Data Governance vs Master Data Management: Apa Bedanya dan Kapan Enterprise Membutuhkan Keduanya?

Ketika perusahaan mulai memiliki banyak aplikasi, database, business unit, dan sumber informasi, satu masalah biasanya muncul lebih cepat daripada yang diperkirakan: data yang seharusnya merepresentasikan objek bisnis yang sama justru memiliki versi berbeda. Customer yang sama dapat tercatat dengan nama berbeda di CRM dan ERP, kode produk antar-cabang tidak konsisten, definisi “pelanggan aktif” berbeda antara Finance dan Sales, sementara laporan manajemen harus direkonsiliasi secara manual sebelum dapat dipercaya.

Pada fase tersebut, dua istilah biasanya mulai masuk ke agenda IT dan digital transformation: Data Governance dan Master Data Management (MDM). Keduanya memang berkaitan erat, tetapi menyelesaikan problem yang berbeda. Data Governance menentukan bagaimana data harus dimiliki, didefinisikan, digunakan, dilindungi, dan dipertanggungjawabkan di seluruh organisasi, sedangkan MDM berfokus pada bagaimana data inti seperti customer, product, supplier, employee, atau location dibuat konsisten di berbagai sistem.

Perbedaan tersebut penting karena perusahaan sering mencoba menyelesaikan masalah governance hanya dengan membeli platform MDM, atau sebaliknya membentuk governance committee tetapi tidak memiliki mekanisme teknis untuk menyatukan master data. Hasilnya sama: kebijakan ada tetapi data tetap berbeda, atau data berhasil dikonsolidasikan tetapi tidak ada ownership yang memastikan kualitasnya tetap terjaga.

Apa Itu Data Governance?

Secara sederhana, Data Governance adalah kerangka keputusan mengenai siapa yang bertanggung jawab terhadap data, standar apa yang harus digunakan, siapa yang boleh mengaksesnya, bagaimana kualitasnya diukur, serta bagaimana data dikelola sepanjang lifecycle-nya. Data Governance bukan hanya software dan bukan pula pekerjaan eksklusif tim IT; ia merupakan kombinasi policy, ownership, process, standard, dan supporting technology.

Microsoft Purview menjelaskan Data Governance sebagai upaya memastikan data yang digunakan untuk operasi, reporting, dan analysis dapat ditemukan, akurat, dipercaya, serta dilindungi. Microsoft juga menempatkan data owner, data steward, data quality, business glossary, lineage, dan access management sebagai capability penting dalam governance.

Artinya, Data Governance menjawab pertanyaan yang sifatnya organisasional sekaligus teknis. Siapa pemilik data customer? Apa definisi resmi “active customer”? Berapa lama data transaksi harus disimpan? Siapa yang boleh melihat salary information? Bagaimana perusahaan mengetahui sebuah dataset masih valid? Apa yang terjadi ketika kualitas data turun di bawah standard yang telah disepakati?

Crocodic sebelumnya juga membahas konteks tersebut dalam artikel Tata Kelola Data: Aset Informasi jadi Kekuatan Strategis, khususnya mengenai pentingnya data ownership, business definition, serta governance ketika informasi perusahaan tersebar di banyak departemen. Artikel comparison ini tidak menggantikan pembahasan tersebut; fokusnya adalah menentukan hubungan Data Governance dengan MDM ketika perusahaan menghadapi inconsistency pada data inti.

Apa Itu Master Data Management?

Master Data Management memiliki ruang lingkup yang lebih spesifik. MDM berfokus pada master data, yaitu data utama yang digunakan berulang kali oleh banyak proses dan aplikasi. Contohnya adalah customer, product, supplier, employee, location, material, branch, dan berbagai business entity lain yang menjadi referensi untuk transaksi.

IBM mendefinisikan Master Data Management sebagai pendekatan komprehensif untuk mengelola data penting organisasi menggunakan technology, tools, dan process sehingga data dari berbagai sumber dapat dikonsolidasikan menjadi layanan master data yang lebih terpadu. Salah satu konsep penting dalam MDM adalah menciptakan versi entitas yang dapat dipercaya atau sering disebut golden record, sehingga berbagai aplikasi tidak terus menggunakan versi customer atau product yang berbeda.

