Martin Nababan 
Executive Summary — Dari Banyak Meluncurkan Produk menuju Banyak Menghasilkan Pengetahuan
Martin Nababan – Industri skincare sedang memasuki fase ketika membuat produk baru semakin mudah, tetapi menciptakan solusi yang benar-benar bernilai justru semakin sulit. Contract manufacturing, digital commerce, global ingredient suppliers, creator economy, dan teknologi memperpendek perjalanan dari ide menuju pasar, sehingga kecepatan peluncuran tidak lagi otomatis menjadi keunggulan.
Perubahan tersebut membuat Research and Development atau R&D, yaitu riset dan pengembangan, perlu ditempatkan lebih dekat dengan strategi bisnis. R&D tidak cukup menjadi laboratorium yang menerima brief dari Marketing, tetapi harus menghubungkan consumer insight, science, formulation, service design, regulatory affairs, quality, manufacturing, data, Artificial Intelligence, dan commercial economics dalam satu sistem pembelajaran.
McKinsey menunjukkan bahwa customer beauty semakin memperhatikan quality, efficacy, differentiation, dan value, sementara kompetisi digital membuat customer acquisition semakin padat. Pasar beauty global masih diperkirakan tumbuh menuju 2030, tetapi pertumbuhan pasar tidak menjamin setiap perusahaan otomatis memperoleh pertumbuhan berkualitas.
Boston Consulting Group atau BCG menemukan perkembangan lain melalui riset konsumen beauty di Amerika Serikat pada 2026. Sebagian customer mulai menggabungkan skincare, aesthetic procedures, wellness, performance, dan longevity sebagai satu ecosystem, sementara penggunaan Artificial Intelligence atau AI dalam proses research customer ikut meningkat.
Data tersebut tidak bisa langsung dipakai sebagai ukuran perilaku konsumen Indonesia, tetapi memberi sinyal penting tentang arah pasar. Customer mulai bergerak dari sekadar mengenal ingredient menuju outcome-oriented behaviour, yaitu kebiasaan menilai sebuah solusi berdasarkan hasil, evidence, safety, convenience, dan value yang benar-benar dirasakan.
Implikasinya besar bagi R&D. Pertanyaan “ingredient apa yang sedang viral?” perlu bergeser menjadi “problem apa yang belum diselesaikan dengan baik, untuk siapa problem tersebut penting, dan solution apa yang layak diuji?”
Perubahan ini merupakan pergeseran dari ingredient-led innovation menuju outcome-led innovation. Pendekatan pertama memulai development dari bahan yang ingin digunakan, sedangkan pendekatan kedua memulai dari hasil yang ingin dicapai customer lalu menentukan formula, treatment, technology, atau service yang paling tepat.
Harvard Business Review atau HBR menekankan pentingnya scientific decision-making dan experimentation dalam innovation. Scientific decision-making adalah pendekatan yang memperlakukan assumption sebagai hypothesis, menguji hypothesis tersebut dengan evidence, lalu menggunakan hasilnya untuk menentukan apakah sebuah project layak diteruskan, diperbaiki, atau dihentikan.
Indonesia mempunyai peluang besar karena memiliki market, biodiversity, manufacturing base, clinic network, perguruan tinggi, dan regulatory ecosystem yang berkembang. Program BRIDGE, kependekan dari Bersinergi dalam Riset Inovatif BerDaya Saing Global dan Ekspansi Pasar, yang dikembangkan Badan Pengawas Obat dan Makanan atau BPOM, menjadi salah satu upaya menjembatani research dengan commercialization.
Tantangannya adalah mengubah biodiversity dan penelitian menjadi industrial knowledge. Bahan lokal baru menjadi competitive advantage ketika dapat distandardisasi, diuji keamanannya, diformulasikan secara konsisten, diproduksi pada scale nyata, dilindungi melalui intellectual property atau know-how, serta menghasilkan manfaat yang benar-benar relevan bagi customer.
Perubahan regulasi juga semakin dekat dengan R&D. Cara Pembuatan Kosmetik yang Baik atau CPKB serta kewajiban halal membuat raw material, supplier, manufacturing process, traceability, dan quality system perlu dipikirkan sejak tahap development, bukan diperiksa setelah produk hampir selesai.
