Data mesh: o que é, como funciona e por que não substitui a governança de dados

Data mesh é uma forma de organizar a arquitetura de dados de uma empresa distribuindo a responsabilidade entre as áreas de negócio que geram os dados, em vez de concentrar tudo em uma única equipe central. Em vez de um time de dados no meio, cuidando de um único data lake para a empresa inteira, cada domínio (compras, vendas, logística, financeiro) passa a ser dono dos seus próprios dados e a tratá-los como um produto que outras áreas vão consumir.

Parece um detalhe de arquitetura, assunto de time técnico. Mas o data mesh mexe com o ponto mais sensível das empresas: quem responde pelo dado. E aí a conversa deixa de ser sobre tecnologia e vira uma conversa sobre governança de dados. Neste artigo eu explico o que é data mesh, como funciona, quem usa, quais ferramentas dão suporte e onde estão as oportunidades. E, principalmente, por que ele não elimina a necessidade de dados mestres bem governados. Se essa base estiver ruim, o data mesh só distribui o problema.

O que é data mesh, de forma direta

Data mesh é um modelo de arquitetura e de organização de dados baseado em domínios. A ideia central é que os dados analíticos de uma empresa não deveriam ser tratados por um único time central que não conhece o negócio a fundo, e sim pelas áreas que produzem e entendem esses dados no dia a dia.

O conceito foi formalizado por Zhamak Dehghani e ganhou força porque muitas empresas viveram o mesmo problema: o time central de dados virou um gargalo. Todo relatório, todo indicador, toda integração passava por uma fila única. As áreas reclamavam de lentidão, e o time de dados reclamava que não entendia as regras de cada área. O data mesh nasce como resposta a isso, propondo distribuir a responsabilidade em vez de centralizá-la. É uma mudança de arquitetura, mas antes disso é uma mudança de responsabilidade, e toda mudança de responsabilidade dentro de uma empresa é, no fundo, uma mudança de governança.

Como funciona: os quatro princípios do data mesh

O data mesh se apoia em quatro princípios que funcionam juntos. O primeiro é a propriedade orientada a domínio: cada área passa a ser dona dos seus dados. Quem conhece a regra do negócio é quem responde pelo dado, e isso faz sentido, porque ninguém entende melhor o dado de fornecedor do que quem negocia com fornecedor todo dia.

O segundo é dado como produto. Aqui está a virada de mentalidade. O dado deixa de ser um arquivo jogado em uma pasta e passa a ser tratado como produto, com dono, documentação, qualidade monitorada e um consumidor em mente. Quem produz o dado precisa pensar em quem vai usar aquilo, como um time de produto pensa no cliente.

O terceiro é a plataforma self-service. Para cada domínio cuidar dos próprios dados sem depender de um time central para cada tarefa, a empresa precisa de uma infraestrutura que permita publicar, encontrar e consumir dados sem reinventar a roda a cada projeto. Sem essa plataforma, o data mesh vira só uma ideia bonita que ninguém executa.

O quarto é a governança federada, o princípio que mais gente ignora quando fica encantada com a distribuição. Mesmo com cada domínio cuidando dos seus dados, existem regras comuns que valem para todos: definições, padrões de qualidade, políticas de segurança e privacidade. E, sempre que possível, essas regras são aplicadas de forma automática dentro da plataforma, não em um documento que ninguém lê. Repare no equilíbrio: os três primeiros princípios distribuem, e o quarto costura tudo de volta. Sem o quarto, data mesh não é descentralização, é fragmentação.

Data mesh e MDM: por que um não substitui o outro

Aqui está o ponto que quase ninguém fala, e é onde mora o risco. Data mesh trata da arquitetura analítica, de como os dados fluem para relatórios e decisões. Master Data Management trata dos dados mestres, os cadastros de cliente, fornecedor, material e produto que sustentam toda a operação. São coisas diferentes, e o data mesh não resolve o problema que o MDM existe para resolver.