Contohnya, perusahaan memiliki customer bernama PT Nusantara Abadi. CRM mencatatnya sebagai “PT Nusantara Abadi”, ERP menggunakan “Nusantara Abadi, PT”, sementara finance system menyimpan “PT. Nusantara Abadi Indonesia”. MDM membantu perusahaan menentukan apakah ketiga record tersebut sebenarnya mewakili entitas yang sama, menggabungkan informasi yang relevan, menentukan identifier yang benar, dan menyediakan master record yang dapat digunakan kembali oleh sistem lain.

Pembahasan mengenai fondasi tersebut sudah dimiliki Crocodic pada Master Data Management: Fondasi IT yang Sering Terlewat. Karena itu artikel ini sengaja tidak mengulang intent “apa itu MDM”, tetapi bergerak ke pertanyaan lanjutan yang lebih dekat dengan pengambilan keputusan enterprise: kapan perusahaan memerlukan governance, kapan membutuhkan MDM, dan kapan keduanya harus berjalan bersama.

Perbedaan Data Governance dan Master Data Management

Perbedaan paling mudah dipahami adalah dengan melihat Data Governance sebagai aturan dan operating model, sedangkan MDM adalah salah satu capability yang membantu perusahaan menerapkan aturan tersebut pada master data.

Perbedaan tersebut juga terlihat pada definisi yang diberikan penyedia teknologi enterprise. AWS menjelaskan Data Governance sebagai proses dan policy yang menentukan role, responsibility, standard, access, serta kondisi data yang dibutuhkan untuk mendukung business initiative. Sementara itu, Oracle mendefinisikan Master Data Management sebagai disiplin dan teknologi untuk menghasilkan trusted view terhadap critical business data, kemudian membuatnya tersedia secara konsisten untuk ERP, CRM, PLM, dan aplikasi enterprise lainnya.

Dengan demikian, pertanyaan “Data Governance atau MDM?” sebenarnya sering kali kurang tepat. Pertanyaan yang lebih relevan adalah problem mana yang sedang ingin diselesaikan dan layer mana yang belum dimiliki perusahaan.

Jika Masalahnya Definisi dan Ownership, Mulai dari Data Governance

Bayangkan Sales menganggap customer aktif adalah perusahaan yang melakukan transaksi selama 90 hari terakhir. Finance hanya memasukkan customer yang sudah melakukan pembayaran dalam 30 hari terakhir, sedangkan Marketing menganggap siapa pun yang masih menerima komunikasi sebagai active customer. Ketiga departemen dapat menggunakan database yang sama dan tetap menghasilkan tiga laporan berbeda karena problemnya bukan pada penyimpanan data, melainkan pada definisi bisnis.

MDM tidak dapat memutuskan definisi tersebut sendiri. Organisasi tetap membutuhkan keputusan mengenai siapa yang memiliki domain customer, siapa yang menyetujui definisi “active customer”, metric kualitas apa yang digunakan, dan bagaimana perubahan definisi dikomunikasikan ke seluruh sistem. Inilah wilayah Data Governance.

AWS dalam Cloud Adoption Framework untuk Data Governance merekomendasikan organisasi menetapkan data owner, data steward, business glossary, taxonomy, data quality standard, access policy, retention, classification, dan KPI governance. Hal yang menarik adalah AWS juga secara eksplisit memasukkan identifikasi data yang perlu “mastered” sebagai bagian dari governance capability, memperlihatkan bahwa governance dan MDM memang berkaitan tetapi tidak identik.

Dengan kata lain, Data Governance memberi perusahaan bahasa yang sama sebelum teknologi mencoba menciptakan data yang sama. Tanpa kesepakatan mengenai definisi dan ownership, perusahaan berisiko mengotomatisasi ketidaksepakatan yang sudah ada.

Jika Masalahnya Duplicate dan Inconsistent Record, MDM Menjadi Lebih Relevan

Sekarang gunakan skenario yang berbeda. Seluruh divisi sudah sepakat mengenai definisi customer, tetapi customer yang sama tetap memiliki lima record karena datang dari CRM, ERP, marketplace, distributor portal, dan aplikasi customer service. Di sini perusahaan sudah memiliki definisi, tetapi belum memiliki mekanisme untuk melakukan entity resolution, matching, deduplication, dan synchronization.

