เมื่อปริมาณเปลี่ยนทุกอย่าง

🌐 มีให้อ่านอีก 19 ภาษา

English · Español · 日本語 · Português (Brasil) · Français · Deutsch · Italiano · 한국어 · 简体中文 · Português (Portugal) · 繁體中文 · Bahasa Indonesia · Türkçe · Polski · Tiếng Việt · Українська · Español (México) · Français (Canada) · Deutsch (Schweiz)

ภาพสร้างด้วย AI

แปลโดย AI ชุมชนยังไม่ได้ตรวจทาน อ่านเป็นภาษาอังกฤษ ส่วนนี้มีการเปลี่ยนแปลงในฉบับภาษาอังกฤษและยังไม่ได้แปลใหม่ (48)

โมดูลที่ 1 จาก 4 ในบท การออกแบบเพื่อรองรับขนาด บทที่ 7 ของหลักสูตร Data Architect และเป็นจุดเริ่มต้นของส่วนที่ 2 แต่ละโมดูลอ่านแยกกันได้ ถัดไป: จุดร้อน: ข้อมูลกระจุกตัวด้านความเป็นเจ้าของ เรกคอร์ดแม่ และ lookup

คำถามที่โมดูลนี้ตอบ: อะไรพังเมื่อข้อมูลเติบโต และพังเมื่อไหร่?

A design can be perfectly reasonable at 70,000 records and completely wrong at 70 million. That’s one of the things that makes data architecture difficult. The object is the same. The fields are the same. The relationships are the same. The business requirement may even be the same. But add a few zeros and the architecture changes. ⟲

นี่คือจุดที่เราเปลี่ยนจาก See ไปสู่ Design ในส่วนที่ 1 เราเรียนรู้ที่จะมองเห็นธุรกิจ โมเดลข้อมูล ภาพรวมระบบขององค์กร ธรรมาภิบาล และอำนาจชี้ขาด ตอนนี้เราจะวางน้ำหนักลงบนสถาปัตยกรรมนั้น และคำถามแรกที่ผมถามคือ มันจะใหญ่แค่ไหน?

Built for Transactions

Salesforce runs some of the largest CRM implementations in the world, and its core database handles “upwards of 1.1 trillion transactions per month.” Salesforce’s own architects describe that database as “optimized for high-performance transactional workloads on structured data” (The Salesforce Platform: Transformed for Tomorrow (เปิดในแท็บใหม่)). It’s built for that: transactional work on structured data. And every record comes with a lot of built-in capabilities and functionality that are part of the core Salesforce platform: the object model, sharing and security, pages, reports, automation, search. All of it runs on a multitenant database, where Salesforce writes the SQL, not you. ⟲

I once taught this class at Dreamforce to a room with a lot of database administrators from Oracle and SQL Server, and of course they were asking, “Why doesn’t Salesforce act this way? Why doesn’t Salesforce do this?” By the end they were smiling, because they’d understood why. Chapter 3 described Salesforce as a multitenant, metadata-driven platform: the apartment building. We’re not tuning our own dedicated database. Salesforce’s storage, indexing, sharing, locking, query optimization and resource protections are designed for many tenants at once. That’s not bad; it’s why we get so much capability without running database infrastructure. But it means the architect needs to understand the platform’s shape. ⟲

Salesforce says it plainly in its own guide: as data sets get larger, “the time required for certain operations grows,” and the architect’s choices change that time “by several orders of magnitude” (Best Practices for Deployments with Large Data Volumes (เปิดในแท็บใหม่)). That’s not a weakness. It’s the design. At small volumes you can sometimes ignore the platform’s shape. At large volumes, it reminds you it’s there, and we’ll see that very clearly with selectivity and indexes in the next chapter. That’s why the architect has to know how big this gets. ⟲

The same guide ends with the other half of the story. Salesforce is “a robust environment in which native and custom applications can scale to large volumes of data very quickly while continuing to perform well,” and it names the two ways you get there: make queries selective, and reduce the amount of active data. Millions of records can perform well on Salesforce. They perform well because somebody designed for them. That’s what this part of the course is about. ⟲