Um exemplo do tipo que aparece muito nas empresas. Uma organização adota data mesh e distribui a responsabilidade por domínio. Compras cuida dos dados de fornecedor, o financeiro cuida do fornecedor sob a ótica de pagamento e o fiscal sob a ótica de imposto. Cada um é dono do seu pedaço. Só que, se não existir um dado mestre único de fornecedor, com definição comum de quem é aquele fornecedor, cada domínio vai enxergar um fornecedor diferente. O relatório de compras vai dizer que a empresa tem oito mil fornecedores, o financeiro vai dizer seis mil, e ninguém vai saber qual número está certo. O data mesh distribuiu a responsabilidade, mas distribuiu junto o problema de definição.

É por isso que eu repito que data mesh sem governança de dados mestres é distribuir a bagunça com mais elegância. A propriedade por domínio só funciona quando existe uma camada de dados mestres governada, com golden record, com definição única do que é cliente, fornecedor e material. O mesmo vale para IA: muita empresa quer usar data mesh para acelerar a entrega de dados para modelos de inteligência artificial, mas se os dados mestres estiverem duplicados ou mal classificados, a IA vai decidir em cima de uma base furada, só que mais rápido e em mais lugares ao mesmo tempo. Velocidade não conserta dado ruim. Conforme abordo no livro Master Data Management: Fundamentos e Aplicações, publicado pela Editora Brasport, a qualidade do dado mestre é a base sobre a qual qualquer arquitetura moderna se sustenta. O data mesh não muda isso. Ele apenas torna essa base ainda mais importante.

Quem usa data mesh e quem é responsável

Data mesh não é para toda empresa, e isso precisa ser dito com clareza. Ele faz mais sentido em organizações grandes, com muitos domínios, muitas fontes de dados e um time central que virou gargalo. Empresas menores, com poucas fontes e volume administrável, costumam se resolver melhor com uma arquitetura centralizada bem feita. Adotar data mesh cedo demais só adiciona complexidade sem retorno.

Sobre a responsabilidade, o data mesh redistribui papéis. Cada domínio precisa de gente que responda pelos seus dados, o que aproxima a figura do data owner e do data steward das áreas de negócio. O dono do dado deixa de ser uma abstração e vira alguém dentro de compras, de logística, de vendas. Existe ainda um grupo que cuida da governança federada, um time de plataforma que cuida da infraestrutura e, no topo, alguém que responde pela estratégia de dados da empresa inteira, papel que costuma recair sobre o Chief Data Officer. Ou seja, data mesh não elimina papéis de governança, ele espalha esses papéis pela empresa. Quem imagina que distribuir os dados significa precisar de menos governança entendeu o conceito ao contrário.

Quais ferramentas dão suporte ao data mesh

Não existe uma ferramenta única chamada data mesh que se compra e instala. Data mesh é um modelo, e o que existe são ferramentas que apoiam cada parte dele. Para catálogo de dados e para encontrar os produtos de dados, o mercado usa soluções como Collibra, Alation e Microsoft Purview. Para a camada de plataforma e processamento em escala, aparecem nomes como Snowflake, Databricks e as nuvens de dados dos grandes provedores. Para qualidade e observabilidade, existem ferramentas como Ataccama e Informatica. E, para a base de dados mestres, que sustenta a definição comum entre os domínios, o mercado usa plataformas de MDM como SAP Master Data Governance, Informatica, Stibo Systems, Reltio, Semarchy, Profisee e Ataccama.

Repare que a lista de MDM continua ali, no meio de uma arquitetura data mesh. Não é coincidência. É a confirmação prática de que dados mestres governados continuam sendo a fundação, seja a arquitetura centralizada ou distribuída. A escolha da ferramenta deve partir do problema da empresa e da sua maturidade, nunca do discurso do fornecedor.

Como aprender e as oportunidades de carreira

Quem quer entender data mesh de verdade precisa começar pela base, e a base é governança e dados mestres. Aprender data mesh sem entender qualidade de dados, definição de dado, papéis de governança e ciclo de vida do dado mestre é aprender o telhado sem a fundação. Um bom caminho passa por dominar os fundamentos de gestão de dados, estudar o DAMA-DMBOK, que é o corpo de conhecimento de referência da área, e considerar a certificação CDMP da DAMA quando o objetivo for consolidar a carreira. O erro mais comum é ficar preso ao vocabulário da moda, data mesh, data fabric, data lakehouse. Quem entende governança e dados mestres avalia qualquer um desses conceitos com critério, em vez de correr atrás do termo do momento.

