Diumumkan pada 6 November 2026, pendekatan ini menggabungkan kemampuan menangkap, memproses, mengelola, dan menyajikan data real-time dalam satu platform.
Confluent juga melengkapi Platform Data Streaming dengan kemampuan Query melalui kehadiran Lightning Tables yang kini tersedia secara umum di layanan Confluent Cloud pada AWS.
Streamhouse dikembangkan untuk menjawab tantangan perusahaan yang menggunakan data dari banyak sistem dengan waktu pembaruan berbeda.
Kondisi tersebut dapat membuat aplikasi maupun agen AI mengambil keputusan berdasarkan informasi yang sudah tidak sesuai dengan keadaan operasional terbaru.
Melalui arsitektur baru ini, Confluent ingin menyediakan gambaran bisnis yang terus diperbarui agar berbagai sistem dapat menggunakan konteks yang konsisten ketika menjalankan proses atau mengambil tindakan.
Greg Taylor, SVP & General Manager APAC Confluent, mengatakan perusahaan di kawasan Asia Pasifik semakin memperluas layanan digital, sementara pelanggan dan tim operasional mengharapkan respons yang lebih cepat.
Menurutnya, agen AI membutuhkan gambaran kondisi organisasi yang akurat ketika mengambil keputusan.
Streamhouse dirancang untuk menyediakan landasan data yang terus diperbarui dan terkelola bagi kebutuhan tersebut.
Mengapa Streamhouse Dibutuhkan Perusahaan?
Sebelum memperkenalkan Streamhouse, perusahaan umumnya mengandalkan data lake, data warehouse, atau lakehouse untuk menyimpan dan menganalisis informasi.
Ketiganya memiliki peran penting dalam pengelolaan data, terutama untuk pelaporan dan pemrosesan secara berkala atau batch.
Namun, kebutuhan aplikasi real-time dan agen AI menuntut informasi yang lebih cepat diperbarui.
Masalah dapat muncul ketika data operasional tersebar di beberapa sistem yang tidak selalu memiliki informasi terbaru pada waktu bersamaan.
Sistem inventaris, misalnya, dapat menunjukkan ketersediaan barang, sementara sistem logistik belum memperbarui status pengiriman.
Jika agen AI mengambil keputusan hanya berdasarkan salah satu sumber, rekomendasi atau tindakan yang dihasilkan berpotensi tidak sesuai dengan kondisi sebenarnya.
Confluent menggunakan ilustrasi operasional maskapai penerbangan untuk menjelaskan tantangan tersebut.
Dalam skenario penerbangan yang dibatalkan, sistem operasional melacak posisi pesawat, sistem penjadwalan mencatat waktu keberangkatan, sedangkan sistem pemesanan mengelola ketersediaan kursi.
Ketika pembaruan ketiga sistem tidak berlangsung serentak, agen pemesanan dapat menawarkan rencana perjalanan yang terlihat tersedia di sistem, tetapi tidak memungkinkan untuk dijalankan karena jadwal penerbangan lanjutan tidak sesuai.
Streamhouse dirancang untuk menyatukan perubahan dari berbagai sumber tersebut melalui aliran peristiwa atau event streaming.
Setiap perubahan, seperti pergeseran lokasi pesawat, penundaan keberangkatan, atau pemesanan kursi, dikirim sebagai pembaruan data.
Sistem kemudian mengolah informasi itu menjadi konteks operasional terkini yang dapat diakses agen pemesanan, layanan pelanggan, dan aplikasi lainnya.
Pendekatan ini tidak mengharuskan perusahaan mengganti data warehouse atau lakehouse yang sudah digunakan.
Streamhouse ditempatkan sebagai lapisan operasional real-time yang melengkapi infrastruktur data tersebut, khususnya untuk kebutuhan pengambilan keputusan dan tindakan yang memerlukan informasi terbaru.
Confluent Lengkapi Lima Pilar Platform Data Streaming
Untuk membangun Streamhouse, Confluent mengembangkan Platform Data Streaming atau DSP dengan lima kemampuan utama, yakni Stream, Connect, Process, Govern, dan Query.
Penambahan Query melengkapi empat pilar sebelumnya dan memungkinkan data yang mengalir di platform digunakan langsung oleh aplikasi, agen AI, serta sistem analitik.
Fondasi kemampuan Stream dibangun menggunakan Apache Kafka dan mesin Kora. Teknologi ini bertugas menangkap serta mengalirkan peristiwa bisnis dari berbagai sistem.
Confluent menyebut latensi pengaliran data dapat berada di bawah satu milidetik berdasarkan pengujian internal. Hasil aktual dapat berbeda sesuai konfigurasi dan beban kerja.
Pada pilar Connect, Confluent menyediakan lebih dari 150 konektor terkelola dan dapat disesuaikan untuk menghubungkan sistem perusahaan dengan Apache Kafka.
Kemampuan manajemen konektor hibrida juga ditujukan untuk membantu pengelolaan koneksi di lingkungan infrastruktur yang beragam.
Sementara itu, Process memanfaatkan Apache Flink untuk menggabungkan, memperkaya, dan mengolah data ketika terjadi perubahan.
Kemampuan pemrosesan batch tambahan juga disediakan untuk menginisialisasi beban kerja streaming menggunakan data yang sudah tersedia.
Pilar Govern berfungsi mengelola tata kelola dan keamanan data. Cakupannya meliputi katalog, kualitas data, enkripsi, skema, jejak data, serta kontrol akses. Pengelolaan ini diperlukan agar data yang digunakan berbagai aplikasi tetap mengikuti aturan dan kebijakan perusahaan.