AI kemudian membuka lapisan opportunity baru. McKinsey memperkirakan Generative AI dapat menciptakan economic impact bernilai miliaran dolar di industri beauty, tetapi nilainya baru muncul ketika technology ditempatkan pada problem nyata seperti consumer insight, knowledge retrieval, formulation, demand planning, personalization, atau operational productivity.
L’Oréal menunjukkan seperti apa pendekatan tersebut pada industrial scale. Pada 2025 perusahaan memiliki sekitar 4.000 scientists, investasi Research & Innovation lebih dari €1,3 miliar, 725 patent filings, sekitar 140 scientific publications, serta ribuan formula launches, didukung puluhan ribu safety evaluations dan stability tests.
Yang perlu dipelajari bukan besarnya angka tersebut, melainkan prinsip di belakangnya. Setiap research project menghasilkan data dan knowledge yang dapat digunakan kembali, sehingga perusahaan tidak memulai dari nol setiap kali mengembangkan produk baru.
Service business mempunyai sumber knowledge berbeda. Clinic memperoleh insight melalui consultation, treatment, customer response, follow-up, repeat visits, homecare, dan complaints, sehingga network dapat berkembang dari sekadar tempat pelayanan menjadi learning network apabila datanya distandardisasi dan benar-benar digunakan untuk memperbaiki keputusan.
Karena itu thesis utama artikel ini sederhana: masa depan R&D skincare tidak ditentukan oleh seberapa banyak produk diluncurkan, tetapi seberapa cepat perusahaan mengubah problem menjadi knowledge, knowledge menjadi solution, dan outcome menjadi pembelajaran berikutnya.
Pendahuluan — Innovation Dimulai Sebelum Formula Dibuat
Industri skincare mempunyai 1 paradoks. Semakin banyak pilihan yang tersedia, semakin besar risiko perusahaan menganggap innovation identik dengan semakin banyak Stock Keeping Unit atau SKU, yaitu unit individual produk yang dikelola dalam portfolio dan inventory.
Padahal customer tidak membutuhkan SKU. Mereka membutuhkan kulit yang lebih nyaman, acne yang lebih terkendali, pigmentation yang berkurang, recovery yang lebih baik, atau routine yang lebih sederhana.
Perbedaan tersebut seharusnya mengubah cara Chief Executive Officer atau CEO, Board, Marketing, dan R&D membaca innovation. Jika ukuran utamanya hanya launch calendar, organization terdorong memperbanyak output; jika ukurannya customer outcome dan knowledge creation, pertanyaannya berubah menjadi apakah setiap project benar-benar menambah value.
Setiap R&D project juga mempunyai opportunity cost. Scientist, testing capacity, management attention, manufacturing slot, packaging, marketing budget, dan working capital yang dipakai satu project tidak dapat dipakai untuk opportunity lain secara bersamaan.
Karena itu innovation juga merupakan bagian dari capital allocation. Management harus memilih bukan hanya ide yang menarik, tetapi uncertainty mana yang paling penting untuk dikurangi dan knowledge apa yang paling bernilai untuk dibangun.
Artikel ini menggunakan 5 tahap untuk membacanya: menemukan problem, membangun product science, merancang service, membangun intelligence layer, serta membawa research menuju market. Dua best-practice case kemudian memperlihatkan bagaimana pendekatan tersebut bekerja dalam model product-intensive dan service-intensive.
Chapter 1 — Discovering the Right Problem
Dari Market Signal menuju Research Priority
Kesalahan R&D paling mahal sering terjadi bahkan sebelum laboratory work dimulai. Perusahaan memilih problem yang kurang penting, lalu mengembangkan solusi dengan sangat baik untuk kebutuhan yang sebenarnya lemah.
Karena itu R&D perlu dimulai dengan problem discovery, yaitu proses menemukan problem, friction, atau desired outcome yang belum diselesaikan secara memadai. Viral trend dapat menjadi signal, tetapi belum cukup menjadi alasan untuk membuat produk.
Jika pembicaraan mengenai skin barrier meningkat, misalnya, perusahaan tidak otomatis membutuhkan moisturizer baru. Research perlu mencari apakah problem sebenarnya berasal dari over-exfoliation, penggunaan active terlalu agresif, environmental exposure, product overload, atau kebutuhan post-treatment recovery.
Hasil research dapat tetap menghasilkan moisturizer, tetapi juga bisa menghasilkan cleanser lebih mild, simplified routine, education, atau treatment pathway. Perbedaan ini memisahkan trend follower dengan company yang benar-benar melakukan research.