ไม้บรรทัดวัดข้อมูลปริมาณมากของผม

When I’m teaching large data volumes, I use a rough ruler. It’s not a Salesforce limit. The numbers are general figures discussed in the community, and Salesforce itself calls a large data volume “an imprecise, elastic term”: tens of thousands of users, tens of millions of records, or hundreds of gigabytes of storage (Best Practices for Deployments with Large Data Volumes (เปิดในแท็บใหม่)). And when I say records, I mean records in a single object, not across all your objects. ⟲

Like every number in this course, the ruler has a date on it. More on that in a moment. ⟲

At about 1 million records in an object, there’s just a little bit of drag as dashboards and reports show up. Not a lot, depending on how you filter. Around 10 million, there’s some effect, but it’s still performing. Heading toward 50 million, you start to notice it: list views taking two, three, four seconds, reports and dashboards taking time. Past 50 million, I like to say you’re driving a convertible with your head out the window, and your hair is blown back. Don’t stick your head out the window: past 50 million you’ve got to be streamlined, and you’ve got to know what you’re doing. And once we’re talking about 100 million records or more, I start asking a different question: should these records be here at all? I’ve heard of people running a hundred million or more in an object. But if you’re at 50 million today, you’re going to 100, 150, 200 million in the years ahead. If you’re not archiving today, when will you? If somebody tells me they have 150 million records in an object and almost nobody ever looks at the old ones, that’s not an operational object any more. That’s an audit log. ⟲

ไม่ใช่เรื่องบังเอิญที่ไม้บรรทัดเริ่มที่หนึ่งล้าน การคำนวณ query ของแพลตฟอร์มเองเปลี่ยนไปที่ “หนึ่งล้านเรกคอร์ดแรก” อย่างที่บทถัดไปจะแสดง แต่ตัวเลขที่แน่นอนไม่ใช่บทเรียน บทเรียนคือ ปริมาณเปลี่ยนการออกแบบ

คลิกเพื่อขยาย

Every zero changes what you notice. A rule of thumb, not a limit. ⟲

The Platform Keeps Growing

Salesforce ships three releases a year. Over time the platform grows, some limits are raised, and systems get faster. So I don’t want you to treat any number in this course as if it were permanent, including mine. Salesforce keeps every release’s edition of its guides online, which means we can do something useful: put ten years side by side. Here’s Winter ‘16, from late 2015, next to Winter ‘27, from 2026. ⟲

	Winter ‘16 (2015)	Winter ‘27 (2026)
Big objects	Didn’t exist yet	“Consistent performance, whether you have 1 million records, 100 million, or even 1 billion”
Skinny table columns	100	200
Index selectivity thresholds	Capped at 1 million records (standard) and 333,333 (custom)	No published cap, and the optimizer can add an index on its own
Minimum data storage	1 GB per org, or 20 MB per user	10 GB per org, plus storage per user
Bulk API batches a day	5,000	15,000
Parent-to-child levels in one SOQL query	1	5
Apex heap per transaction	6 MB (12 MB asynchronous)	10 MB (25 MB asynchronous)

That’s the upward direction: limits raised, caps removed, new kinds of storage, and an optimizer that now “recognizes that an index can improve performance for frequently run queries” and adds one (Working with Very Large SOQL Queries (เปิดในแท็บใหม่)). ⟲

Now look at what didn’t move in those ten years. The definition of a large data volume is word for word the same: “tens of thousands of users, tens of millions of records, or hundreds of gigabytes.” The advice to avoid having any user own more than 10,000 records is the same. And an Apex transaction still gets 100 SOQL queries, 50,000 records and 10 seconds of CPU (Execution Governors and Limits (เปิดในแท็บใหม่)). Those are the house rules of the apartment building, the guardrails that keep one tenant from hurting the others, and they’ve barely moved. ⟲

