피드로 돌아가기
Dev.toDatabase
원문 읽기
SFMC 데이터 유실 방지를 위한 Retention 전략 및 하이브리드 추출 설계
Tracking Data Extract vs Data Views: Get Data Out of SFMC
AI 요약
Context
CSV 수동 엑스포트의 확장성 한계와 SFMC Data View의 기본 6개월 Retention 제약으로 인한 데이터 유실 리스크 발생. 외부 Data Warehouse로의 대량 전송과 내부 세그먼트 생성이라는 서로 다른 데이터 활용 목적을 동시에 충족해야 하는 상황.
Technical Solution
- 외부 분석용 대용량 데이터 확보를 위해 Automation Studio 기반의 Tracking Data Extract 및 File Transfer Activity를 통한 SFTP 자동 전송 파이프라인 구축
- SFMC 내부 타겟팅 최적화를 위해 Data View 기반의 SQL Query Activity를 활용하여 고성능 Data Extension(DE) 생성 및 세그먼트 자동화
- 6개월 이후 데이터 유실 방지를 위해 주기적인 SQL 쿼리를 통해 Live Data View에서 Archive DE로 데이터를 복제하는 Archive Pattern 도입
- 대규모 데이터셋 처리 시 쿼리 타임아웃 방지를 위해 Primary Key 중심의 단순 필터링 및 최적화된 Join 패턴 적용
- 분석 목적에 따라 External Warehouse(Extract 방식)와 Internal SFMC(SQL 방식)로 데이터 경로를 이원화하는 하이브리드 아키텍처 설계
실천 포인트
- 프로젝트 초기 단계에서 Data View의 항목별 Retention 기간을 확인하고 Archive 자동화 설정 - BI 도구의 직접 연결이 불가능하므로 외부 분석 필요 시 반드시 Data Extract 파이프라인 선행 구축 - 대량 데이터 쿼리 시 타임아웃 방지를 위해 Join 최적화 및 인덱스 활용 여부 검토 - 내부 마케팅 액션(Re-engagement 등)은 Data View 기반의 DE 생성 후 Journey Builder와 연동