Customer juga sebaiknya tidak dibaca hanya berdasarkan usia dan pendapatan. Need-state segmentation adalah pengelompokan customer berdasarkan kondisi, problem, desired outcome, routine, treatment history, tolerance, lifestyle, serta willingness to invest sehingga R&D mempunyai target yang lebih relevan.
Data kemudian harus berakhir pada keputusan. Search behaviour, marketplace review, Customer Relationship Management atau CRM, clinic consultation, customer service, supplier intelligence, scientific literature, dan financial performance seharusnya dibaca bersama, bukan tinggal dalam dashboard masing-masing fungsi.
Tabel berikut memperlihatkan bagaimana beberapa sumber data dapat diterjemahkan menjadi keputusan R&D. Tujuannya adalah membedakan perusahaan yang hanya mempunyai banyak data dengan perusahaan yang benar-benar mampu mengubah data menjadi research priority.
Tabel 1. Data-to-Decision Framework untuk R&D Skin Solutions
No. | Sumber Data | Signal | Pertanyaan Riset | Keputusan |
|---|---|---|---|---|
1 | Search behaviour | Kenaikan pencarian problem | Apakah need benar-benar meningkat? | Mulai exploratory research |
2 | Social listening | Conversation customer | Bagaimana problem dipahami? | Bangun hypothesis |
3 | Marketplace review | Benefit dan complaint | Di mana existing solution gagal? | Renovation atau new solution |
4 | Repeat purchase | Reorder dan retention | Apakah customer memperoleh value? | Scale, reformulate, stop |
5 | Clinic consultation | Concern berulang | Kapan professional intervention diperlukan? | Treatment pathway |
6 | Scientific literature | Emerging mechanism | Apakah science cukup matang? | Research platform |
7 | Regulatory information | New requirement | Apa yang harus berubah sejak design? | Redesign product atau process |
8 | Financial data | Margin dan inventory | Apakah economics sustainable? | Scale, simplify, discontinue |
Sumber Data: Harvard Business Review, 2024–2025; McKinsey & Company, 2025; Boston Consulting Group, 2025–2026; sintesis data-driven R&D.
Tabel tersebut menunjukkan bahwa tidak semua signal harus berakhir menjadi product launch. Complaint dapat menghasilkan reformulation, scientific evidence dapat menghasilkan long-term research, sedangkan weak repeat atau poor economics bahkan dapat menghasilkan keputusan menghentikan produk.
Research priority sebaiknya lahir dari convergence of evidence, yaitu kondisi ketika beberapa sumber data independen mengarah pada kebutuhan yang sama. Semakin kuat convergence tersebut, semakin rasional perusahaan menambah investment.
Pendekatan ini juga memperbaiki percakapan lintas fungsi. Marketing membawa demand signal, R&D membawa scientific uncertainty, Operations membawa feasibility, Regulatory membawa boundary, sedangkan Finance membawa economic discipline.
Chapter 2 — Building Product Science
Dari Ingredient Story menuju Evidence
Setelah problem ditemukan, R&D perlu menentukan target outcome sebelum memilih ingredient. Jika tujuannya memperbaiki barrier, organization harus terlebih dahulu menjelaskan apakah hasil yang dicari berupa hydration, comfort, reduction of dryness, atau improvement lain yang dapat dinilai secara masuk akal.
Evidence architecture adalah struktur yang menghubungkan customer problem, biological rationale, ingredient, final formulation, testing, safety, user experience, dan claim. Pendekatan ini mencegah perusahaan memakai evidence mengenai satu ingredient seolah otomatis membuktikan manfaat seluruh finished product.
Formula adalah sebuah system. Concentration, pH, delivery system, ingredient interaction, packaging, stability, application amount, serta routine customer semuanya dapat mengubah performance.
Karena itu evidence perlu dibangun bertahap. Scientific literature memberikan plausibility, ingredient research membantu memahami mechanism, laboratory development menguji feasibility, finished-product testing memberikan product evidence, sedangkan post-market data memperlihatkan apa yang benar-benar terjadi pada customer.
McKinsey menunjukkan bahwa efficacy dan quality semakin penting dalam keputusan beauty. Bagi R&D, ini membuat repeat purchase menjadi salah satu signal penting mengenai product-market fit, karena customer yang membeli ulang sedang menunjukkan bahwa experienced value cukup tinggi untuk mengulangi transaksi.