Salesforce is open about the pace, too. It ships three releases a year, each with a new API version, and it commits to “supporting each API version for a minimum of 3 years from the date of first release,” with at least a year’s notice before support for a version ends (SOAP API End-of-Life Policy (เปิดในแท็บใหม่)). In practice versions live much longer: as I write this, version 41.0, from Winter ‘18, is still supported. If you’re new, you don’t need the history. But it does change decisions. The org you inherit was designed under older limits, and some of its workarounds may not be needed any more. The integration you build today is pinned to an API version with a clock on it. And study material written a few releases ago may still teach yesterday’s numbers. ⟲

So when you read a number in this course, read the date next to it. The specific limits will keep changing, mostly upward, and Salesforce will keep pivoting. The thinking won’t: know your Number of Zeros, keep the active data small, make your queries selective, and check the current edition of the guide before you commit to a number. That’s why I teach the ruler as a ruler, not a law. For now, it’s a good place to start. ⟲

The sources, both editions: Best Practices for Deployments with Large Data Volumes, Winter ‘16 (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)) and Winter ‘27 (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)); Salesforce Limits Quick Reference Guide, Winter ‘16 (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)), and Salesforce Developer Limits and Allocations Quick Reference, Winter ‘27 (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)); Data and File Storage Allocations (เปิดในแท็บใหม่) (10 GB “starting in late March 2019”); Execution Governors and Limits (เปิดในแท็บใหม่), Winter ‘27. ⟲

อย่าถามว่าวันนี้มันใหญ่แค่ไหน

One of the easiest mistakes is sizing an architecture from today’s data. Steve Trucking has about 1 million deliveries a year. If I only ask “can Salesforce handle one million deliveries?”, I’m asking the wrong question. Steve Trucking expects about 30% annual growth: 1.0 million in year one, 1.3 in year two, 1.69 in year three, about 2.2 in year four, about 2.86 in year five. That’s annual volume. If we keep all five years, we’re not designing for 2.86 million deliveries; we’re designing for roughly 9.04 million. And that’s before we ask how much history already exists. ⟲

นั่นคือเหตุผลที่ผมสอน จำนวนเลขศูนย์ของ Steve อย่าหมกมุ่นกับความแม่นยำปลอมๆ ตั้งแต่เนิ่นๆ ให้ได้ลำดับขนาดที่ถูกต้อง หนึ่งหมื่น หนึ่งแสน หนึ่งล้าน สิบล้าน หนึ่งร้อยล้าน? สถาปัตยกรรมอาจเปลี่ยนทุกครั้งที่เราเพิ่มเลขศูนย์หนึ่งตัว

ทีนี้คูณเรกคอร์ดลูกเข้าไป

The delivery isn’t the only record. Steve Trucking averages about 1.6 line items a delivery, so over five years that’s about 14.5 million work order line items. And there are around eight status changes a delivery: about 72.3 million status events. The requirement sounded like “track deliveries.” The architecture has to deal with tens of millions of related records. One million parents with eight children each is not a one-million-record problem. You have to follow the model. ⟲

และข้อมูลที่เราไม่ได้ใส่ไว้ในระบบหลัก

Checkpoint 1 also gave us four to five million photos a year, and FleetLink produces about 200,000 GPS readings a day: roughly 73 million a year before growth. That’s why we decided not to put every GPS reading, every photo or every status change into the Salesforce operational model. We hadn’t even started this chapter, and the Number of Zeros was already telling us something. It’s like telling the doctor, “It hurts when I raise my arm,” and the doctor says, “Then don’t raise your arm.” Sometimes the best way to solve a large-data-volume problem is don’t create it in the first place. ⟲

Query ไม่ใช่สิ่งเดียวที่ช้าลง

When people hear large data volumes, they think “queries get slow.” Yes, and the next chapter is all about query and retrieval. But it’s bigger than that. As volume grows, I care about sharing calculations, ownership, record locking, parent-child relationships, list views, related lists, reports, search results, batch processing, integrations, data loads, deletes, archiving, backups and recovery. Even a harmless-looking decision gets expensive when it’s repeated millions of times. ⟲

