IDEN
Mulai diskusi awal
Mulai diskusi awal
  1. Beranda
  2. Studi Kasus
  3. Distribusi & Retail
  4. DR-001
Studi kasus solusiDR-001

Ruparupa dan Kawan Lama Group: laporan penjualan mingguan menjadi per jam setelah data online dan toko disatukan

Distribusi & RetailRitel omnichannel rumah tangga, gaya hidup, dan perkakas
Lorong supermarket

Studi kasus solusi adalah skenario berbasis pola masalah umum di industri. Isinya tidak merujuk klien tertentu dan bukan portofolio proyek MarkasDev. Portofolio proyek klien dipublikasikan terpisah.

Konteks industri

Kawan Lama Group berdiri pada 1955 dan, menurut SAP (29 Juli 2025), kini menjalankan lebih dari 1.200 toko dan lebih dari 30 merek, antara lain AZKO, INFORMA, Toys Kingdom, Pet Kingdom, Krisbow, dan Chatime. Fortune Indonesia (1 Agustus 2025) menambahkan bahwa jaringan itu didukung 14 pusat distribusi. Halaman pelanggan Google Workspace (tidak bertanggal, dibuka 16 Oktober 2026) menyebut grup ini mempekerjakan lebih dari 35.000 orang di enam pilar usaha, dengan ritel sebagai lini terbesar.

Di dalam grup itu ada Ruparupa, platform digital pertama Kawan Lama Group untuk kebutuhan rumah tangga, furnitur, dan gaya hidup, yang dibangun oleh PT Omni Digitama Internusa. Pada Agustus 2021, CTO Ruparupa Ronny Winoto menyebut platformnya memuat lebih dari 67 ribu varian produk dan memakai model omnichannel: pelanggan bisa membeli sepenuhnya online, memesan online lalu mengambil di toko jaringan seperti Ace Hardware dan Informa, atau melihat barang di toko lalu menyelesaikan transaksi online (Gizmologi, 6 Agustus 2021).

Kasus ini menarik karena urutannya. Ruparupa lebih dulu pindah ke cloud untuk menahan lonjakan transaksi pandemi, lalu membangun data lake agar penjualan online dan toko bisa dibaca dari satu tempat setiap jam. Empat tahun kemudian, grup induknya mengumumkan ERP cloud untuk memberi visibilitas stok real-time antargerai.

Sebagai catatan, tulisan ini kami susun dari publikasi terbuka: blog teknis AWS yang ditulis bersama tim data Ruparupa, rilis SAP, dan liputan media. Kawan Lama Group dan Ruparupa bukan klien MarkasDev, dan kami tidak terlibat dalam proyek mana pun yang dibahas. Kami membacanya dengan kerangka Diagnose, Deliver, dan Operate karena masalahnya sangat umum di ritel Indonesia: data penjualan ada, tetapi terlambat, tersebar, dan tidak dipercaya. Setiap angka di halaman ini disertai sumber dan tanggalnya.

Masalah

Blog AWS Business Intelligence yang ditulis bersama Olivia Michele dan Dariswan Janweri P. dari Ruparupa (22 Februari 2023) menggambarkan kondisi sebelum data lake dengan cukup jujur. Ruparupa menghasilkan data dari situs e-commerce, sistem inventaris, serta aplikasi distribusi dan keuangan, tetapi belum punya infrastruktur yang mampu mengolah volume dan ragam format data itu dengan cepat.

Akibatnya, data diproses manual oleh analis. Proses ingest saja memakan 1 sampai 1,5 jam untuk ratusan ribu baris data. Pembersihan data tidak konsisten: setelah data dibersihkan, sering ada langkah yang terlewat sehingga semuanya harus diulang. Tim analitik hanya sanggup membuat laporan mingguan dan bulanan, dan sebagian metrik penting hanya muncul di laporan bulanan.

Jangkauan laporannya juga sempit. Menurut blog yang sama, laporan rutin itu dibaca paling banyak 20 orang dari manajemen. Unit bisnis lain di Kawan Lama Group hanya menerima laporan mingguan yang disusun manual, dan pengguna bisnis tidak punya visibilitas atas penjualan yang sedang berjalan di toko maupun situs.