Jika trial tinggi tetapi repeat rendah, company perlu mencari akar masalah sebelum menambah advertising. Product outcome, sensory, price, complexity, education, atau expectation dapat menjadi penyebab yang lebih fundamental.
Regulation juga perlu masuk lebih awal. Design for compliance berarti ingredient, claim, manufacturing, halal requirement, dan supporting evidence dipertimbangkan sejak tahap concept sehingga costly rework menjelang launch dapat dikurangi.
Design for manufacturability mempunyai prinsip serupa. Formula laboratory belum menjadi innovation apabila tidak dapat diproduksi secara stabil pada industrial scale, sehingga R&D, Quality, Procurement, dan Manufacturing perlu berinteraksi sebelum development terlalu jauh.
Safety akhirnya bukan sekadar regulatory obligation. Supplier qualification, specification control, stability, compatibility, complaint monitoring, dan traceability membentuk trust infrastructure yang nilainya semakin besar ketika pasar semakin padat.
Indonesia juga mempunyai peluang melalui biodiversity, tetapi botanical origin saja tidak cukup. Local material perlu bergerak menjadi science platform yang mempunyai standardization, safety, formulation knowledge, supply continuity, evidence, dan intellectual property.
Dengan pendekatan tersebut, targetnya bukan hanya lebih banyak produk dengan bahan lokal. Targetnya adalah lebih banyak proprietary Indonesian knowledge yang dapat digunakan untuk beberapa generasi solution.
Chapter 3 — Designing Services as R&D
Clinic Bukan Hanya Tempat Treatment
Service innovation mempunyai karakter berbeda karena customer mengalami proses produksi jasa secara langsung. Professional, equipment, Standard Operating Procedure atau SOP, yaitu prosedur kerja baku, appointment, environment, expectation, dan customer behaviour semuanya memengaruhi outcome.
Karena itu membeli device baru belum tentu berarti innovation. Technology push terjadi ketika perusahaan memiliki teknologi terlebih dahulu lalu mencari problem yang cocok, sedangkan problem pull memulai proses dari customer outcome kemudian memilih teknologi yang benar-benar memberi incremental value.
Pendekatan kedua lebih sehat secara strategis. Device mahal dapat terlihat modern, tetapi menghasilkan Return on Invested Capital atau ROIC, yaitu pengembalian atas modal yang diinvestasikan, yang buruk apabila utilization rendah atau customer tidak kembali.
Treatment juga perlu dibaca sebagai end-to-end journey. Discovery, booking, waiting, consultation, procedure, payment, aftercare, recovery, homecare, dan follow-up bersama-sama menentukan customer experience.
Service blueprint membantu memetakan seluruh perjalanan tersebut. Innovation kemudian dapat muncul dari better consultation, shorter waiting, clearer aftercare, digital follow-up, atau service recovery, bukan hanya treatment baru.
Service R&D juga harus mempertemukan technical outcome dan operational outcome. Treatment yang efektif tetapi terlalu lambat atau sangat bergantung pada individu tertentu akan sulit direplikasi, sementara service yang efisien tetapi outcome lemah dapat merusak trust.
Clinic mempunyai peluang personalization lebih tinggi melalui professional assessment. Namun personalization yang terlalu bebas menghasilkan variance, sehingga structured personalization, yaitu beberapa standardized pathways yang dapat disesuaikan professional, lebih mudah diskalakan.
Perkembangan berikutnya adalah product-service integration. Customer dengan acne atau pigmentation tidak berpikir dalam struktur organisasi perusahaan; mereka dapat membutuhkan homecare, professional consultation, treatment, monitoring, dan education dalam satu journey.
Karena itu future R&D perlu bergerak menuju solution architecture, yaitu desain kombinasi product, service, professional expertise, technology, dan timing untuk mencapai outcome tertentu. Di sinilah skincare, clinic, digital, dan data mulai bertemu menjadi satu skin-solution ecosystem.
Chapter 4 — Building the Intelligence Layer
Artificial Intelligence, Data, dan Institutional Knowledge
AI dapat mempercepat R&D karena memungkinkan organization memproses volume informasi yang jauh lebih besar. Scientific literature, customer reviews, historical formulas, stability results, complaints, supplier information, serta treatment patterns dapat dianalisis lebih cepat daripada manual review.