Problem semacam ini lebih dekat dengan Master Data Management. IBM menjelaskan bahwa MDM dapat menghubungkan serta mencocokkan record terkait dari berbagai data source untuk menciptakan unified view terhadap customer, organization, location, maupun domain master lainnya.

Namun MDM juga tidak berarti semua data harus dimasukkan ke satu database besar. Yang lebih penting adalah organisasi memiliki mekanisme untuk mengetahui identitas entitas, sumber yang authoritative, aturan perubahan data, dan cara master data didistribusikan kembali ke consuming systems. Implementasinya dapat berbeda tergantung architecture existing, mulai dari registry, consolidation, coexistence, hingga centralized approach.

Ketika inconsistent master data merupakan akibat dari aplikasi yang terisolasi, perusahaan juga perlu melihat integration architecture yang lebih luas. Crocodic membahas problem ini dalam Cara Mengatasi Silo Data di Perusahaan Enterprise, karena memperbaiki master data tanpa memperbaiki cara aplikasi bertukar informasi hanya dapat membuat inconsistency muncul kembali melalui jalur yang berbeda.

Mengapa Enterprise Sering Membutuhkan Keduanya?

Data Governance tanpa MDM dapat menghasilkan organisasi yang mempunyai policy, glossary, dan ownership yang baik tetapi masih melakukan reconciliation customer dan product melalui spreadsheet. Sebaliknya, MDM tanpa governance dapat menghasilkan platform yang secara teknis mampu menggabungkan record tetapi tidak mempunyai aturan organisasi yang jelas mengenai record mana yang authoritative dan siapa yang bertanggung jawab ketika kualitas data bermasalah.

Karena itu hubungan keduanya lebih tepat digambarkan sebagai Governance defines the rules; MDM operationalizes those rules for master data. Governance menentukan bahwa customer memiliki identifier tertentu, field tertentu wajib diisi, data tertentu hanya dapat diubah oleh role tertentu, dan kualitas harus berada di atas threshold tertentu. MDM kemudian membantu menerapkan prinsip tersebut ketika customer record berasal dari beberapa aplikasi enterprise.

Hubungan tersebut terlihat pula pada platform MDM enterprise seperti IBM, yang memasukkan data stewardship dan governance capability bersama entity matching serta master-data management. Ini menunjukkan bahwa semakin mature implementasi MDM, semakin sulit memisahkannya sepenuhnya dari governance operating model.

Contoh Nyata: Customer Data di ERP dan CRM

Bayangkan Sales menggunakan CRM, Finance menggunakan ERP, Customer Service memiliki portal sendiri, dan Marketing menggunakan automation platform. Customer yang sama kemudian memiliki empat ID dan beberapa nomor telepon berbeda. Ketika management ingin mengetahui revenue per customer, tim analytics harus menggabungkan record tersebut secara manual sebelum membuat laporan.

Data Governance terlebih dahulu menentukan bahwa customer merupakan satu business domain, Sales Operations menjadi business owner, customer ID mempunyai standard tertentu, Finance tidak boleh menciptakan customer baru tanpa identifier yang valid, dan beberapa field sensitif memiliki access restriction. Governance juga menentukan definisi yang digunakan ketika customer memiliki parent company, subsidiary, atau multiple branch.

MDM kemudian menangani sisi operasionalnya. Record dari CRM, ERP, portal, dan marketing platform dibandingkan, entity yang sama diidentifikasi, duplicate diselesaikan, golden customer record dibentuk, lalu identifier tersebut didistribusikan kembali ke consuming application. Dari perspektif architecture, API atau integration layer memastikan perubahan dapat bergerak antar-sistem tanpa membuat database baru kembali menjadi silo.

Pada level inilah kebutuhan Data Governance, MDM, dan System Integration mulai bertemu. Jika perusahaan memiliki data yang benar tetapi aplikasi tidak dapat menggunakan data tersebut secara konsisten, problemnya sudah bergerak dari data management menuju enterprise architecture.

Contoh Kedua: Product Master di Perusahaan Multi-Cabang

Problem yang sama dapat terjadi pada product master. Head office menggunakan kode PRD-001, satu warehouse menggunakan 001-A, sementara procurement memiliki kode supplier tersendiri. Nama barang juga berbeda; satu aplikasi menulis “Industrial Pump 3HP”, aplikasi lain “Pump 3 HP”, dan laporan procurement menggunakan nama vendor.

