Коли обсяг змінює все

Також доступно 19 мовами

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 · ไทย · Español (México) · Français (Canada) · Deutsch (Schweiz)

A wheelbarrow buried under a teetering heap of bricks, its tire flattened, in front of a forklift holding a full pallet of the same bricks with ease. — Зображення згенеровано ШІ

Модуль 1 з 4 розділу Проєктування для масштабу, розділ 7 курсу Data Architect, початок Частини 2. Кожен модуль самостійний. Наступний: Гарячі точки: перекіс власності, батьківських записів і lookup

Питання, на яке відповідає цей модуль: Що ламається, коли дані зростають, і коли саме?

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. ⟲

Саме тут ми переходимо від See до Design. У Частині 1 ми вчилися бачити бізнес, модель даних, ландшафт підприємства, врядування й авторитетність. Тепер ми покладемо на цю архітектуру вагу. І перше запитання, яке я ставлю: наскільки великим це стане?

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 (відкривається в новій вкладці)). 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 (відкривається в новій вкладці)). 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. ⟲

Моя лінійка великих обсягів даних

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 (відкривається в новій вкладці)). 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. ⟲

Лінійка невипадково починається з мільйона. Власна математика запитів платформи змінюється на «першому мільйоні записів», як покаже наступний розділ. Проте точне число — не урок. Урок такий: обсяг змінює проєкт.

Натисніть, щоб збільшити

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 (відкривається в новій вкладці)). ⟲

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 (відкривається в новій вкладці)). 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 (відкривається в новій вкладці)). 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. ⟲

Не питайте, наскільки великим це є сьогодні

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. ⟲

Ось чому я навчаю «кількості нулів» Steve. Не зациклюйтеся на хибній точності на ранньому етапі. Визначте правильний порядок величини. Десять тисяч, сто тисяч, мільйон, десять мільйонів, сто мільйонів? Архітектура може змінюватися щоразу, коли ми додаємо нуль.

Тепер помножте дочірні записи

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. ⟲

І дані, які ми не поклали в ядро

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. ⟲

Сповільнюються не лише запити

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. ⟲

Чисті моделі можуть стати дорогими

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. ⟲

Скажімо, звітам у межах партнера за рядками робочих замовлень постійно потрібен роздрібний партнер, який у чистій моделі розташований за два кроки: рядок → робоче замовлення → партнер. На достатньому масштабі може бути причина розмістити керовану копію ідентифікатора партнера прямо на рядку. Тепер я створив дубльовані дані, а це створює відповідальність. Як вони заповнюються? Чи можуть вони змінюватися? Як я підтримуватиму їх правильними? Яка копія авторитетна? Це реальні витрати, і іноді я приймаю контрольоване дублювання, щоб отримати продуктивність, потрібну бізнесу. Проєктуйте в напрямку нормалізації, а потім свідомо відступайте, коли масштаб дає вам причину. Не денормалізуйте тому, що так простіше побудувати; денормалізуйте, бо можете пояснити вигоду і ціну, яку приймаєте.

Не перетворюйте основну CRM на сховище даних

Є ще одна помилка масштабу, яку я бачу. Бізнес хоче звітності, тож ми додаємо історичні дані в операційну CRM, потім ще і ще, доки обґрунтуванням не стає «нам це потрібно для звітів». Саме тоді я питаю, чи не перетворили ми операційну систему на аналітичну. Це різні навантаження. Steve Trucking потрібен Salesforce, щоб виконувати сьогоднішні доставки: агентові підтримки потрібен сьогоднішній статус, диспетчерові — сьогоднішні маршрути, партнерові — сьогоднішній прогрес. Аналітик, який порівнює п’ять років результатів доставок за регіоном, партнером, вантажівкою, погодою, бригадою і вікном доставки разом із фінансовими даними, — це аналітичне навантаження. Salesforce уміє звітувати за операційними даними. Це не означає, що кожне історичне аналітичне запитання належить операційному сховищу. У Steve Trucking уже є Snowflake. Тож спитайте: на які запитання має відповідати операційна система, а які належать аналітичній платформі? Частина 3 розгляне сховище даних як слід.