Namun perusahaan sebaiknya tidak memulai dengan pertanyaan “AI tool apa yang harus dibeli?”. Pertanyaan yang lebih baik adalah “decision apa yang sekarang terlalu lambat, mahal, atau tidak konsisten?”
Jika bottleneck berada pada literature review, AI dapat membantu knowledge retrieval. Jika historical formulation tidak pernah digunakan kembali, technology dapat membantu researcher menemukan pattern; jika masalah berada pada demand volatility, predictive analytics mungkin lebih relevan.
AI sendiri semakin mudah diperoleh sehingga sustainable advantage kemungkinan berasal dari proprietary data dan domain expertise. Historical formulation, failed experiments, treatment outcomes, customer complaints, supplier performance, serta manufacturing deviations dapat menjadi knowledge asset yang tidak dimiliki competitor.
Institutional memory adalah kemampuan organization mempertahankan context dan lesson dari semua pengalaman tersebut. Failure yang terdokumentasi tetap mempunyai value karena mencegah team berikutnya mengulang biaya belajar yang sama.
L’Oréal memberikan contoh ekstrem melalui pemanfaatan historical formulation database dalam pengembangan AI-assisted formulation. Pelajaran utamanya bukan jumlah data, tetapi prinsip bahwa setiap project lama dapat membantu meningkatkan quality dan speed project berikutnya.
Human judgement tetap sangat penting. Formulator memahami technical trade-off, dermatologist memahami clinical nuance, Quality memahami risk, dan Regulatory Affairs memahami batas compliance sehingga AI seharusnya memperbesar kemampuan para expert tersebut, bukan menghilangkan accountability mereka.
Open innovation juga memperluas knowledge surface perusahaan. University, supplier, startup, laboratory, clinic, regulator, dan technology company dapat membawa capability berbeda, sementara perusahaan tetap bertanggung jawab menentukan research question dan mengubah external knowledge menjadi commercial solution.
Chapter 5 — From Research to Market
Experimentation, Stage-Gate, dan Commercialization
Research belum menciptakan industrial value jika berhenti sebagai publication atau prototype. Tantangan sebenarnya adalah memindahkan knowledge menuju product atau service yang aman, relevant, reproducible, regulatory-ready, dan commercially sustainable.
Experimentation membantu mengurangi uncertainty secara bertahap. Concept test menjawab desirability, prototype menjawab technical feasibility, pilot menjawab operational feasibility, sedangkan commercial trial menjawab adoption serta economics.
Minimum Viable Evidence berarti evidence minimum yang cukup untuk mengambil keputusan tahap berikutnya. Konsep ini tidak berarti mengurangi quality atau safety, tetapi mencegah perusahaan mengeluarkan investment besar ketika uncertainty mendasar masih belum terjawab.
Stage-gate membagi development menjadi beberapa tahapan keputusan. Project dapat diteruskan, diperbaiki, ditunda, atau dihentikan berdasarkan evidence, bukan karena terlalu banyak biaya sudah terlanjur dikeluarkan.
Tabel berikut menyederhanakan proses tersebut agar research, business, dan investment decision dapat menggunakan bahasa yang sama. Prinsipnya sederhana: capital bertambah ketika uncertainty semakin menurun.
Tabel 2. Evidence-to-Decision Stage-Gate
No. | Tahap | Pertanyaan | Evidence | Keputusan |
|---|---|---|---|---|
1 | Problem Discovery | Apakah need penting? | Customer data | Continue/Stop |
2 | Concept | Apakah proposition relevan? | Concept test | Revise/Continue |
3 | Feasibility | Bisakah solution dibuat? | Prototype | Develop/Stop |
4 | Safety & Regulation | Apakah aman dan compliant? | Review dan testing | Approve/Redesign |
5 | Validation | Apakah outcome tercapai? | Performance evidence | Validate/Revise |
6 | Pilot | Bisakah direplikasi? | Product/service pilot | Scale/Modify |
7 | Commercial Test | Apakah customer membeli kembali? | Repeat, complaint, margin | Scale/Stop |
8 | Post-Launch | Apa yang dipelajari? | Cohort dan operational data | Improve/Retire |
Sumber Data: Harvard Business Review, 2024–2025; McKinsey & Company, 2025; BPOM, 2026; sintesis R&D stage-gate.