That’s the lesson: what works today may fail tomorrow. Maybe nobody notices at 50,000 records, or at 500,000. Then growth pushes the object through several million, and an old design assumption becomes the bottleneck. The system didn’t randomly go bad. The architecture crossed the scale where that decision mattered. ⟲

โมเดลที่สะอาดอาจกลายเป็นโมเดลที่แพง

My starting position is still: design clean first, then back off when necessary. Understand the entities and relationships; don’t duplicate data because it’s convenient. But normalization is a principle, not a rule. If a report or operational query constantly has to walk several relationships across tens of millions of records to get one value, at some scale I may copy that value closer to where it’s used. That’s denormalization. ⟲

สมมติว่ารายงานที่จำกัดขอบเขตตามพาร์ทเนอร์บนรายการในใบสั่งงานต้องการพาร์ทเนอร์ค้าปลีกอยู่ตลอด ซึ่งในโมเดลที่สะอาดอยู่ห่างไปสองขั้น: รายการ → ใบสั่งงาน → พาร์ทเนอร์ ที่ขนาดใหญ่พอ อาจมีเหตุผลที่จะวางสำเนาที่มีธรรมาภิบาลของตัวระบุพาร์ทเนอร์ไว้บนรายการโดยตรง ตอนนี้ผมสร้างข้อมูลซ้ำขึ้นมา และนั่นสร้างความรับผิดชอบ มันถูกเติมค่าอย่างไร? มันเปลี่ยนได้ไหม? ผมจะรักษาให้มันถูกต้องอย่างไร? สำเนาไหนมีอำนาจชี้ขาด? นั่นคือต้นทุนจริง และบางครั้งผมยอมรับการทำซ้ำที่ควบคุมได้เพื่อให้ได้ประสิทธิภาพที่ธุรกิจต้องการ ออกแบบไปทาง normalization แล้วถอยออกมาอย่างตั้งใจเมื่อขนาดให้เหตุผลกับคุณ อย่าลดการ normalize เพราะมันสร้างง่ายกว่า ให้ลดเพราะคุณอธิบายได้ทั้งประโยชน์และต้นทุนที่คุณยอมรับ

อย่าทำให้ CRM หลักกลายเป็นคลังข้อมูลของคุณ

มีความผิดพลาดด้านขนาดอีกแบบที่ผมเห็น ธุรกิจต้องการรายงาน เราจึงเพิ่มข้อมูลประวัติเข้าไปใน CRM สำหรับการปฏิบัติงานไปเรื่อยๆ แล้วเพิ่มอีก จนเหตุผลกลายเป็น “เราต้องใช้มันทำรายงาน” นั่นคือตอนที่ผมถามว่าเราได้เปลี่ยนระบบปฏิบัติงานให้กลายเป็นระบบวิเคราะห์ไปแล้วหรือเปล่า มันเป็นภาระงานคนละแบบ Steve Trucking ต้องการ Salesforce เพื่อดำเนินการจัดส่งของวันนี้: เจ้าหน้าที่บริการต้องการสถานะวันนี้ ผู้ประสานงานต้องการเส้นทางวันนี้ พาร์ทเนอร์ต้องการความคืบหน้าวันนี้ นักวิเคราะห์ที่เปรียบเทียบผลการจัดส่งห้าปีตามภูมิภาค พาร์ทเนอร์ รถบรรทุก สภาพอากาศ ทีมงาน และช่วงเวลาจัดส่ง ร่วมกับข้อมูลการเงิน คือภาระงานเชิงวิเคราะห์ Salesforce ทำรายงานบนข้อมูลการปฏิบัติงานได้ นั่นไม่ได้หมายความว่าทุกคำถามเชิงวิเคราะห์เกี่ยวกับประวัติควรอยู่ในที่เก็บข้อมูลสำหรับการปฏิบัติงาน Steve Trucking มี Snowflake อยู่แล้ว ดังนั้นจงถามว่า ระบบปฏิบัติงานต้องตอบคำถามไหน และคำถามไหนควรอยู่บนแพลตฟอร์มเชิงวิเคราะห์? ส่วนที่ 3 จะครอบคลุมเรื่องคลังข้อมูลอย่างเต็มที่