Jika setiap sistem dibiarkan menentukan product identity sendiri, perusahaan akan sulit mendapatkan inventory visibility, procurement analysis, atau margin calculation yang benar. Data Governance menentukan standard produk, mandatory attribute, ownership, approval process, dan siapa yang berhak membuat SKU baru. MDM kemudian menyatukan record yang berasal dari banyak system serta mendistribusikan product master yang telah disetujui.

Dari sini terlihat mengapa Master Data Management tidak seharusnya dianggap sebagai proyek “bersihkan database”. Ia merupakan capability jangka panjang yang memastikan data master tetap terkendali ketika bisnis terus menambahkan cabang, aplikasi, supplier, product line, acquisition, atau channel baru.

Data Governance Lebih Luas daripada MDM

Poin penting lain adalah bahwa tidak semua data merupakan master data. Enterprise juga memiliki transaction data, analytical data, documents, logs, telemetry, personal data, AI training data, dan berbagai dataset lainnya. MDM tidak dirancang untuk menjadi solusi terhadap seluruh domain tersebut, sedangkan Data Governance dapat menentukan policy dan ownership untuk keseluruhan data estate.

Microsoft Purview, misalnya, menempatkan data discovery, catalog, quality, lineage, business concepts, access, dan data health dalam governance layer. AWS juga melihat governance sebagai mekanisme untuk menyeimbangkan accessibility dengan control sehingga data dapat digunakan untuk business initiative tanpa mengorbankan security dan compliance.

Dengan demikian, perusahaan mungkin memiliki Data Governance program tanpa implementasi MDM yang besar apabila master datanya masih sederhana. Tetapi ketika customer, product, supplier, atau location tersebar di banyak sistem dan memiliki conflict tinggi, MDM menjadi capability yang semakin sulit dihindari.

AI Membuat Perbedaan Ini Semakin Penting

Perusahaan yang sedang mempersiapkan generative AI, enterprise assistant, predictive analytics, atau AI agent perlu memberikan perhatian lebih serius pada keduanya. AI dapat mempercepat penggunaan data, tetapi pada saat yang sama memperbesar konsekuensi ketika data yang digunakan salah, tidak lengkap, tidak memiliki ownership, atau memiliki permission yang tidak konsisten.

Google Cloud dalam pembahasannya mengenai Data Governance di era AI menekankan bahwa data yang digunakan manusia maupun AI perlu trustworthy, discoverable, secure, accurate, available, dan usable. Tanpa governance, AI dapat mengambil informasi dari source yang salah atau mendapatkan akses terhadap data yang seharusnya tidak digunakan untuk suatu purpose.

MDM menyelesaikan sisi lain dari problem tersebut. Jika AI assistant ditanya, “berapa total exposure customer ABC?”, tetapi perusahaan memiliki empat customer ID berbeda untuk perusahaan yang sama, model mungkin menggunakan data yang tidak lengkap bahkan ketika reasoning-nya bekerja dengan benar. Masalah tersebut bukan berasal dari AI model; sumber masalahnya adalah enterprise belum memiliki identity dan master-data foundation yang konsisten.

Crocodic telah membahas hubungan ini lebih jauh dalam Data Quality untuk AI: Kenapa Model Bagus Tetap Gagal?. Bagi enterprise, kesiapan AI seharusnya tidak hanya diukur dari kemampuan menggunakan model terbaru, tetapi dari seberapa dapat dipercaya data yang diberikan kepada model tersebut.

Kapan Perusahaan Cukup Membutuhkan Data Governance?

Data Governance sebaiknya menjadi prioritas awal ketika organisasi mulai mengalami masalah definisi KPI, ownership yang tidak jelas, akses data yang terlalu bebas atau terlalu terbatas, compliance requirement yang meningkat, serta sulit mengetahui source dan lineage sebuah dataset. Pada fase ini, membeli MDM platform belum tentu menjadi tindakan pertama karena perusahaan perlu menyelesaikan operating model datanya terlebih dahulu.

