태터데스크 관리자

도움말
닫기
적용하기   첫페이지 만들기

태터데스크 메시지

저장하였습니다.

서브타입을 도출하는 방법은 크게 두 가지입니다.

 

두 개 이상의 유사한 엔터티에서 공통 속성을 분류하는 방법과, 복잡한 엔터티에서 유사한 속성끼리 분류하는 방법이 있습니다.

 

전자는 엔터티를 통합(Generalization)하는 행위이고, 후자는 엔터티를 상세화(Specialization) 또는 논리화(Logicalization)하는 행위입니다.

 

모든 엔터티가 서브타입이 존재하는 것은 아닙니다. 서브타입이 도출되는 엔터티는 소수인데요. 통합할 수 있고 상세화할 수 있는 엔터티에서는 서브타입을 반드시 도출해야 합니다. 물리 모델링 단계에서 다시 하나의 엔터티로 통합되더라도 과정 중에는 도출해야 합니다. 모델링은 과정을 의미하니까요.

 

[그림1] 모델에는 유사한 엔터티가 있습니다. 두 개 이상의 엔터티가 유사하다고 판단해서, 같은 성격의 속성을 찾으면 슈퍼타입을 도출하게 됩니다.


[그림1]

 

[그림2]가 서브타입을 도출한 모델입니다.



[그림2]

 

[그림1] 모델에서 개인고객·법인고객 엔터티가 유사한 엔터티이고 고객번호·고객명 속성이 유사한 속성이어서, 유사한 속성을 분리해 고객이라는 슈퍼타입을 생성했습니다. 그리고 개인고객·법인고객 엔터티에 고유한 속성은 남아서 서브타입이 됐습니다.

 

슈퍼타입 엔터티에는 서브타입을 구분할 수 있는 속성(고객구분코드)을 관리해야 합니다. 이를 서브타입 구분자(Subtype Discriminator)라고 하는데 슈퍼타입의 특정 인스턴스가 어떤 서브타입과 연관되는지를 구분하는, 슈퍼타입 엔터티의 고유 속성입니다.

 

위의 예제는 유사한 엔터티를 통합하는 과정에서 생기는 서브타입 예제입니다. 반면 아래 예제는 엔터티를 논리화(Logicalization)하는 과정에서 생기는 서브타입 예제입니다.

 

[그림3] 모델도 자주 보게 되는데요. [그림1] 보다는 바람직한 모델이지만 결과를 표현한 모델이 아니라면 바람직하지 않습니다.

 

서브타입을 도출할 수 있는 엔터티(복잡한 엔터티)인데 서브타입이 없어 고유 속성이 도출되지 않았고 관계가 상세하게 표현되지 않았습니다.


[그림3]

 

고객 엔터티에서 고객구분코드 속성이 눈에 띕니다. 이 속성으로 고객 구분이 개인 고객과 법인 고객이라는 것을 알게 되고요. 속성을 하나씩 분석(Logicalization)하면서 개인 고객에만 해당하는 속성, 법인 고객에만 해당하는 속성을 찾게 됩니다.

 

고객 엔터티와의 관계도 마찬가지입니다. 취미·주요제품 엔터티가 개인 고객에 해당하는 관계인지, 법인 고객에 해당하는 관계인지를 분석합니다.

 

이렇게 분석 과정을 거쳐 도출된 모델이 [그림2]입니다. 고객이 어떤 종류로 구성됐는지를 알 수 있고, 각 서브타입에 고유한 속성과 관계를 한눈에 알 수 있습니다.

 

속성과 관계가 복잡하게 얽혀 있는 엔터티는 위와 같은 상세화(Specialization) 과정을 거쳐 서브타입이 도출됩니다.

 

[그림2] 모델에서 다양한 면을 검토해서 결정한 최종 모델이 [그림3] 모델일 수 있습니다. 하지만 [그림2] 모델을 도출하지도 않고 그냥 [그림3] 모델로 남는 것은 모델링을 했다고 볼 수 없습니다. 이는 정규화를 하지 않고 그냥 비정규형 엔터티인 채로 남겨두고 모델링을 했다고 하는 것과 마찬가지입니다.