และ reporting snapshot ไม่ใช่กลยุทธ์คลังข้อมูล ออบเจกต์รายงานที่ถูกทำให้แบน เรกคอร์ด snapshot สำเนาของค่าที่ทำให้รายงานง่ายขึ้น: บางครั้งก็ชอบธรรม แต่มันก็อาจเป็นวิธีเลื่อนคำถามเชิงสถาปัตยกรรมออกไปด้วย ถ้าผมสร้างเรกคอร์ดเพิ่มอีกหลายล้านรายการเพื่อให้ทำรายงานบนหลายล้านรายการที่มีอยู่แล้วได้ ผมอยากรู้ว่ามันจะไปจบที่ไหน อย่าผลิตเรกคอร์ดสำหรับการปฏิบัติงานไปเรื่อยๆ เพียงเพราะไม่มีใครอยากเริ่มบทสนทนาเรื่องคลังข้อมูล

ปริมาณมีรูปร่าง

สองระบบอาจมี 20 ล้านเรกคอร์ดเท่ากันแต่ทำงานต่างกันมาก ระบบหนึ่งเก็บเรกคอร์ดประวัติ 20 ล้านรายการ แทบไม่เคยถูกอัปเดต มักถูกดึงทีละรายการด้วยตัวระบุที่รู้อยู่แล้ว และมีความซับซ้อนด้านการแชร์น้อย อีกระบบเก็บเรกคอร์ดที่ยังใช้งาน 20 ล้านรายการ ถูกอัปเดตตลอด มีความเป็นเจ้าของที่ซับซ้อน รายงานหนัก ผู้ใช้จำนวนมาก การกระจุกตัวแม่-ลูกขนาดใหญ่ และการผสานรวมบ่อย ไม่ใช่ปัญหาเดียวกัน ดังนั้นจำนวนเรกคอร์ดอย่างเดียวไม่พอ มันโตเร็วแค่ไหน? เปลี่ยนบ่อยแค่ไหน? ถูก query แชร์ และเชื่อมโยงอย่างไร? ต้องยังใช้งานอยู่นานแค่ไหน? มีเท่าไรที่เข้ามาหรือเปลี่ยนพร้อมกัน? เกิดอะไรขึ้นเมื่อเราลบมัน? “Salesforce รับ 20 ล้านเรกคอร์ดได้” ไม่ใช่คำตอบ คำถามที่น่าสนใจคือ ยี่สิบล้านเรกคอร์ดที่ทำอะไร?

AI จะเพิ่มเลขศูนย์ให้มากขึ้น

Agents can create data very quickly: interactions, tasks, summaries, recommendations, logs, intermediate results, events, audit information. Maybe that’s useful. But AI doesn’t make storage free, or sharing calculations, or indexing, and it certainly doesn’t make useless history valuable. If an agent creates ten records where a human process used to create one, our volume assumptions may be wrong before the business itself grows. I’m not yet seeing agents generate more records in the orgs I work with, but it’s the natural progression of more and more data being tracked. ⟲

นอกเหนือจากการสอบ: AI เปลี่ยนอะไร AI อาจเพิ่มอัตราที่ระบบสร้างและดึงข้อมูลได้อย่างมาก จงสร้างโมเดลปริมาณที่เอเจนต์สร้างขึ้นอย่างชัดเจน แทนที่จะสมมติว่าอัตราธุรกรรมของมนุษย์ในอดีตจะทำนายขนาดในอนาคตได้

Steve Trucking: สถาปัตยกรรมกำลังเปลี่ยนไปแล้ว

At the end of Part 1 we made several decisions that are now reinforcing each other. The work order is central. The current status lives in the org, and the history of every status change is published to the warehouse, Snowflake. Photos live outside the core. Raw GPS stays with FleetLink. At five years of 30% growth, we’re approaching 9 million work orders, 14.5 million line items and 72.3 million status events, and hundreds of millions of GPS readings if we’d copied them all. ⟲