Struktur ini menunjukkan bahwa fast innovation bukan berarti memotong validation. Perusahaan menjadi lebih cepat karena weak project dihentikan lebih awal, sehingga scientist, management attention, dan capital dapat dialihkan ke opportunity yang lebih menjanjikan.
Stage-gate juga menghubungkan scientific dan financial thinking. Scientist menjelaskan uncertainty dan evidence, sementara Finance membantu management memahami capital exposure serta return yang mungkin dihasilkan.
Launch sendiri bukan akhir R&D. Repeat, complaints, inventory, product return, treatment utilization, margin, dan customer behaviour perlu kembali ke R&D sehingga setiap product atau service meninggalkan knowledge bagi generasi berikutnya.
Case Study 1 — L’Oréal
Science-Led Innovation Engine
L’Oréal menunjukkan bagaimana kelima prinsip sebelumnya dapat dibangun menjadi industrial system. Consumer research menentukan relevance, product science menghasilkan evidence, technology mempercepat discovery, dan commercialization mengubah research menjadi portfolio.
Pada 2025, perusahaan memiliki sekitar 4.000 scientists, investasi Research & Innovation lebih dari €1,3 miliar, 725 patent filings, sekitar 140 scientific publications, serta ribuan formula launches. Puluhan ribu safety evaluations dan stability tests menunjukkan bahwa innovation infrastructure jauh lebih luas daripada produk yang akhirnya terlihat customer.
L’Oréal juga mengembangkan regional R&D hubs sehingga diversity customer, skin, hair, climate, dan behaviour masuk ke scientific development. Global scale dengan demikian tidak harus menghasilkan one-size-fits-all solution.
AI kemudian ditempatkan di atas scientific foundation tersebut. Historical formulation data membantu digital exploration sehingga laboratory experimentation dapat lebih terarah, sementara open innovation memperluas akses kepada university, startup, biotechnology, dan technology partners.
Tabel berikut memetakan L’Oréal sesuai lima bagian utama artikel. Dengan demikian case study tidak berdiri sebagai cerita terpisah, tetapi menunjukkan bagaimana framework yang sama diterapkan dalam product-led organization.
Tabel 3. L’Oréal — Lima Pilar Science-Led R&D
No. | Pilar | Praktik | Pelajaran |
|---|---|---|---|
1 | Problem Discovery | Regional consumer research | Research dekat dengan customer diversity |
2 | Product Science | Patent, safety, stability, publication | Evidence menjadi infrastructure |
3 | Solution Extension | Beauty Tech dan personalization | Produk dapat berkembang menjadi ecosystem |
4 | Intelligence | AI dan historical formulation | Data lama mempercepat learning baru |
5 | Research-to-Market | Global commercialization | Science harus diterjemahkan menjadi value |
Sumber Data: L’Oréal Research & Innovation dan Annual Report, 2025–2026.
Pelajaran utamanya bukan bahwa setiap perusahaan membutuhkan budget miliaran euro. Yang relevan adalah discipline terhadap reusable knowledge, safety, customer research, experimentation, dan integration antara R&D dengan commercialization.
Perusahaan lebih kecil dapat menerapkan prinsip sama dengan scale berbeda. Setiap formulation project seharusnya meninggalkan learning, setiap customer test memperkaya database, dan setiap failure mengurangi uncertainty future research.
Case Study 2 — ZAP
Service-Led Learning Engine
ZAP menunjukkan architecture berbeda. Jika L’Oréal memperoleh knowledge melalui science-intensive infrastructure, clinic memperoleh banyak insight dari repeated interaction antara customer, professional, treatment, dan physical service network.
Informasi publik menunjukkan ZAP mempunyai pengalaman lebih dari 15 tahun dan lebih dari 100 outlet terintegrasi. Skala tersebut menciptakan opportunity untuk membaca variation customer, treatment, geography, professional practice, dan repeat behaviour apabila data dikelola secara konsisten.
Problem discovery pada clinic dapat terjadi melalui consultation. Service science berkembang melalui treatment protocol dan professional observation, sedangkan product-service integration dapat muncul melalui hubungan antara treatment, homecare, membership, dan digital touchpoints.
Network juga memungkinkan selected-outlet pilot sebelum rollout luas. New protocol atau service concept dapat diuji melalui treatment time, utilization, customer response, repeat, complaints, training requirements, dan economics.