Tekanan bisnisnya datang dari pandemi. Pada jumpa pers virtual 5 Agustus 2021, Ronny Winoto menyebut transaksi produk kesehatan seperti oksimeter, konsentrator oksigen, termometer, dan masker melonjak 115 persen dibanding sebelum pandemi, terutama saat PPKM Darurat (Media Indonesia, 6 Agustus 2021). Lonjakan seperti itu datang tanpa jadwal, sehingga infrastruktur harus bisa menyesuaikan kapasitas tanpa membuat biaya membengkak.

Di tingkat grup, masalahnya serupa tetapi lebih besar. SAP (29 Juli 2025) mencatat ERP lama Kawan Lama sudah dipakai lebih dari satu dekade, membuka satu gerai baru sering membutuhkan konfigurasi sistem baru dan proses manual yang panjang, dan pelanggan kadang diminta menunggu berhari-hari karena staf tidak bisa melihat stok di sistem, padahal barangnya tersedia.

Batasan

  • Data datang dari banyak sistem dengan format berbeda: transaksi terstruktur, data inventaris, distribusi dan keuangan, serta data interaksi pelanggan yang semi-terstruktur atau tidak terstruktur (AWS, Februari 2023)
  • Lonjakan transaksi pandemi tidak bisa diprediksi, dengan transaksi produk kesehatan naik 115 persen dibanding sebelum pandemi (Media Indonesia, Agustus 2021)
  • Biaya harus tetap terkendali, sehingga platform data dirancang agar bisa tumbuh sampai skala terabyte dengan cara yang hemat (AWS, Februari 2023)
  • Kepercayaan pengguna bisnis rendah karena laporan manual sering harus dibersihkan ulang dan datanya tertinggal satu hari sampai satu minggu
  • Online dan offline harus bisa dibandingkan, karena Kawan Lama Group juga menjalankan toko fisik di luar platform Ruparupa
  • Skala grup besar dan beragam: lebih dari 1.200 toko, lebih dari 30 merek, dan 14 pusat distribusi (SAP dan Fortune Indonesia, 2025), dengan ERP lama yang berumur lebih dari 10 tahun
  • Tim data awalnya sangat kecil, yaitu satu orang analis, menurut blog AWS

Pendekatan

Diagnose

Bagian pendekatan ini adalah pembacaan kami atas dokumen terbuka. MarkasDev tidak mengikuti proyek ini.

Yang paling menonjol dari cerita Ruparupa adalah keputusan untuk menguji kebutuhan sebelum membangun platform besar. Mulai April 2021, tim memakai AWS Database Migration Service (DMS) untuk mengalirkan perubahan data (change data capture, CDC) ke database Amazon Aurora MySQL, lalu membuat dasbor Amazon QuickSight untuk menggantikan deck presentasi statis. Blog AWS menyebut pilot ini diterima sangat baik karena pengguna akhirnya bisa melihat data terkini.

Pilot itu juga memperlihatkan batasnya. Datanya hanya satu domain, data selain transaksi belum terkumpul, dan data di gudang data awal itu masih tertinggal satu hari. Tim menyebutnya solusi sementara. Dengan kata lain, pilot dipakai sebagai alat diagnosis: membuktikan bahwa pengguna mau memakai dasbor, sekaligus menunjukkan kebutuhan nyata, yaitu banyak sumber data, kesegaran data per jam, dan biaya yang tetap masuk akal saat volume tumbuh.

Bagi peritel lain, pertanyaan yang setara adalah: keputusan apa yang hari ini terlambat karena laporan mingguan, siapa yang butuh data itu selain direksi, dan seberapa segar data yang benar-benar dibutuhkan. Pemetaan seperti ini kami kerjakan lewat Diagnose sebelum memilih alat atau vendor.

Deliver

Bagian ini juga pembacaan kami atas dokumen terbuka.

Arsitektur yang dijelaskan di blog AWS (Februari 2023) cukup sederhana untuk ditiru. AWS DMS membaca log CDC dari database sumber, mencakup semua insert, update, dan delete, lalu menyimpannya di lapisan raw di Amazon S3. Kebijakan lifecycle S3 memindahkan data lama ke Amazon S3 Glacier. Job AWS Glue berbasis PySpark dengan konektor Apache Hudi kemudian menggabungkan perubahan itu ke lapisan transformed dalam format Parquet terkompresi dan terpartisi, setiap jam lewat penjadwal bawaan Glue.