Sebagai contoh, jika Sales dan Finance tidak sepakat mengenai definisi revenue, membuat golden record tidak akan menyelesaikan perdebatan tersebut. Perusahaan membutuhkan business glossary, ownership, decision authority, dan quality standard. Setelah aturan tersebut stabil, teknologi dapat digunakan untuk menegakkannya secara lebih konsisten.

Ini juga menjadi alasan mengapa governance seharusnya tidak dibangun sebagai proyek dokumentasi satu kali. Governance harus menjadi bagian dari operating model: ada owner, steward, metric, exception process, dan mekanisme untuk memperbarui policy ketika bisnis berubah.

Kapan Perusahaan Mulai Membutuhkan MDM?

MDM menjadi lebih relevan ketika organisasi sudah mempunyai banyak aplikasi yang menggunakan business entity yang sama, tetapi masing-masing memiliki identifier dan record sendiri. Tanda lainnya adalah tingginya duplicate data, reconciliation manual, report yang harus “dibersihkan” sebelum digunakan, product hierarchy berbeda antar-business unit, supplier duplicate, dan sulitnya menghasilkan customer 360-degree view.

Semakin banyak transaksi bergantung pada master data tersebut, semakin besar pula dampak inconsistency. Product master yang salah dapat menyebabkan inventory dan procurement error, customer master yang tidak akurat dapat memengaruhi credit exposure dan sales analysis, sedangkan supplier record yang duplicate dapat menurunkan visibility terhadap total procurement spending.

MDM pada kondisi ini bukan lagi sekadar data project, karena kualitas master data sudah berdampak langsung terhadap business process.

Kapan Enterprise Membutuhkan Keduanya Sekaligus?

Kebutuhan terhadap keduanya biasanya muncul ketika perusahaan sudah memiliki landscape ERP, CRM, warehouse, procurement, finance, customer application, analytics platform, atau multi-entity operation yang cukup kompleks. Data tidak hanya harus memiliki governance rule, tetapi aturan tersebut juga harus diwujudkan menjadi architecture dan operational process yang dapat bekerja setiap hari.

Skenario paling jelas adalah ketika management menginginkan single source of truth, tetapi perusahaan memiliki banyak aplikasi yang tidak mungkin diganti sekaligus. Governance menentukan apa yang dimaksud dengan “truth”, MDM membentuk master record yang dapat dipercaya, sedangkan integration architecture memastikan record tersebut dapat digunakan oleh sistem yang membutuhkannya.

Pada titik tersebut, data management dan system modernization tidak lagi dapat dipisahkan secara kaku. Jika aplikasi existing sulit bertukar master data, perusahaan mungkin perlu menambahkan API, integration layer, atau meningkatkan capability sistem lama. Pendekatan seperti ini relevan dengan Enterprise System Upgrade Crocodic, yang berfokus pada peningkatan sistem existing melalui scalability, API integration, dan capability baru tanpa mengharuskan seluruh sistem dibangun ulang.

Crocodic Perspective: Jangan Mulai dari Tool, Mulai dari Data Conflict

Perusahaan sering memulai diskusi dengan pertanyaan, “MDM platform apa yang sebaiknya digunakan?” atau “tool Data Governance apa yang terbaik?” Padahal pertanyaan tersebut terlalu cepat masuk ke implementation layer. Sebelum memilih tool, perusahaan perlu mengetahui business conflict apa yang sebenarnya ditimbulkan oleh kondisi data saat ini.

Misalnya, management memiliki tiga angka customer aktif yang berbeda. Jangan langsung membeli MDM. Cari terlebih dahulu apakah penyebabnya adalah duplicate customer record, definisi customer aktif yang berbeda, timing data yang berbeda, atau application integration yang gagal. Setiap penyebab membutuhkan treatment berbeda, dan sering kali lebih dari satu layer harus diperbaiki.

Kerangka sederhana yang dapat digunakan adalah:

Pendekatan tersebut menghindari overengineering. Tidak setiap problem membutuhkan program MDM besar, dan tidak setiap problem data dapat diselesaikan dengan governance workshop. Arsitektur yang tepat adalah architecture yang menyelesaikan business conflict paling penting dengan complexity yang proporsional.

Governance → MDM → Integration: Urutan yang Lebih Sehat

Untuk sebagian besar enterprise, urutan implementasi yang sehat dimulai dari pemetaan domain dan business problem. Perusahaan menentukan data apa yang kritikal, siapa pemiliknya, definisi yang disepakati, kualitas yang diperlukan, dan aplikasi apa saja yang menggunakannya. Setelah itu organisasi dapat menentukan domain mana yang membutuhkan master-data management dan bagaimana master tersebut harus didistribusikan.

