Data Mesh atau Data Warehouse Terpusat? Kerangka Kesiapan Organisasi

Tim data Anda pulang dari sebuah konferensi dengan keyakinan baru: data warehouse terpusat yang selama ini dipakai sudah ketinggalan zaman, dan masa depan ada pada “data mesh”. Sebelum menandatangani anggaran reorganisasi, ada pertanyaan yang lebih dulu perlu dijawab: apakah organisasi Anda benar-benar siap, atau sedang mengejar tren? Artikel ini bukan pengantar konsep, melainkan kerangka keputusan — menakar kapan desentralisasi data masuk akal, kapan pusat masih menang, dan di mana Data Warehouse Solutions modern seperti data fabric menjadi jalan tengah yang realistis.

Secara singkat: Data mesh adalah pendekatan pengelolaan data terdesentralisasi di mana kepemilikan data dipegang tim domain yang paling memahami data tersebut, bukan satu tim pusat seperti pada data warehouse terpusat. Dicetuskan Zhamak Dehghani, mesh bertumpu pada empat prinsip (domain ownership, data-as-a-product, self-serve platform, dan federated governance) sebagai model organisasi, bukan produk yang dibeli.

Kita akan membedah empat prinsip data mesh, alasan warehouse terpusat tetap relevan, checklist kesiapan yang bisa Anda cocokkan sendiri, serta posisi SAP Datasphere sebagai jalan tengah.

Apa Itu Data Mesh, dan Mengapa Ia Bukan Sekadar “Data Warehouse Baru”?

Data mesh adalah model organisasi dan operasi data, bukan produk yang bisa dibeli. Konsep ini dicetuskan Zhamak Dehghani dari Thoughtworks; empat prinsipnya dipublikasikan sebagai arsitektur logis di situs Martin Fowler pada 3 Desember 2020. Intinya: alih-alih menyedot semua data ke satu repositori di bawah satu tim, kepemilikan didistribusikan ke tim domain yang paling paham datanya.

Inilah kesalahpahaman termahal di lapangan. Banyak orang membandingkan “mesh vs warehouse” seolah keduanya teknologi penyimpanan yang bersaing. Padahal di dalam sebuah mesh, tiap domain tetap bisa memakai warehouse, data lake, atau lakehouse-nya sendiri. Yang berpindah bukan teknologinya, melainkan siapa yang bertanggung jawab.

Dehghani merumuskan empat prinsip yang menopang model ini:

1. Domain-oriented decentralized data ownership. Kepemilikan data diserahkan ke tim domain bisnis (penjualan, logistik, keuangan), bukan tim data terpusat.
2. Data as a product. Tiap domain memperlakukan data yang dihasilkannya sebagai produk, dengan konsumen internal seperti analis dan data scientist sebagai “pelanggan”.
3. Self-serve data infrastructure as a platform. Tersedia platform swalayan sehingga tim domain bisa membangun dan menyajikan data tanpa bergantung pada satu tim pusat.
4. Federated computational governance. Standar tata kelola global ditetapkan bersama, tetapi eksekusinya terdistribusi ke tiap domain.

Menurut Dehghani, mesh menskalakan bukan dengan memperbesar infrastruktur monolitik, melainkan dengan menambahkan “autonomous nodes on the mesh”, yakni simpul-simpul domain yang otonom. Ini pergeseran paradigma pada bidang data analitis, bukan solusi teknis siap pasang.

Data Warehouse Terpusat: Kekuatan yang Masih Relevan

Untuk sebagian besar organisasi, data warehouse terpusat yang dikelola dengan baik masih menjadi pilihan paling praktis. Ia memberi satu sumber kebenaran (single source of truth), satu tim yang akuntabel, dan tata kelola yang mudah dijaga konsisten. Ketiganya justru sulit dipertahankan begitu kepemilikan tersebar ke banyak domain. Prediktabilitas ini bukan kelemahan; ia fitur.

Kekuatan warehouse terpusat paling terasa ketika kompleksitas organisasi masih moderat. Satu tim mengurus definisi metrik, kualitas, dan keamanan dari satu tempat. Ketika direktur keuangan dan kepala penjualan menyebut “pendapatan kuartal ini”, keduanya menunjuk baris data yang sama.

Konsistensi ini langsung memengaruhi keandalan pelaporan. Ketika metrik pecah jadi banyak versi lintas domain, dampaknya paling cepat terasa di lapisan analitik: dasbor Business Intelligence menampilkan angka yang saling bertabrakan, dan kepercayaan manajemen ikut runtuh. Mesh menjanjikan skala, tetapi menuntut kerja tata kelola jauh lebih berat untuk menjaganya.

Di Indonesia, tantangan yang lebih umum bukan “warehouse terlalu terpusat”, melainkan silo yang belum tuntas. Studi kasus Badan Pusat Statistik (BPS), misalnya, mendokumentasikan bagaimana pendekatan silo antar-unit menghasilkan survei tumpang tindih dan aplikasi terpisah. Persoalan itu justru dijawab dengan integrasi terpusat, bukan desentralisasi lebih lanjut.

Kapan Organisasi Benar-Benar Siap untuk Data Mesh?