Ada dua keputusan teknis yang layak dicatat. Pertama, Apache Hudi dipakai agar data lake bisa menerima upsert dan delete, sehingga data di S3 tetap konsisten dengan sistem sumber. Kedua, tim tidak membuat satu job untuk setiap tabel. Mereka membuat satu job generik yang menerima nama tabel sebagai parameter, sementara detail struktur tabel disimpan di AWS Secrets Manager. Pola ini membuat ratusan tabel bisa dikelola tanpa ratusan job.

Metadata semua tabel disimpan di AWS Glue Data Catalog, dipakai bersama oleh job Glue, mesin query Amazon Athena, dan QuickSight. Dasbor pilot dipindahkan dari Aurora ke Athena, lalu dasbor baru dibuat sesuai permintaan unit bisnis. QuickSight juga dipakai untuk mengirim alert email ketika nilai tertentu melewati ambang batas.

Fondasi cloud-nya dibangun lebih dulu. Ronny Winoto menyebut Ruparupa meninggalkan infrastruktur on-premises, memakai arsitektur microservices agar gangguan satu modul tidak menjatuhkan modul lain, AWS Auto Scaling untuk menyesuaikan kapasitas dalam hitungan menit, dan Amazon CloudWatch untuk mendeteksi anomali (Gizmologi dan Media Indonesia, Agustus 2021). Fitur pengiriman instan disebut dikembangkan dalam waktu kurang dari dua bulan.

Untuk perusahaan lain, inti pekerjaan ini adalah integrasi sistem & API: menarik data dari banyak aplikasi tanpa mengganggu sistem transaksi, lalu menyajikannya dalam bentuk yang bisa dipercaya. Kami mengerjakannya per milestone lewat Deliver.

Operate

Bagian ini juga pembacaan kami atas dokumen terbuka.

Data lake Ruparupa tidak langsung dianggap siap. Blog AWS mencatat implementasinya memakan sekitar 3 bulan, ditambah 1 bulan khusus untuk validasi data sebelum dipakai di produksi. Bulan validasi itu sering dilewatkan dalam proyek serupa, padahal di sanalah kepercayaan pengguna dibangun.

Setelah berjalan, kapasitas tim ikut disesuaikan. Tim analitik bertambah dari satu orang menjadi tujuh orang untuk menangani kasus penggunaan baru: merchandising, operasional, pengukuran kinerja manajer toko, dan SKU yang sedang tren. Jumlah dasbor bertambah menjadi sekitar 70 sejak pilot April 2021, semuanya berdasarkan permintaan pengguna bisnis. Isinya juga meluas dari transaksi ke metrik lain seperti SKU baru, eskalasi operasional layanan gratis bagi pelanggan, dan pemantauan SLA.

Biaya infrastruktur dikelola dengan komitmen pemakaian jangka panjang. Ronny Winoto memperkirakan skema AWS Reserved Instances dan Compute Savings Plans menghemat 72 persen dan 50 persen biaya infrastruktur jangka panjang (Gizmologi, 6 Agustus 2021). Ini perkiraan CTO dalam acara media, bukan hasil audit, dan sumber tidak menjelaskan pembandingnya secara rinci.

Bagi organisasi lain, pekerjaan Operate di sini mencakup memantau job data per jam, menjaga kualitas data, menerima permintaan dasbor baru, dan meninjau komitmen biaya cloud secara berkala. Itulah ruang lingkup Operate dan pemeliharaan server.

Arsitektur tingkat tinggi

Alur ini penyederhanaan kami dari blog AWS Business Intelligence 22 Februari 2023, bukan hasil audit atas sistem produksi Ruparupa. Blog tidak menyebut volume data total, biaya bulanan, atau kenaikan penjualan dalam angka. Kami tidak menemukan sumber terbuka yang menjelaskan apakah arsitektur ini masih dipakai pada 2026 atau bagaimana kaitannya dengan ERP RISE with SAP yang diumumkan grup pada Juli 2025. Tidak ada komponen AI atau machine learning yang menjadi inti solusi di sumber yang kami buka, sehingga field AI diset false.

Outcome tipikal

Angka di bawah dikutip dari sumber yang kami buka, lengkap dengan tanggal publikasinya. Sebagian besar hasil data lake berasal dari satu tulisan yang disusun bersama AWS dan tim Ruparupa, jadi perlu dibaca sebagai klaim perusahaan, bukan evaluasi independen.