Was keeping raw GPS out of the operational model just an integration decision? No; it was a scale decision too. Was putting photos off-core just a storage decision? No; scale again. And the status history? It has real business value, so we keep it. But at 72.3 million events, keeping it outside the operational database is the difference between an org that carries its history and an org that’s buried by it. The question that remains for what we do keep in core: how long should those records stay active? That’s module 4. ⟲

คลิกเพื่อขยาย

Follow the model, and the zeros multiply. ⟲

สิ่งที่สถาปนิกต้องตัดสินใจในเรื่องนี้

• จำนวนเลขศูนย์มีหน้าตาอย่างไรในวันนี้ ที่การเติบโตที่คาดไว้ และตลอดระยะเวลาการเก็บรักษา ไม่ใช่แค่ว่าปริมาณวันนี้ใช้ได้หรือไม่
• โครงสร้างที่สะอาดไหนยังคง normalize อยู่ และที่ไหนที่ขนาดเป็นเหตุผลให้ลดการ normalize อย่างควบคุมได้
• ข้อมูลไหนอยู่ในระบบหลักสำหรับการปฏิบัติงานของ Salesforce และข้อมูลไหนควรอยู่ในที่จัดเก็บเฉพาะทาง แพลตฟอร์มเชิงวิเคราะห์ หรือระบบอื่น
• ความต้องการด้านรายงานเป็นเรื่องการปฏิบัติงานจริงหรือไม่ หรือเป็นสัญญาณว่าธุรกิจต้องการสถาปัตยกรรมเชิงวิเคราะห์
• ผู้สร้างข้อมูลรายใหม่อย่างเอเจนต์เปลี่ยนสมมติฐานเรื่องปริมาณอย่างไร ก่อนที่เรกคอร์ดของมันจะกลายเป็นปัญหาของวันพรุ่งนี้

Large data volume architecture isn’t about being afraid of big numbers. Salesforce runs very large implementations. One million records isn’t automatically a problem; neither is ten million or a hundred million. But every zero should make me ask another question: how will we find them, who owns them, how are they shared, what are they related to, how often do they change, how long do we need them, and where should they live? In Part 1 we learned to recognize the right entities and relationships. Now we make sure those bones can carry the weight, because what works today may fail tomorrow. ⟲

ศึกษาเพิ่มเติม

• Salesforce Help, Data and File Storage Allocations (เปิดในแท็บใหม่): 10 GB of data storage since late March 2019, checked 2026-11-01. ⟲
• Salesforce, Best Practices for Deployments with Large Data Volumes, Winter ‘27 edition (เปิดในแท็บใหม่) (release 264, archived copy (เปิดในแท็บใหม่)), checked 2026-10-20. ⟲
• Salesforce Developers, Best Practices for Deployments with Large Data Volumes (เปิดในแท็บใหม่), Winter ‘27, checked 2026-11-01. ⟲
• Salesforce Architects, The Salesforce Platform: Transformed for Tomorrow (เปิดในแท็บใหม่), checked 2026-11-01. ⟲
• Salesforce, Best Practices for Deployments with Large Data Volumes, Winter ‘16 edition (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)) (release 198), checked 2026-10-20. ⟲
• Salesforce, Developer Limits and Allocations Quick Reference, Winter ‘16 edition (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)) and Winter ‘27 edition (เปิดในแท็บใหม่) (archived copy (เปิดในแท็บใหม่)), checked 2026-10-20. ⟲
• Salesforce Developers, SOAP API End-of-Life Policy (เปิดในแท็บใหม่), checked 2026-11-01. ⟲
• Salesforce Developers, Execution Governors and Limits (เปิดในแท็บใหม่), Apex Developer Guide, Winter ‘27, checked 2026-11-01. ⟲
• Salesforce Developers, Working with Very Large SOQL Queries (เปิดในแท็บใหม่), Apex Developer Guide, Winter ‘27, checked 2026-11-01. ⟲
• SteveTechArc, Salesforce Documents by Release: the guides cited here, once a year from Winter ‘16 to today, each with an archived copy. ⟲
• บรีฟ ของ Steve Trucking ส่วนที่ 4 (ปริมาณ)