Kesiapan muncul saat beberapa sinyal hadir bersamaan, bukan sekadar karena “punya banyak data”. Sinyalnya: data lahir dari sangat banyak sistem sumber yang terus bertambah, ada banyak domain otonom yang masing-masing butuh metrik near-real-time sendiri, tersedia tim data di dalam tiap domain, dan tata kelola sudah matang untuk diterapkan konsisten lintas domain. Tanpa kombinasi ini, mesh justru menciptakan silo baru.

Pemicunya adalah kompleksitas organisasi, bukan volume data belaka. Dehghani menyebut pemicu yang muncul bersamaan: proliferasi sumber sekaligus konsumen data, keragaman transformasi tiap use case, dan tuntutan kecepatan merespons perubahan. Perusahaan bisa memiliki petabyte data namun tetap lebih baik dilayani satu warehouse terpusat jika strukturnya sederhana.

Berikut checklist kesiapan yang bisa Anda cocokkan sendiri. Ini sinyal kualitatif, bukan ambang angka pasti; Dehghani maupun Thoughtworks tidak pernah menetapkan “berapa domain minimal” untuk mesh.

Jika Anda mencentang lima dari enam sinyal, percakapan tentang mesh mulai masuk akal. Jika hanya satu atau dua, energi Anda lebih baik dialihkan untuk memperkuat fondasi yang ada.

Terpusat vs Mesh vs Jalan Tengah (Data Fabric): Perbandingan Ringkas

Pilihannya bukan biner. Di antara warehouse terpusat penuh dan mesh murni ada data fabric, dan penting membedakan mesh dari fabric karena keduanya sering dikira sinonim. Menurut Gartner, data mesh adalah arsitektur solusi untuk membangun data product tanpa menentukan teknologi tertentu (fokus organisasi dan kepemilikan), sedangkan data fabric adalah desain pemanfaatan teknologi untuk otomasi integrasi (fokus terpusat, berbasis metadata).

Singkatnya: mesh menjawab “siapa yang memiliki data”, fabric menjawab “bagaimana teknologi menyatukan data”. Gartner (Quick Answer, 2021) menilai keduanya bukan lawan, melainkan bisa saling melengkapi; organisasi dapat mengadopsi praktik terbaik dari masing-masing.

Di sinilah SAP memposisikan SAP Datasphere (kini bagian dari SAP Business Data Cloud sejak Februari 2025). SAP menyebutnya “fondasi teknologi yang memungkinkan business data fabric”, yaitu arsitektur yang menyajikan lapisan data terintegrasi dan kaya semantik di atas lanskap yang ada. Prinsipnya, seperti dijelaskan SAP, adalah “connect, rather than solely move, data”: menghubungkan data lintas sumber tanpa selalu menduplikasinya. Perlu ditegaskan, SAP tidak pernah menyebut Datasphere sebagai “produk data mesh”; ia pendekatan fabric.

Pendekatan federasi seperti ini sering muncul beriringan dengan lanskap ERP yang tersebar. Perusahaan yang menjalani migrasi ERP ke cloud kerap berakhir dengan beberapa sistem sumber sekaligus, sehingga kemampuan mengakses data tanpa memindahkan semuanya menjadi bernilai nyata.

Mengapa Sebagian Besar Perusahaan Indonesia Belum Perlu Data Mesh (Belum)

Jujur saja: mayoritas organisasi belum membutuhkan data mesh, dan memaksakannya sebelum siap justru berbahaya. Mengadopsi label mesh tanpa federated governance yang matang bukan modernisasi, melainkan silo lama yang diberi nama baru. Bagi kebanyakan perusahaan menengah di Indonesia, memperkuat satu warehouse terpusat dan disiplin tata kelola dasar memberi nilai lebih cepat dengan risiko jauh lebih rendah.

Bahayanya nyata. Ketika kepemilikan data dilempar ke domain yang belum punya kapasitas atau standar bersama, yang terjadi bukan otonomi, melainkan fragmentasi. Setiap domain mendefinisikan “pelanggan aktif” dengan caranya sendiri. Enam bulan kemudian, rapat manajemen kembali dihabiskan untuk berdebat angka siapa yang benar, persis masalah yang ingin dihindari.

Dalam praktik menakar kematangan data enterprise, pola yang sering ditemui adalah organisasi yang melompat ke arsitektur terdistribusi sebelum fondasi tata kelolanya kokoh, lalu justru memperparah inkonsistensi. Urutan yang sehat biasanya kebalikannya.

Urutan yang lebih aman kira-kira begini:

• Bereskan dulu satu sumber kebenaran. Pastikan warehouse terpusat dan definisi metrik utama sudah stabil dan dipercaya lintas divisi.
• Bangun disiplin tata kelola. Katalog data, kepemilikan yang jelas, dan standar kualitas, sebelum menyebarnya ke banyak domain.
• Uji pada satu atau dua domain. Jika model data-as-a-product terbukti pada skala kecil, barulah pertimbangkan memperluasnya.
• Pertimbangkan jalan tengah. Data fabric seperti SAP Datasphere sering memberi manfaat federasi lintas sumber tanpa harus merombak seluruh struktur organisasi lebih dulu.