E a demanda existe. A área de dados segue como uma das que mais contratam, e a governança é a parte que as empresas descobrem que precisam quando o projeto começa a travar. As oportunidades aparecem em papéis como data steward de domínio, especialista em governança de dados, arquiteto de dados, product owner de produtos de dados e, na liderança, Chief Data Officer. O detalhe que faz diferença é conseguir traduzir: o profissional que só fala de arquitetura fica preso na TI, enquanto o que mostra para a diretoria que um fornecedor duplicado vira compra errada, imposto errado e decisão errada é o que sobe.

Principais dúvidas sobre data mesh

Data mesh substitui o data warehouse ou o data lake? Não. Data mesh é um modelo de organização e responsabilidade, não uma tecnologia que troca o data warehouse. Os produtos de dados de cada domínio ainda usam data warehouses, data lakes e lakehouses por baixo. O que muda é quem responde por eles e como são disponibilizados.

Data mesh acaba com a necessidade de MDM? Não, pelo contrário. Data mesh distribui a responsabilidade pelos dados analíticos, mas continua dependendo de uma definição única e confiável de cliente, fornecedor e material. Sem dados mestres governados, cada domínio enxerga uma versão diferente da mesma entidade e os números nunca fecham.

Qual a diferença entre data mesh e data fabric? Data mesh é uma abordagem organizacional, centrada em domínios e responsabilidade. Data fabric é mais tecnológica, centrada em integrar e automatizar o acesso aos dados por meio de metadados. Não são opostos e podem coexistir, mas partem de pontos diferentes.

Toda empresa deveria adotar data mesh? Não. Data mesh resolve problemas de escala e de gargalo em organizações grandes e complexas. Empresas menores costumam se sair melhor com uma arquitetura centralizada bem governada. Adotar por moda, sem o problema que justifique, só adiciona complexidade.

Por onde começar se a empresa quer caminhar para data mesh? Pela governança e pelos dados mestres. Antes de distribuir a responsabilidade, é preciso ter definições comuns, papéis claros de dono do dado e uma base de dados mestres confiável. Distribuir sem essa base é espalhar o problema.

MDM Academy: onde a base é levada a sério

Todos esses conceitos, de data mesh a dados mestres, dependem de algo que nenhuma arquitetura entrega sozinha: profissionais que entendem governança de dados de verdade. É para isso que existe a MDM Academy, a escola de governança e dados mestres da 4MDG. A proposta é formar quem vive o problema dos dados no dia a dia, o pessoal de cadastro, compras, supply chain, TI e governança, com um conteúdo que parte da prática e traduz conceito técnico em impacto de negócio. Se você quer construir essa base e crescer em uma área que só aumenta, vale conhecer a MDM Academy e entrar no Clube dos Dados, onde a gente troca experiência real sobre governança, dados mestres e carreira.

Conclusão

Data mesh é uma resposta legítima a um problema real. O time central de dados virou gargalo em muitas empresas, e distribuir a responsabilidade por domínios faz sentido quando a escala justifica. Mas a parte que encanta, a descentralização, é também a que esconde a armadilha. Distribuir dados sem governança e sem dados mestres confiáveis não resolve o problema, apenas o espalha por mais lugares.

O que sustenta qualquer arquitetura de dados, antiga ou moderna, continua sendo o mesmo: definição clara, dono do dado, qualidade e uma base de dados mestres em que a empresa confia. Data mesh não muda essa verdade, apenas torna mais evidente que, sem essa fundação, nenhuma arquitetura salva a empresa de decidir errado. A pergunta que fica é simples: antes de pensar em distribuir os seus dados, a sua empresa confia na definição que ela tem de cliente, fornecedor e material?