 

유사한 성격의 엔터티를 모아서 슈퍼타입을 생성하는 방법(Roll-Up Supertypes)이 일반화(Generalization)이며, 복잡한 엔터티를 분해해서 서브타입을 생성하는 방법(Break-Down Subtypes)이 상세화(Specialization)입니다.

서브타입은 위의 두 가지 방법에 의해 도출됩니다.


블로그 이미지

블루퍼필

댓글을 달아 주세요

이번 글에서는 통합을 고려할 수 있는 다양한 경우를 설명하겠습니다. 다양한 케이스를 소개하지만 결국은 데이터의 본질이 유사하다는 것으로 통하게 됩니다.

 

역할을 관리하는 엔터티는 [그림1]과 같이 통합 모델을 사용할 때가 많습니다.



[그림1]

 

사원은 특정 계좌에 대해 관리사원·유치사원·주문사원 등 여러 가지 역할을 할 수 있습니다. 여러 역할에 따른 엔터티가 개별로 존재하는 것이 아니라 계좌관계사원 엔터티와 같은 통합 엔터티로 존재하는 것이 바람직합니다.

 

[그림2]와 같이 대칭적인 업무를 관리하는 데이터도 통합을 고려할 수 있습니다.



[그림2]

 

이경우 업무 성격은 대칭적이지만 데이터 성격은 유사합니다. [그림2]는 식별자가 같지만 식별자가 다르더라도(매출전표번호와 매입전표번호) 통합할 수 있습니다.

 

매도와 매입, 입고와 출고 등도 대칭적인 업무에 해당하는 데이터입니다.

 

[그림3]은 계층 관계가 존재하는 엔터티입니다. 계층 관계도 통합을 고려해야할 주요 대상입니다.



[그림3]

 

엔터티 통합은 대부분 수평적인 관계의 엔터티가 통합돼 서브타입(Subtypes)이 발생하지만, 계층 관계의 엔터티 통합은 수직적 통합으로 순환(Recursive) 관계가 발생합니다.

 

[그림3]은 계층 때문에 다른 데이터간의 상하 관계처럼 보이지만 결국은 유사한 데이터입니다.

 

[그림4] 엔터티에는 공통 속성이 보이는데, 이때 공통 속성이 별도의 데이터 성격을 지닌다면 통합을 고려할만 합니다.



[그림4]

 

여러 계좌 엔터티에 통보 연락처를 관리하는 속성이 공통으로 존재합니다. 통보 주소·이메일·전화번호는 이전 글의 [그림5]와 유사하게 별도의 엔터티에서 통합할 수 있습니다.

 

아래의 [그림5]는 배타 관계가 발생한 모델인데요. [그림4]까지 모델은 순수하게 엔터티를 통합하는 개념이지만 [그림5]는 관계를 통합하는 개념이 포함돼 있습니다.



[그림5]

 

[그림5]의 거래내역 엔터티에 많은 관계가 배타 관계로 존재합니다. 배타 관계는 모델의 구조를 복잡하게 만들고, 자연히 복잡한 조인(Join)이 발생해 바람직하지 않은 관계입니다. 이에 대해서는 후에 자세하게 설명하겠습니다.

 

어쨌든 거래내역 엔터티에 배타 관계를 발생시킨 엔터티(주식종목·채권종목·선물옵션종목·수익증권종목)를 통합하면 거래내역 엔터티에는 배타 관계가 발생하지 않습니다.

 

그리고 통합해야 좋은 대표적인 엔터티는 집계 엔터티입니다. 집계 엔터티는 집계하려는 기준에 따라 디멘젼이 달라집니다. 디멘젼이 다르면 식별자가 달라지는데요. 디멘젼이 유사하거나 포함 관계가 있다면 통합하는 것이 좋습니다(물론 집계하려는 내용이 같아야죠).