Pilar kelima, Query, memungkinkan sistem lain mengakses konteks bisnis yang telah dibentuk dari aliran data.
Confluent menyediakan tiga pendekatan sesuai kebutuhan pengguna, yaitu Tableflow, Real-Time Context Engine, dan Lightning Tables.
Confluent Tableflow menyalurkan data streaming ke data warehouse dan lakehouse dalam format tabel terbuka untuk kebutuhan analitik.
Real-Time Context Engine menyediakan konteks bisnis terkini bagi agen AI melalui Model Context Protocol (MCP), sebuah standar yang memungkinkan aplikasi AI terhubung dengan sumber data dan perangkat eksternal.
Adapun Lightning Tables ditujukan untuk aplikasi yang membutuhkan akses langsung ke kondisi bisnis terbaru melalui SQL dan API.
Ketiga kemampuan tersebut menjadi bagian dari pendekatan Query yang melengkapi platform Confluent.
Lightning Tables Sajikan Data dengan Latensi Rendah
Lightning Tables menjadi salah satu pembaruan utama dalam pengumuman Streamhouse.
Fitur yang tersedia secara umum di AWS melalui Confluent Cloud ini merupakan lapisan penyajian data bersifat read-only.
Sistem menyimpan data Apache Kafka secara berkelanjutan dan mengubahnya menjadi tabel yang dapat diakses melalui query.
Karena data diperbarui mengikuti perubahan pada aliran peristiwa, aplikasi dapat membaca kondisi terbaru tanpa harus menyalin informasi ke basis data atau cache terpisah.
Mekanisme tersebut ditujukan untuk mengurangi kompleksitas infrastruktur sekaligus mempercepat akses data bagi aplikasi operasional.
Dalam pengujian internal Confluent, waktu dari pembentukan data baru hingga tersedia untuk diakses berada di kisaran 100 milidetik.
Perusahaan juga menyebut latensi query berkisar 10–100 milidetik, dengan kapasitas lebih dari 1.000 query per detik.
Angka tersebut merupakan hasil pengujian internal, bukan jaminan kinerja yang berlaku untuk seluruh konfigurasi dan beban kerja.
Lightning Tables juga dilengkapi pengelolaan skema, riwayat data, dan kebijakan akses.
Fitur evolusi skema membantu menangani perubahan struktur data agar tidak mengganggu aplikasi yang menggunakan informasi tersebut.
Selain itu, data dapat diproses melalui Flink untuk menghasilkan fitur yang dibutuhkan dalam pembelajaran mesin, termasuk personalisasi secara real-time.
Dengan kemampuan tersebut, Confluent menargetkan pengurangan kebutuhan pemindahan data berulang antara sistem streaming dan basis data terpisah.
Aplikasi dapat mengakses informasi yang terus diperbarui melalui antarmuka SQL maupun API.
Accenture dan Extend Gunakan Arsitektur Streamhouse
Confluent menyebut sejumlah perusahaan telah mulai menerapkan pendekatan Streamhouse.
Salah satunya Accenture, yang menggunakan arsitektur berbasis Confluent untuk menghubungkan data di berbagai bagian bisnis globalnya.
Thomas Mahaffey, Kepala Strategi Data SAI Accenture, menjelaskan bahwa perusahaan sebelumnya menghadapi keterbatasan arsitektur berbasis batch dan integrasi point-to-point.
Proses ekstraksi data berulang meningkatkan beban operasional dan menyebabkan keterlambatan informasi analitik.
Melalui arsitektur Streamhouse, Accenture memisahkan produsen data dari konsumen data. Aliran peristiwa bervolume tinggi kemudian diolah menjadi produk data real-time yang terkelola dan dapat digunakan kembali oleh sistem operasional maupun analitik.
Accenture menyatakan pendekatan tersebut memangkas waktu memperoleh wawasan dari hitungan bulan menjadi beberapa hari serta mempercepat proses pelaporan.
Perusahaan lain yang disebut menggunakan arsitektur ini adalah Extend, platform perdagangan berbasis AI.
Jonathan Kropp, Direktur AI dan Arsitektur Extend, mengatakan perusahaan membutuhkan pemrosesan data yang cepat untuk mendukung proses pendaftaran pedagang, penyesuaian harga, dan deteksi penipuan.
Extend sebelumnya menghadapi keterbatasan antrean pesan tradisional dan data lake statis, terutama dalam hal pemutaran ulang peristiwa, ketahanan data, serta penerapan skema.
Perusahaan kemudian menggunakan arsitektur Streamhouse tanpa server berbasis Confluent Cloud untuk menjadikan Kafka sebagai sumber data operasional yang dapat digunakan berbagai layanan mikro secara asinkron.
Shaun Clowes, General Manager Confluent dan Data IBM, menyebut kemampuan menyediakan informasi bisnis terkini menjadi bagian penting dalam pengembangan AI perusahaan.
Melalui Lightning Tables dan Platform Data Streaming, Confluent menargetkan agar agen dan aplikasi dapat bekerja berdasarkan kondisi operasional terbaru, bukan informasi yang sudah tertinggal.
Confluent kini berada dalam ekosistem strategi data IBM. Integrasi kemampuan streaming real-time dengan teknologi integrasi, tata kelola, dan AI IBM diarahkan untuk mendukung kebutuhan perusahaan yang menjalankan infrastruktur hybrid.
Melalui Streamhouse, Confluent memperluas peran platform streaming dari sekadar pengiriman data menjadi penyedia konteks operasional yang dapat digunakan aplikasi, analitik, dan agen AI untuk mengambil keputusan.