Kesegaran data. Manajemen kini bisa melihat kondisi terkini sampai 1 jam terakhir, dibanding sebelumnya hanya laporan mingguan. Blog AWS (22 Februari 2023) menyebutnya 168 kali lebih cepat, angka yang pada dasarnya adalah perbandingan satu minggu (168 jam) dengan satu jam.

Jangkauan pengguna. Pengguna dasbor naik dari 20 orang di manajemen menjadi sekitar 180 pengguna, atau sembilan kali lipat, termasuk unit bisnis lain di Kawan Lama Group (AWS, Februari 2023).

Jumlah dan isi dasbor. Sekitar 70 dasbor dibuat sejak pilot QuickSight April 2021, mencakup transaksi, SKU baru, eskalasi operasional, dan pemantauan SLA (AWS, Februari 2023).

Tim dan waktu proyek. Tim analitik tumbuh dari 1 menjadi 7 orang. Implementasi data lake memakan sekitar 3 bulan ditambah 1 bulan validasi data (AWS, Februari 2023).

Kepercayaan dan penjualan. Unit bisnis lain disebut makin percaya pada data karena datanya lebih baru dan bisa ditelusuri sampai tingkat SKU. Penjualan online dan toko kini lebih mudah dibandingkan karena memakai platform yang sama. Blog menyebut implementasi ini membantu menaikkan pendapatan penjualan di berbagai unit bisnis, tetapi tidak memberikan angkanya.

Fondasi cloud (2021). Perkiraan penghematan 72 persen dan 50 persen biaya infrastruktur jangka panjang lewat Reserved Instances dan Compute Savings Plans, fitur pengiriman instan dalam kurang dari dua bulan, dan jangkauan pengiriman 600 titik di 69 kota (Gizmologi, 6 Agustus 2021).

Langkah grup (2025). SAP (29 Juli 2025) melaporkan implementasi RISE with SAP sudah membantu tim mengakses inventaris real-time antargerai, sehingga staf bisa memenuhi permintaan pelanggan lebih cepat walaupun barang tidak terpajang di rak. Rencana berikutnya adalah perbaikan peramalan, pengurangan stockout, dan promosi yang lebih tepat. Rilis itu tidak memuat angka hasil.

Ringkasan angka:

  • Kesegaran data: mingguan menjadi per jam (AWS, 22 Februari 2023)
  • Pengguna dasbor: 20 menjadi sekitar 180 (AWS, 22 Februari 2023)
  • Dasbor: sekitar 70 sejak April 2021 (AWS, 22 Februari 2023)
  • Tim analitik: 1 menjadi 7 orang (AWS, 22 Februari 2023)
  • Waktu ingest sebelum data lake: 1 sampai 1,5 jam untuk ratusan ribu baris (AWS, 22 Februari 2023)
  • Penghematan biaya infrastruktur jangka panjang: 72 persen dan 50 persen, perkiraan CTO (Gizmologi dan Media Indonesia, 6 Agustus 2021)
  • Skala grup: lebih dari 1.200 toko, lebih dari 30 merek (SAP, 29 Juli 2025), 14 pusat distribusi (Fortune Indonesia, 1 Agustus 2025)
Outcome tipikal atau yang diharapkan, bukan klaim hasil proyek MarkasDev.

Mengapa kasus ini relevan bagi peritel di Indonesia

Banyak peritel di Indonesia punya data penjualan yang lengkap di sistem kasir, marketplace, dan ERP, tetapi keputusan harian tetap menunggu rekap mingguan yang disusun di spreadsheet. Kasus Ruparupa menunjukkan bahwa jalan keluarnya tidak harus dimulai dengan proyek besar. Satu dasbor pilot, satu bulan validasi, dan job data yang bisa dipakai ulang sudah cukup untuk mengubah siapa yang membaca data dan seberapa cepat mereka bertindak.

Kasus ini juga memperlihatkan batas data analitik. Dasbor per jam membantu manajemen membaca tren, tetapi pelanggan yang menunggu kabar stok membutuhkan sistem operasional yang menyatukan inventaris antargerai. Kawan Lama Group menangani dua lapisan itu dengan proyek yang berbeda, dan bisnis lain sebaiknya juga memisahkannya dalam perencanaan.