Tabel berikut menggunakan struktur yang sama seperti case L’Oréal. Bagian mengenai research potential merupakan pembacaan strategis berdasarkan public footprint dan tidak dimaksudkan sebagai klaim tentang sistem internal yang tidak dipublikasikan.
Tabel 4. ZAP — Lima Pilar Service-Led R&D
No. | Pilar | Aset/Praktik | Pelajaran |
|---|---|---|---|
1 | Problem Discovery | Consultation dan repeated interaction | Service dapat menghasilkan research signal |
2 | Service Science | Professional treatment dan protocol | Standardization penting untuk evidence |
3 | Solution Architecture | Treatment, homecare, e-store, membership | Product dan service dapat diintegrasikan |
4 | Intelligence | 100+ outlet | Network berpotensi menjadi learning system |
5 | Research-to-Market | Pilot dan network rollout | Scale dapat menurunkan rollout uncertainty |
Sumber Data: Informasi publik ZAP Clinic mengenai layanan, outlet, membership, dan e-store, 2026; interpretasi R&D merupakan sintesis artikel.
Perbedaan penting dengan product company adalah bahwa banyak learning terjadi saat customer menerima service. Standardization karena itu menjadi fondasi, karena data dari banyak outlet tidak bermanfaat apabila terminology, protocol, dan outcome definition berbeda-beda.
Clinic lain dapat mengambil prinsip yang sama tanpa harus mempunyai seratus outlet. Consultation, treatment, follow-up, customer complaints, dan repeat behaviour sudah dapat menjadi learning system ketika dikumpulkan secara konsisten dan digunakan untuk memperbaiki service.
Kesimpulan — Science Engine dan Service Engine
L’Oréal dan ZAP menggunakan jalan yang sangat berbeda menuju innovation capability. L’Oréal membangun science-led model melalui research, patents, formulation, safety, AI, consumer assessment, dan industrial commercialization, sedangkan ZAP mewakili service-led model yang memperoleh learning terutama melalui customer interaction, professional judgement, treatment, network, serta relationship.
Perbedaannya mempunyai implikasi strategis. Product-led organization perlu berinvestasi lebih banyak sebelum customer menggunakan solution, sementara service-led organization memperoleh sebagian besar evidence ketika service diberikan sehingga consistency dan operational learning menjadi lebih penting.
Untuk memperjelas apa yang dapat dipelajari perusahaan lain, tabel berikut membandingkan keduanya berdasarkan sumber knowledge, experiment, scale advantage, dan long-term competitive moat.
Tabel 5. Perbandingan Science-Led dan Service-Led Innovation
No. | Dimensi | L’Oréal | ZAP | Pelajaran |
|---|---|---|---|---|
1 | Sumber knowledge | Science dan consumer research | Customer dan professional interaction | Mulai dari aset knowledge terkuat |
2 | Evidence | Laboratory dan assessment | Treatment dan operational learning | Bentuk evidence mengikuti solution |
3 | Scale advantage | R&D infrastructure | Network | Scale harus memperbesar learning |
4 | Standardization | Formula dan testing | SOP dan protocol | Knowledge perlu comparable |
5 | AI opportunity | Discovery dan formulation | Journey dan operational support | AI mengikuti domain capability |
6 | Main moat | IP dan scientific knowledge | Trust dan service know-how | Moat tidak selalu berupa patent |
7 | Main risk | Science gagal dikomersialisasikan | Variance menghambat scalability | Governance mengikuti model bisnis |
8 | Ultimate capability | Knowledge production | Customer learning | Keduanya menuju organizational intelligence |
Sumber Data: L’Oréal Research & Innovation 2025–2026; informasi publik ZAP Clinic 2026; sintesis Harvard Business Review dan McKinsey.
Product company dapat belajar dari service model dengan memperkuat community, professional insight, dan real-world feedback. Clinic sebaliknya dapat belajar dari science-led model dengan memperkuat evidence, standardized data, intellectual property, serta formal research collaboration.
Kesamaan terbesarnya adalah bahwa scale baru menjadi advantage jika menghasilkan learning. Lebih banyak produk atau outlet tanpa knowledge yang dapat digunakan kembali hanya memperbesar volume, sedangkan scale yang memperkaya institutional memory menciptakan advantage kumulatif.