 

[그림6] 모델은 디멘젼이 다르긴 하지만 유사하고, 집계하려는 내용은 매출 총액으로 같습니다.



[그림6]

 

[그림6]의 디멘젼에는 포함 관계가 있습니다. 즉 월이 모여서 분기가 됩니다. 따라서 월에 대한 총액만 있어도 분기는 합쳐서 구할 수 있습니다.

 

상품별월매출 엔터티에서 2030 1월부터 3월까지 매출 총액을 더하면 분기의 총액이 됩니다. 굳이 상품별분기매출 엔터티를 만들어 위에서 더한 값과 2030 1분기 매출 총액이 달라지는 것을 걱정할 필요가 없습니다(간혹 성능 때문에 중간 단계의 엔터티를 만드는데 반드시 필요한지 숙고해야 합니다).

 

(화면)가 달라서 데이터를 별도로 보관하는 것은 무결성 차원에서 바람직하지 않습니다. 정정 데이터에 대한 처리 문제와 성능 문제 등으로 데이터를 별도로 저장해서 관리해야 할 때가 있지만 여느 엔터티와 마찬가지로 유사한 집계 엔터티는 통합하는 것이 좋습니다

 

[그림7]은 집계하려는 내용까지 약간 다릅니다. [그림6]에서 조금 더 달라진 모델이죠.



[그림7]

 

월별 데이터는 매출 총액과 반품 총액을 관리하고 분기별 데이터는 매출 총액과 배송료 총액, 수수료 총액을 관리합니다.

 

비록 관리하는 속성이 약간 다르지만 데이터를 생성할 때 조금만 신경 쓰면 굳이 두 개의 엔터티를 관리하지 않아도 될 모델입니다.

 

[그림8]은 이전 모델보다는 디멘젼이 많이 다릅니다. 디멘젼 사이에 포함 관계도 없고요.



[그림8]

 

상품코드와 부서코드라는 전혀 다른 성격의 기준(Dimension)으로 집계를 했지만 집계하려는 내용은 같습니다. 이 경우도 엔터티 생성을 남발하는 것보다는 상품코드와 부서코드를 기준으로 매출액을 집계하면 하나의 엔터티에서 관리할 수 있습니다. 물론 이때는 기준이 달라져서 인스턴스가 더욱 많이 발생합니다.

 

인스턴스가 지나치게 증가하거나 집계 기준이 지나치게 복잡해질 때는 최종적으로 통합이 적합하지 않을 수도 있지만, 최소한 통합을 고려해보는 것은 의미가 있습니다.

 

이처럼 집계 엔터티는 집계하려는 내용(데이터 성격)과 집계하려는 기준(Dimension)을 고려하여 통합을 고민해 보는 것이 좋습니다. 사실 이걸 고민하는 것이 집계 데이터에 대한 요건을 만드는 것입니다.

 

생성이 다소 번거롭더라도 데이터 정합성에 문제가 발생하지 않아야 하는 것은 집계 엔터티에도 마찬가지로 적용하는 기본 원칙입니다.

 

마지막으로 엔터티 합체와 관련된 내용인데요. 엔터티 합체에도 데이터 통합 개념이 적용됩니다.

 

[그림9]와 같이 일대일 관계가 발생한 엔터티는 통합할 수 있습니다. 물론 이는 여러 번 언급했듯이 엄밀히는 엔터티 합체입니다.




[그림9]

 

첫 번째 모델은 성능을 고려해 덜 사용하는 속성을 분리한 것이고요(하지만 데이터 본질은 동일합니다). 두 번째 모델은 프로세스 흐름을 엔터티로 표현한 것입니다.

 

기본적으로 바람직하지 않지만 프로세스대로 엔터티를 분리하는 게 명확할 때도 있습니다. 이때 주의할 점은 결과(계약승인)를 여러 번에 걸쳐 입력할 수 있는지입니다. 즉 일대다 관계가 될 수 있는지 주의해야 합니다. 현재는 아니라도 미래에 그럴 수 있는지를요.