Integration layer kemudian memastikan aplikasi existing menggunakan rule dan master data yang sama. Tidak semua data harus dipusatkan secara fisik, tetapi setiap sistem perlu memahami sumber authoritative dan contract yang digunakan ketika bertukar informasi.

Model tersebut jauh lebih sustainable dibanding mencoba membuat satu database pusat lalu memaksa seluruh aplikasi menggunakannya tanpa governance. Ketika organisasi tumbuh, architecture tetap dapat berkembang karena ownership, rule, dan responsibility sudah dipisahkan dari teknologi tertentu.

Apakah Perusahaan Perlu Membangun Platform Data Baru?

Tidak selalu. Jika problem utama hanya berada pada beberapa master domain dan existing architecture masih sehat, perusahaan dapat memperbaiki data flow tanpa melakukan replacement besar. Namun jika data fragmentation terjadi karena setiap business unit menggunakan sistem yang berbeda, integration sulit dilakukan, dan workflow perusahaan sudah jauh melampaui capability aplikasi existing, masalahnya mungkin lebih besar daripada MDM.

Pada kondisi seperti itu perusahaan perlu mengevaluasi apakah sebagian operational system harus diintegrasikan, ditingkatkan, atau digantikan. Custom Enterprise Software Crocodic dapat menjadi relevan ketika bisnis membutuhkan operational system yang dibentuk mengikuti proses internal dan menghubungkan workflow lintas departemen, sementara sistem yang masih bernilai tetap dapat dipertahankan melalui integration.

Kuncinya bukan membuat semua data berada di satu aplikasi. Yang lebih penting adalah membangun landscape di mana setiap domain memiliki source yang dapat dipercaya, setiap sistem memahami responsibility-nya, dan data dapat bergerak dengan governance yang jelas.

Data Governance atau MDM: Mana yang Harus Didahulukan?

Jika harus memilih urutan, governance principle sebaiknya muncul lebih dulu, tetapi governance dan MDM tidak harus menunggu satu sama lain selesai sepenuhnya. Enterprise dapat memulai dari satu domain prioritas seperti customer atau product, menentukan owner dan standard-nya, kemudian menerapkan MDM pada domain tersebut. Hasil implementasi pertama kemudian digunakan untuk memperbaiki governance framework sebelum domain berikutnya ditambahkan.

Pendekatan iteratif seperti ini lebih realistis daripada mencoba membuat enterprise-wide governance sempurna sebelum satu data pun diperbaiki. Perusahaan mendapatkan business outcome lebih cepat sekaligus membangun discipline yang dapat diperluas.

Jika customer duplication menjadi problem terbesar, mulai dari customer. Jika product inconsistency memengaruhi inventory dan procurement, mulai dari product. Jika AI initiative membutuhkan data yang dapat dipercaya, prioritaskan domain yang paling berpengaruh terhadap AI use case tersebut.

Data yang Dipercaya Adalah Hasil dari Operating Model, Bukan Satu Platform

Data Governance dan Master Data Management seharusnya tidak diposisikan sebagai dua teknologi yang bersaing. Data Governance membangun ownership, definition, policy, quality expectation, dan accountability, sedangkan MDM menyediakan capability untuk membuat master data tetap konsisten ketika digunakan oleh banyak sistem.

Enterprise yang hanya memiliki governance dapat tetap kesulitan menjalankan aturan tersebut secara operasional. Enterprise yang hanya memiliki MDM dapat memiliki golden record tanpa keputusan yang jelas mengenai siapa yang bertanggung jawab terhadap kebenarannya. Ketika keduanya dibangun bersama dan didukung integration architecture yang tepat, perusahaan memiliki fondasi yang jauh lebih kuat untuk analytics, automation, customer experience, reporting, maupun AI.

Tujuan akhirnya bukan memiliki lebih banyak data-management tools. Tujuannya adalah memastikan ketika Sales, Finance, Operations, management dashboard, dan AI assistant menggunakan istilah customer yang sama, mereka benar-benar berbicara tentang customer yang sama.