콘텐츠로 이동
SteveTechArcSteveTechArc Courses

Salesforce 데이터 아키텍트처럼 생각하기

28개 언어로도 제공

English · Español · 日本語 · Português (Brasil) · Français · Deutsch · Italiano · 简体中文 · Português (Portugal) · 繁體中文 · Bahasa Indonesia · Türkçe · Polski · Tiếng Việt · ไทย · Nederlands · العربية · עברית · Українська · हिन्दी · Русский · Svenska · Dansk · Norsk bokmål · Suomi · Español (México) · Français (Canada) · Deutsch (Schweiz)

Data Architect 과정 1장, 파트 1: 데이터 아키텍트 되기.

이 장은 개체를 하나라도 건드리기 전에 과정이 시작되는 곳입니다. 다루는 것은 단 하나의 전환입니다. *이걸 어떻게 만들지?*라고 묻던 데서 *이걸 만들어야 할까, 왜 이런 방식으로, 그리고 커지거나 실패하면 어떻게 될까?*라고 묻는 쪽으로요. 일곱 개의 모듈이 아키텍트가 실제로 하는 일부터 시작해 그 과정을 안내합니다.

In a Bengaluru studio, a senior architect points to the whole plan on the table while colleagues hold their own parts of the drawings.

AI로 생성한 이미지입니다.

일곱 부분으로 보는 이 장

섹션 제목: “일곱 부분으로 보는 이 장 ”

각 부분은 독립적으로 읽을 수 있으니, 순서대로 읽어도 되고 필요한 부분으로 바로 가도 됩니다.

  1. 아키텍트처럼 생각하기. 설계도를 쥔 사람. 왜냐고 물으십시오. 요구사항은 종종 설계로 위장한 채 도착하기 때문입니다. 그리고 아무도 화재경보기를 요청하지 않습니다. 모두가 말하지 않아도 기대하는 것을 넣는 일은 아키텍트의 몫입니다.
  2. 데이터 모델은 뼈대다. 모든 것은 모델 위에 세워집니다. 어떤 데이터 모델이든 세 가지로 시험합니다. 지원. 성장. 성능. 뼈대를 설계할 때는 매우 신중하십시오. 기존 구조를 바꾸면 연쇄적인 결과가 생길 수 있습니다.
  3. 가역성 테스트. 되돌리기가 얼마나 어렵고, 얼마나 많은 것이 그것에 의존하게 될까요? 그것으로 결정이 아키텍처적인지, 그리고 언제 속도를 늦추고 이유를 적어 두어야 하는지 알 수 있습니다.
  4. 아키텍처는 트레이드오프의 기술이다. 문제를 푸는 방법은 많을 수 있습니다. 상당수는 처음부터 문제가 있고, 일부는 데이터가 커지면 문제가 생기며, 소수만이 앞으로의 요구를 감당할 수 있습니다. 이제 아키텍트가 결정합니다.
  5. 오늘을 위해 만들라. 내일을 계획하라. 실패를 계획하라. 모든 설계를 보는 세 가지 렌즈, 그리고 0 하나가 왜 아키텍처를 바꿀 수 있는지.
  6. 도구를 알라: 아홉 가지 질문. 어떤 도구에든, 다음 달 Salesforce가 출시할 도구에도 던져야 할 질문들을 Apex 공유를 예로 하나씩 짚어 봅니다.
  7. AI 시대의 데이터 아키텍트. AI는 로켓 부스터입니다. 아키텍트를 없애지 않습니다. 아키텍트가 가치를 만드는 곳을 바꿉니다.

다 읽었다면 장 학습 가이드로 스스로 점검하십시오. 시험 대비 체크리스트, 시험 너머의 습관, 알아야 할 용어, 그리고 몇 가지 질문이 있습니다.

할 수 있게 되는 것

섹션 제목: “할 수 있게 되는 것 ”
  • 아키텍처적인 결정과 평범한 결정을 구분하고, 비용이 큰 결정에서는 속도를 늦춘다.
  • 세 가지 시험으로 데이터 모델을 판단한다. 비즈니스를 지원하는가, 성장할 수 있는가, 성능을 내는가?
  • 선택지를 펼쳐 놓고, 트레이드오프를 짚고, 하나를 추천하고, 그 이유를 개발자, 비즈니스, 경영진에게 설명한다.
  • 어떤 설계든 오늘, 내일, 실패라는 세 렌즈로 본다.
  • 아홉 가지 질문으로 어떤 도구든 평가하고, AI가 그 도구에 대해 말하는 내용을 검증한다.

더 알아보기

섹션 제목: “더 알아보기 ”

다음: 의미를 위한 데이터 모델링