Mesh adalah tujuan yang sah bagi sebagian kecil organisasi berskala besar. Bagi selebihnya, ia jawaban atas pertanyaan yang belum benar-benar mereka miliki.

FAQ (Pertanyaan yang Sering Diajukan)

Apa itu data mesh dan apa bedanya dengan data warehouse?

Data mesh adalah pendekatan pengelolaan data terdesentralisasi di mana kepemilikan data dipegang tim domain yang paling memahami data tersebut, bukan satu tim pusat. Berbeda dengan data warehouse terpusat yang menyatukan semua data ke satu repositori, mesh menerapkan empat prinsip (domain ownership, data-as-a-product, self-serve platform, dan federated governance) sebagai model organisasi, bukan produk yang dibeli.

Apakah data mesh menggantikan data warehouse?

Tidak. Data mesh adalah model operasi dan tata kelola, sedangkan data warehouse adalah komponen teknologi penyimpanan analitis. Di dalam mesh, tiap domain tetap bisa memakai warehouse atau platform datanya sendiri. Bagi mayoritas organisasi, data warehouse terpusat yang dikelola baik masih menjadi pilihan paling praktis; mesh baru relevan pada skala dan kematangan tertentu, bukan sebagai pengganti otomatis.

Kapan sebuah organisasi benar-benar siap mengadopsi data mesh?

Kesiapan muncul saat beberapa sinyal hadir bersamaan: data lahir dari sangat banyak sumber, ada banyak domain otonom yang masing-masing butuh metrik near-real-time sendiri, tersedia tim data per domain, dan tata kelola sudah matang untuk diterapkan konsisten lintas domain. Menurut Gartner, organisasi harus siap menerapkan tata kelola yang konsisten sebelum mesh berhasil. Tanpa fondasi ini, mesh justru menciptakan silo baru.

Apa itu data-as-a-product?

Data-as-a-product adalah prinsip kedua data mesh: tim domain memperlakukan data yang mereka hasilkan sebagai produk, dengan pengguna internal (analis, data scientist, ML engineer) sebagai “pelanggan”. Menurut Zhamak Dehghani, data product yang baik harus discoverable (mudah ditemukan), addressable (punya alamat akses), trustworthy (terjamin kualitasnya), serta self-describing lewat metadata yang jelas, sehingga bisa dipakai mandiri tanpa bergantung pada tim pusat.

Apa perbedaan data mesh dan data fabric?

Menurut Gartner, data mesh adalah arsitektur solusi untuk membangun data product berfokus bisnis tanpa menentukan teknologi tertentu; fokusnya organisasi dan kepemilikan. Data fabric adalah desain pemanfaatan teknologi untuk otomasi integrasi data, cocok untuk organisasi dengan pengawasan terpusat. Singkatnya: mesh menjawab “siapa yang memiliki data”, fabric menjawab “bagaimana teknologi menyatukan data”. Gartner menilai keduanya bisa saling melengkapi.

Apakah data mesh cocok untuk perusahaan menengah?

Umumnya belum. Data mesh mengasumsikan banyak domain otonom, tim data terdistribusi, dan tata kelola matang, kondisi yang jarang dimiliki perusahaan menengah. Bagi mereka, memperkuat satu data warehouse terpusat dan tata kelola dasar biasanya memberi nilai lebih cepat dengan risiko lebih rendah. Mengadopsi mesh sebelum fondasi siap justru memperparah inkonsistensi data dan biaya koordinasi, bukan menyelesaikannya.

Bisakah SAP Datasphere mendukung pendekatan terfederasi sebagai jalan tengah?

Ya. SAP memposisikan SAP Datasphere sebagai fondasi teknologi yang memungkinkan business data fabric, yaitu arsitektur yang menyajikan lapisan data terintegrasi dan kaya semantik di atas lanskap yang ada, tanpa selalu menduplikasi data (“connect, rather than solely move”). Ini menawarkan federasi lintas sumber sebagai jalan tengah antara warehouse terpusat penuh dan mesh murni. Sejak Februari 2025, Datasphere menjadi komponen inti SAP Business Data Cloud.

Kesimpulan

Keputusan antara data mesh dan warehouse terpusat pada akhirnya bukan soal teknologi mana yang lebih modern, melainkan soal seberapa kompleks organisasi Anda dan seberapa matang tata kelolanya. Sinyal kesiapan seperti banyak domain otonom, tim data terdistribusi, dan governance yang bisa dijaga konsisten jauh lebih menentukan ketimbang tren. Untuk mayoritas perusahaan, memperkuat satu sumber kebenaran dan mempertimbangkan pendekatan data fabric sebagai jalan tengah adalah langkah yang lebih bijak daripada merombak struktur demi label. Melalui layanan Data and AI Consulting, Soltius membantu menakar kematangan data perusahaan dan merancang arsitektur yang sesuai dengan skala nyata, bukan sekadar mengikuti tren.

Untuk mendiskusikan model data yang paling pas dengan kesiapan organisasi Anda, jelajahi solusi dan mulai percakapan di soltius.co.id.