Jika laporan penjualan Anda masih mingguan atau data online dan toko belum bisa dibandingkan, mulai dari Diagnose untuk memetakan sumber data dan keputusan yang tertunda, lanjutkan dengan integrasi sistem & API lewat Deliver, lalu jaga kualitas datanya lewat Operate. Studi kasus lain di sektor ini ada di halaman Distribusi & Retail.

Sumber

  1. AWS Business Intelligence Blog, 22 Februari 2023. How Ruparupa gained updated insights with an Amazon S3 data lake, AWS Glue, Apache Hudi, and Amazon QuickSight (ditulis bersama Olivia Michele dan Dariswan Janweri P., Ruparupa): https://aws.amazon.com/blogs/business-intelligence/how-ruparupa-gained-updated-insights-with-an-amazon-s3-data-lake-aws-glue-apache-hudi-and-amazon-quicksight/
  2. Gizmologi.id, 6 Agustus 2021. Layanan Cloud AWS Bantu Ruparupa.com Lancarkan Strategi Omnichannel di 69 Kota: https://gizmologi.id/news/cloud-aws-omnichannel-ruparupa/
  3. Media Indonesia, 6 Agustus 2021. Cloud Solusi Hadapi Disrupsi Digital dan Pandemi: https://mediaindonesia.com/teknologi/423711/cloud-solusi-hadapi-disrupsi-digital-dan-pandemi
  4. SAP Southeast Asia News Center, 29 Juli 2025. Kawan Lama Group Strengthens Operational Efficiency and Scalability with RISE with SAP: https://news.sap.com/sea/2025/07/kawan-lama-group-strengthens-operational-efficiency-and-scalability-with-rise-with-sap/
  5. Fortune Indonesia, 1 Agustus 2025. Resep Kawan Lama Group Modernisasi Operasional dan Manufaktur: https://www.fortuneidn.com/business/resep-kawan-lama-group-modernisasi-operasional-dan-manufaktur-00-3dhnm-phhjt8
  6. Google Workspace, halaman pelanggan Kawan Lama Group (tidak bertanggal): https://workspace.google.com/customers/kawanlama/

Diakses pada 16 Oktober 2026 (WIB).

Pertanyaan umum

Apakah MarkasDev terlibat dalam proyek Ruparupa atau Kawan Lama Group?
Tidak. Kawan Lama Group dan Ruparupa bukan klien MarkasDev. Tulisan ini disusun dari blog teknis AWS, rilis SAP, dan liputan media yang terbuka untuk umum, lalu kami baca dengan kerangka Diagnose, Deliver, dan Operate.
Apa bedanya data lake dengan laporan dari database transaksi biasa?
Laporan dari database transaksi biasanya hanya mencakup satu sistem dan bisa membebani sistem yang sedang melayani pelanggan. Data lake seperti milik Ruparupa mengumpulkan perubahan dari banyak sistem lewat CDC, menyimpannya di penyimpanan murah, lalu menyajikannya untuk query analitik tanpa mengganggu transaksi.
Seberapa bisa dipercaya angka 168 kali lebih cepat dan penghematan 72 persen?
Angka 168 kali adalah perbandingan laporan mingguan dengan data per jam, bukan hasil pengukuran kecepatan sistem. Penghematan 72 persen dan 50 persen adalah perkiraan CTO Ruparupa dalam acara media Agustus 2021 dan tidak dirinci pembandingnya. Keduanya sebaiknya dibaca sebagai indikasi, bukan patokan.
Apakah perlu memakai AWS untuk meniru pola ini?
Tidak harus. Polanya, yaitu CDC dari database sumber, penyimpanan berlapis, format kolumnar, job berparameter, dan dasbor dengan alert, bisa dibangun di penyedia cloud lain atau dengan alat open source. Pilihan platform sebaiknya diputuskan setelah kebutuhan dan anggaran jelas.
Apakah usaha ritel menengah perlu data lake?
Belum tentu. Jika sumber datanya hanya satu atau dua sistem, dasbor yang membaca replika database bisa cukup, seperti pilot awal Ruparupa. Data lake mulai masuk akal ketika sumber data banyak, formatnya beragam, dan banyak unit bisnis butuh angka yang sama.