 

만약 일대다 관계일 수 있는데 합쳐 놓으면 일대다 관계로의 검토 자체가 불가능해집니다. 분리하려 해도 쉽지 않고요. 일대다 관계가 될 가능성이 있다면 반드시 [그림9]와 같이 엔터티를 분리해야 합니다.

 

비정규화를 하면서 엔터티가 통합될 수도 있습니다. [그림10]과 같은 정규형 모델에 성능 문제가 발생하면 엔터티를 합칠 수 있습니다. 즉 이 경우도 엔터티 합체에 가깝습니다.


 

[그림10]

 

주문의 기본 데이터를 관리하는 주문 엔터티와 주문 상품을 관리하는 주문내역 엔터티는 마스터(Master), 상세(Detail) 관계이면서 일대다(1:M) 관계의 모델인데요.

 

만약 주문한 상품을 빠르게 조회해야 하는 최우선의 요건이 있다면 주문내역 엔터티를 기준으로 마스터 성격의 데이터인 주문 엔터티를 합체하는 것이 유리합니다. 즉 주문내역 엔터티의 속성은 그대로 두고 주문 엔터티의 속성을 포함해 중복 관리합니다.

 

2정규형이나 3정규형 등의 모델도 하나의 엔터티로 합체할 수 있습니다.

 

이상으로 여러 가지 통합 대상 엔터티를 설명했는데요. 통합하거나 통합하지 않았다는 결과보다는 과정이 중요합니다. 과정은 깊게 고민해야 합니다.

 

통합하는 기준을 다시 간략하게 정리하면요. 아래 기준 중에 하나라도 만족되면 일단 통합을 고려하는 것이 좋습니다. 일반화의 정도에 따라 다르겠지만 아마 웬만하면 첫 번째 기준에 해당될 것입니다.

 

● 데이터의 본질(성격)이 유사하다

● 식별자가 동일하면서 유사한 속성이 존재한다

● 식별자는 다르지만 기초 속성이 유사하다

 

통합할 때는 아래와 같은 문제도 고민해야 합니다.

 

● 통합해도 성능 문제를 일으키지 않는다

● 현행 데이터를 마이그레이션하는 데 문제가 없다

 

통합 시 주의할 점에 대한 글도 참고하세요.

 

통합이 대세인가? 통합 시 주의할 점

 

이상으로 통합을 고려할 엔터티에 대해 설명했습니다. 통합(Generalization)은 정규화(Normalization)와 함께 중요한 부분입니다. 많이 고민하여 기준을 세우는 것이 좋습니다.






블로그 이미지

블루퍼필

댓글을 달아 주세요

지난 번에 설명한 데이터 성격이 유사하다는 것이 데이터 통합을 고려할 가장 중요한 요소입니다.

 

- 데이터의 성격(본질)이 유사할 때, 즉 집합의 정의가 유사할 때

 

[그림1]고객이 요청한 알림 서비스를 관리하는 엔터티입니다.



[그림1]

 

고객알림서비스 엔터티는 고객별 알림 서비스를 관리하는 엔터티이고, 계좌알림서비스 엔터티는 계좌별 알림 서비스를 관리하는 엔터티입니다. 어떤 종류의 알림 서비스를 원하는지와 어떻게 알림 서비스를 받는지, 서비스 신청 일자와 알림을 몇 번 반복하는지 등의 데이터 성격은 두 엔터티가 동일합니다.

 

단지 고객을 지정해 서비스를 하는지, 계좌를 지정해 서비스를 하는지가 달라 주 식별자가 달라졌습니다. 그래서 엔터티가 통합되지 못한 예제인데 통합 대상입니다(주 식별자가 다른 여러 엔터티를 통합하는 방법은 별도로 설명하겠습니다).

 
사실 데이터의 본질이 유사한지 따지는 것 자체가 어려운 일입니다. 지금 몇 장에 걸쳐 설명하고있는 내용이기도 하고요.

 

엔터티에서 관리하는 데이터의 본질은 속성으로 나타납니다. 따라서 속성이 유사하면 본질이 유사할 가능성이 높습니다. 더욱이 기초 속성1)이 유사하면 통합을 고려할 수 있습니다.

