Dari Tren ke Formula, Bagaimana Data Digital Mulai Masuk ke Meja R&D Kosmetik?

Data pencarian, perilaku konsumen, media sosial, hingga karakter biologis kulit mulai dibaca bersama data laboratorium. Tantangannya adalah menerjemahkan sinyal digital menjadi pertanyaan R&D yang benar-benar dapat diuji.

Tren kecantikan dahulu banyak dibaca melalui survei, penjualan, dan observasi pasar. Kini industri memiliki sumber informasi baru dalam jumlah jauh lebih besar: pencarian daring, percakapan media sosial, marketplace, ulasan konsumen, hingga data analisis kulit.

Perubahan menariknya bukan sekadar semakin banyak data tersedia. Informasi tersebut mulai bergerak menuju meja R&D untuk membantu menentukan kebutuhan apa yang layak diteliti, produk seperti apa yang perlu dikembangkan, dan eksperimen mana yang sebaiknya dilakukan lebih dahulu.

Contoh yang cukup nyata datang dari Indonesia. Pada Indonesia Cosmetic Ingredients [ICI] 2026, ParagonCorp memperkenalkan Smart Lab 2.0, sistem R&D berbasis AI yang digunakan antara lain untuk ingredient discovery, desain eksperimen, formulasi warna, dan pengolahan data biologis seperti genomik kulit, metabolomik, serta mikrobioma. Kompas.com melaporkan sistem AI Color Matching mereka mampu memangkas waktu formulasi sekitar 60 persen dengan akurasi prediktif lebih dari 95 persen. 

Baca Juga: Ketika Laboratorium Ikut Mengembangkan AI, Labcos Dorong Cosmetic Science Menjadi Beauty Intelligence

Tren Digital Mulai Berubah Menjadi Hipotesis Produk

Di tingkat global, Estée Lauder Companies mengembangkan ConsumerIQ dan Trend Studio bersama Microsoft. Sistem tersebut mengolah arsip internal serta data konsumen untuk menemukan tren dan mempercepat respons terhadap perubahan kebutuhan pasar. Microsoft menggambarkan salah satu aplikasinya sebagai memperpendek jarak dari mendeteksi tren di TikTok menuju pencocokan dengan produk yang relevan. 

Namun, sinyal digital bukan formula.

Lonjakan pencarian tentang skin barrier, misalnya, dapat menunjukkan meningkatnya perhatian konsumen. Data marketplace dapat memperlihatkan kategori atau tekstur yang sedang tumbuh. Ulasan produk dapat membantu menemukan keluhan berulang seperti lengket, pilling, atau warna yang tidak sesuai.

Informasi tersebut dapat digunakan untuk membangun product hypothesis: masalah apa yang perlu dijawab, karakter produk apa yang diinginkan, dan parameter apa yang harus diuji. Setelah itu, pekerjaan R&D tetap membutuhkan pemilihan bahan, formulasi, pembuatan prototype, evaluasi stabilitas, hingga validasi performa.

Perspektif Apt. Cahya Khairani Kusumawulan, M.Farm. relevan pada titik ini. Dalam pembahasannya mengenai proses formulasi, Cahya menempatkan kualitas produk sebagai hasil dari serangkaian keputusan yang dibuat jauh sebelum produk selesai. Data pasar dapat memperkaya keputusan tersebut, tetapi tidak menggantikan proses ilmiah yang menentukan apakah sebuah gagasan benar-benar dapat diwujudkan menjadi formula. 

Baca Juga: Labcos Hadir di Cosmobeauté Indonesia 2026, Bawa Beauty Science ke Ruang Industri yang Lebih Luas

Data Pasar Tidak Sama dengan Bukti Ilmiah

Perkembangan berikutnya bahkan sudah bergerak dari membaca tren menuju prediksi formulasi. Pada Maret 2026, L’Oréal memperluas kerja sama dengan NVIDIA untuk menggunakan computational chemistry dalam R&D. Sistem tersebut dirancang untuk memprediksi perilaku dan interaksi molekul serta memungkinkan ilmuwan menguji ribuan variabel secara virtual sebelum kandidat dibawa ke laboratorium. 

Di Indonesia, dr. Sari Chairunnisa, Sp.DVE, FINSDV, Deputy CEO dan Chief R&D Officer ParagonCorp, mengatakan AI membantu perusahaan memahami konsumen Indonesia bukan hanya dari preferensi, tetapi juga karakteristik biologis kulit. Namun ia menempatkan AI sebagai co-pilot, bukan autopilot: teknologi membantu mempercepat dan memperluas kemungkinan, sementara pertimbangan manusia tetap menentukan keputusan akhir. 

Batas tersebut penting. Trending topic bukan bukti efektivitas bahan. Banyaknya ulasan bukan pengganti uji klinis. Data penjualan juga tidak membuktikan bahwa suatu formula lebih aman atau stabil.

Nilai sebenarnya muncul ketika berbagai lapisan data ditempatkan sesuai fungsinya. Data digital dapat membantu menemukan masalah dan membangun hipotesis, data ilmiah membantu memilih kemungkinan solusi, sedangkan eksperimen laboratorium menentukan apakah solusi itu benar-benar bekerja.

Perubahan terbesar karena itu bukan bahwa TikTok atau marketplace kini “menentukan formula”. Yang berubah adalah R&D mulai memperoleh lebih banyak sinyal sebelum eksperimen dimulai.

Bagi industri kosmetik, kemampuan berikutnya bukan hanya mengumpulkan data sebanyak mungkin, tetapi membedakan mana yang merupakan tren, mana yang merupakan hipotesis, dan mana yang sudah menjadi bukti. Ketika ketiganya tidak dicampuradukkan, data digital dapat membuat R&D lebih responsif tanpa kehilangan disiplin ilmiahnya. [][Tim Labcos/LC]

Penulisan artikel ini dibantu AI dan telah melewati proses kurasi Redaksi.