus, bisa menjadi mitra paling andal bagi tim lapangan—menjaga ritme di puncak, mempertahankan standar di tengah kekacauan, dan membangun efisiensi dalam pertumbuhan.

Sebuah Tabel AI yang memahami bisnis, mampu berkolaborasi, dan bisa menutup siklus, bisa menjadi mitra paling andal bagi tim lapangan:

Menjaga ritme di puncak,

Memertahankan standar di tengah kekacauan,

Memperkuat efisiensi dalam pertumbuhan.

Inilah AI yang benar-benar dibutuhkan perusahaan.

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at This email address is being protected from spambots. You need JavaScript enabled to view it.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!