 

[그림2]는 속성이 유사한 예제이고요. 이전 글의 계좌 엔터티나 고객 엔터티와 마찬가지로 대표적인 통합 대상 엔터티입니다.



[그림2]

 

[그림3]은 속성은 다소 다르지만 기초 속성이 유사한 통합 대상 엔터티입니다.


[그림3]

 

모두 결국 데이터의 본질이 유사하다고 볼 수 있습니다.

 

[그림4]는 이제까지의 예제와 달리 데이터 본질 측면에서는 유사성이 가장 떨어집니다.


[그림4]

 

하지만 역시 몇몇 기초 속성이 유사해 통합 대상인데요. 데이터 성격이 다소 달라서, 고객이 약정한 서비스를 함께 보여주지 않는다면 통합을 숙고해야 합니다. 즉 데이터를 같이 본다는 측면이 통합을 하는 명분이 됩니다.

 

사실 성격이 완전히 다른 데이터를 같이 볼 이유는 없죠. 비슷하니까 같이 보게 됩니다. 데이터를 같은 방법으로 사용한다면 유사한 데이터일 가능성이 높습니다.

 

일반적으로 [그림4]와 같은 엔터티를 부가서비스라는 상위 개념으로 일반화하는 건 좋은 생각입니다. 한번 더 일반화를 한다면 서비스라는 개념이 되겠고요.

 

아래 [그림5]도 일반화를 한 예제입니다.



[그림5]

 

고객의 집주소·회사주소 등은 매우 유사해서 고객우편주소 엔터티로의 일반화가 자연스럽고요. 고객의 개인이메일·회사이메일·홈페이지·메신저 등도 유사한 편이라 고객전자주소 엔터티로 일반화가 됩니다. 집전화·회사전화·휴대전화·팩스도 마찬가지로 고객전화번호 엔터티로 일반화됩니다.

 

이를 한 번 더 일반화한 게 고객연락처 엔터티입니다.

 

엄격히 보면 집 주소와 이메일 주소는 유사한 데이터가 아닙니다. 전화번호는 더욱 그렇고요. 하지만 고객한테 연락할 곳이라는 개념에서는 유사성이 있습니다.

 

[그림4]와 마찬가지로 여러 연락처를 함께 볼(사용) 가능성도 높습니다.

 

데이터를 일반화(Generalization)하면 엔터티가 통합됩니다.

일반화 강도에 대한 고민은 항상 하지만 기본적으로 일반화하는 것을 검토합니다.

 

이번에는 주로 데이터 성격이 유사한 경우를 설명드렸습니다.

통합을 고려해야 할 다양한 경우를 이어서 설명하겠습니다.

 

 

1) 기초 속성(Basic Attributes): 엔터티의 본질을 설명하는 속성으로 업무 식별자와 후보 식별자, 엔터티의 성격을 대표할 수 있는 핵심 속성, 업무를 정의하는 코드 속성 등이 기초 속성에 포함된다.


블로그 이미지

블루퍼필

댓글을 달아 주세요

데이터 통합과 관련된 용어로 일반화(Generalization)와 상세화(Specialization)가 있습니다.

이에 대해 간략하게 언급하겠습니다.

 

많은 분야에서 사용하는 용어일텐데, 이번 글에서는 데이터 모델링에서 사용하는 의미로 한정하겠습니다.

일반적인 용어를 공개적으로 설명하는 것은 용기가 필요하니 약간의 장치가 있어야죠. ㅎㅎ

 

모델링에서 일반화한다는 것은 데이터 통합을 의미합니다.

유사한 것을 묶는 것을 일반화라고 합니다.

원래 유사한 것을 묶을 수도 있고, 인위적으로 유사하게 만들어 묶을 수도 있습니다.

 

정의를 어떻게 하냐에 따라 유사한 것일 수도 있고, 유사하게 만든 것일 수도 있습니다(이 부분이 데이터 통합도 어렵게 하고 이에 대한 설명도 어렵게 하죠).