Penutup — Membangun Industri yang Belajar Lebih Cepat
Indonesia memiliki market besar, biodiversity, manufacturing ecosystem, clinic network, perguruan tinggi, digital infrastructure, dan regulator yang semakin aktif mendorong hilirisasi. Tantangan berikutnya bukan sekadar melahirkan lebih banyak brand, tetapi mengubah seluruh aset tersebut menjadi local science, proprietary knowledge, standardized ingredients, better treatment protocols, intellectual property, dan talent yang mampu menghubungkan research dengan bisnis.
Bagi CEO, investor, entrepreneur, R&D leader, clinic operator, regulator, maupun akademisi, kualitas innovation perlu dibaca dari dua sisi sekaligus: kemampuan menciptakan customer value hari ini dan kemampuan meninggalkan knowledge bagi innovation berikutnya. Revenue dan launch tetap penting, tetapi evidence, repeat, early failure detection, learning, dan future capability menentukan seberapa kuat perusahaan bertahan setelah sebuah trend berakhir.
AI akan mempercepat perjalanan tersebut, tetapi technology tidak dapat menggantikan scientific discipline dan professional judgement. AI paling bernilai ketika memperbesar capability yang sudah dimiliki organisasi, sedangkan research paling bernilai ketika mampu menjawab problem yang benar-benar penting bagi customer.
Menuju 2030, competitive advantage kemungkinan tidak lagi terutama berada pada formula paling baru atau clinic paling modern. Keunggulan yang lebih tahan lama berada pada kemampuan perusahaan belajar lebih cepat daripada perubahan pasar, kemudian mengubah pembelajaran tersebut menjadi solusi yang lebih relevan, aman, terukur, dan bernilai.
Itulah inti Building the Next Generation of Skin Solutions. Masa depan skin economy bukan hanya tentang apa yang perusahaan mampu jual berikutnya, tetapi tentang apa yang mampu dipelajari hari ini agar perusahaan dapat menyelesaikan masalah customer dengan lebih baik di masa depan.
Referensi
1. The Beauty Market in 2023: A Special State of Fashion Report, Achim Berg, Anita Balchandani, Sara Hudson, Felix Rölkens dan tim, McKinsey & Company bersama The Business of Fashion, 2023.
2. Research: When Prototypes Don’t Yield Useful Insights, Douglas Hannah dan Shi-Ying Lim, Harvard Business Review, 2024.
3. The Dynamic Relationship Between Skin Microbiomes and Personal Care Products: A Comprehensive Review, Md. Naimul Islam dan tim, Heliyon — Elsevier, 2024.
4. Peraturan Badan Pengawas Obat dan Makanan Nomor 18 Tahun 2024 tentang Penandaan, Promosi dan Iklan Kosmetik, Badan Pengawas Obat dan Makanan Republik Indonesia, BPOM RI, 2024.
5. Want Your Company to Get Better at Experimentation?, Iavor Bojinov, David Holtz, Ramesh Johari, Sven Schmit dan Martin Tingley, Harvard Business Review, 2025.
6. Research: When Does Scientific Decision-Making Benefit Startups?, Chiara Spina dan Elena Novelli, Harvard Business Review, 2025.
7. How Beauty Players Can Scale Generative AI in 2025, Anna Checa, Kristi Weaver, Megan Pacchia, Sara Hudson dan tim, McKinsey & Company, 2025.
8. State of Beauty 2025: Solving a Shifting Growth Puzzle, Kristi Weaver, Megan Pacchia, Sara Hudson dan tim, McKinsey & Company bersama The Business of Fashion, 2025.
9. US Teens Are Shaking Up the World of Beauty, Pierre Dupreelle, Peri Edelstein, Jim Brennan, Raphaël Blanchin dan tim, Boston Consulting Group bersama Women’s Wear Daily, 2025.
10. Research & Innovation and the New Frontiers of Beauty — Annual Report 2025, L’Oréal Groupe, L’Oréal Finance, 2026.
11. Consumers Are Shaping a New Age of Optimization in Beauty, Pierre Dupreelle, Peri Edelstein, Raphaël Blanchin, Jeff Lindquist dan tim, Boston Consulting Group bersama Women’s Wear Daily, 2026.
12. From Research to the Market melalui BRIDGE, Direktorat Registrasi Obat Tradisional, Suplemen Kesehatan dan Kosmetik, Badan Pengawas Obat dan Makanan Republik Indonesia, 2026.