І знімки для звітності (reporting snapshots) — не стратегія сховища даних. Сплющені об’єкти для звітів, записи-знімки, копії значень, які полегшують звіти: іноді це виправдано. Але це також може бути способом відкласти архітектурне питання. Якщо я створюю мільйони додаткових записів, щоб звітувати за мільйонами вже наявних, я хочу знати, де це закінчиться. Не продовжуйте виробляти операційні записи лише тому, що ніхто не хоче починати розмову про сховище даних.

Обсяг має форму

Дві системи можуть мати по 20 мільйонів записів і поводитися дуже по-різному. Одна зберігає 20 мільйонів історичних записів, які майже ніколи не оновлюються, зазвичай їх отримують по одному за відомим ідентифікатором, і спільний доступ там простий. Інша зберігає 20 мільйонів активних записів, які постійно оновлюються, зі складною власністю, важкою звітністю, багатьма користувачами, великими концентраціями «батько–нащадок» і частими інтеграціями. Це не та сама задача. Тож самої кількості записів замало. Як швидко вона зростає? Як часто змінюється? Як до неї роблять запити, як нею діляться, як вона пов’язана? Як довго вона має бути активною? Скільки надходить чи змінюється одночасно? Що відбувається, коли ми її видаляємо? «Salesforce впорається з 20 мільйонами записів» — не відповідь. Цікаве запитання таке: двадцять мільйонів записів, які роблять що?

ШІ додасть ще нулів

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. ⟲

За межами іспиту: що змінює ШІ. ШІ може різко збільшити швидкість, з якою системи створюють і отримують дані. Явно моделюйте обсяг, який генерують агенти, замість того щоб вважати, що історичні темпи людських транзакцій передбачать майбутній масштаб.

Steve Trucking: архітектура вже змінюється

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. ⟲

Натисніть, щоб збільшити

Follow the model, and the zeros multiply. ⟲

Що тут вирішує архітектор

Як виглядає «кількість нулів» сьогодні, за очікуваного зростання та впродовж періоду зберігання, а не лише чи працює сьогоднішній обсяг.
Які чисті структури залишаються нормалізованими, а де масштаб виправдовує контрольовану денормалізацію.
Які дані залишаються в операційному ядрі Salesforce, а які належать спеціалізованим сховищам, аналітичним платформам чи іншим системам.
Чи вимога до звітності справді операційна, чи це сигнал, що бізнесу потрібна аналітична архітектура.
Як нові джерела даних, такі як агенти, змінюють припущення щодо обсягу, перш ніж їхні записи стануть завтрашньою проблемою.

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. ⟲

Додаткові матеріали

Salesforce Help, Data and File Storage Allocations (відкривається в новій вкладці): 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 (відкривається в новій вкладці) (release 264, archived copy (відкривається в новій вкладці)), checked 2026-10-20. ⟲
Salesforce Developers, Best Practices for Deployments with Large Data Volumes (відкривається в новій вкладці), Winter ‘27, checked 2026-11-01. ⟲
Salesforce Architects, The Salesforce Platform: Transformed for Tomorrow (відкривається в новій вкладці), checked 2026-11-01. ⟲
Salesforce, Best Practices for Deployments with Large Data Volumes, Winter ‘16 edition (відкривається в новій вкладці) (archived copy (відкривається в новій вкладці)) (release 198), checked 2026-10-20. ⟲
Salesforce, Developer Limits and Allocations Quick Reference, Winter ‘16 edition (відкривається в новій вкладці) (archived copy (відкривається в новій вкладці)) and Winter ‘27 edition (відкривається в новій вкладці) (archived copy (відкривається в новій вкладці)), checked 2026-10-20. ⟲
Salesforce Developers, SOAP API End-of-Life Policy (відкривається в новій вкладці), checked 2026-11-01. ⟲
Salesforce Developers, Execution Governors and Limits (відкривається в новій вкладці), Apex Developer Guide, Winter ‘27, checked 2026-11-01. ⟲
Salesforce Developers, Working with Very Large SOQL Queries (відкривається в новій вкладці), 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. ⟲
Бриф Steve Trucking, розділ 4 (обсяги).