 

사전에서 찾은 '일반화하다'의 뜻은 아래와 같습니다.

 

"개별적인 것이나 특수한 것이 일반적인 것으로 되다. 또는 그렇게 만들다"

 

뜻 자체로만 보면 묶는다는 개념이 없는 거 같은데요.

그냥 만드는 것으로 끝난다면 의미가 없을 거 같습니다(모델링에서요).

 

예를 들어, 미국에서 태어나 서울에서 일시적으로 살고 있는 외국인을 고객으로 볼 것인지에 대해서요.

외국인 고객을 넓게 보면 고객으로 볼 수 있습니다. 이게 일반화이고요.

 

이미 고객이라는 데이터가 있을테니 외국인 고객은 고객에 흡수됩니다. 통합되죠.

외국인 고객을 고객이라고 일반화하고 고객 데이터에 속하지 않게 할 수는 없습니다.

고객 데이터에 속하지 않게 하려면 고객이라고 일반화하지 않아야죠.

 

이해 되시나요? 가끔 예가 더 어려울 때가 있습니다. ㅎㅎ

데이터를 일반화하면 자연스럽게 통합이 된다는 것입니다. 자연히 묶게 됩니다.

 

일반화는 상세한 것에서 출발해 일반적(포괄적)인 것을 도출합니다.

상향식(Bottom-Up) 방법과 유사합니다.

 

주민번호 있는 개인, 사업자번호 있는 사업자나 법인, 외국인번호 있는 외국인, 우리회사의 사원이나 관계사 등은 자연인(自然人)과 법인(法人)으로 일반화할 수 있습니다.

자연인과 법인은 고객으로 한번 더 일반화할(묶을) 수 있습니다.

 

일반화의 상대 개념은 상세화(Specialization)입니다. 특수화라고도 하고요.

저는 차별화가 더 와 닿는데, 혼란을 일으킬 거 같아 제 책에서도 무난하게 상세화라고 했습니다.

 

상세화는 하향식(Top-Down) 방법으로써 차이를 도출하는 것이 주요 행위입니다.

 

고객이라는 일반적인 개념에서 자연인 고객, 법인 고객 등으로 더 구체적으로 따져서 다른 점을 강조합니다.

뭉뚱그린 개념에서 구체적인 개념으로 만드는 것이죠.

 

엔터티를 일반화하거나 상세화하면 슈퍼타입(Supertype)과 서브타입(Subtype)이 생깁니다.

결과적으로 슈퍼타입과 서브타입이 없을 수는 있지만, 모델링 중에는 반드시 도출해야 합니다.

 

데이터 통합과 일반화, 서브타입은 유사한 개념입니다.

 

일반화와 상세화 모두 결국은 차이점을 보기 위한 것입니다.

묶었지만 차이도 볼 수 있는 게 데이터 통합입니다.


블로그 이미지

블루퍼필

댓글을 달아 주세요

데이터 통합은 모델링에서 가장 어려운 주제 중의 하나입니다.

또한 모델러 개개인의 능력 차이가 발생하는 부분입니다.

 

보통 통합하려는 데이터는 핵심적으로 사용되는 데이터일 가능성이 큽니다.

통합에 대한 이슈가 발생할 수 있는 데이터는 더욱 핵심 데이터이고요.

핵심적이지 않은 데이터는 무관심해서 통합과 관련된 이슈가 발생하지 않습니다.

 

정규화는 이론에 대한 이견은 거의 없고(조금 있고), 다만 적용 여부에 대한 논란(어느 정규형까지 적용해야 하는지에 대한 논란)이 많습니다데이터 통합은 모델러마다 이견이 생길 수 있습니다.


통합해야 좋다
, 통합하면 안 좋다는 이견은 언제나 있습니다.

물론 전문가 간에는 의견이 거의 일치한다고 봅니다.

어쨌든 모델러 간에 의견 일치가 어려운 부분이 데이터 통합입니다.

 

데이터를 어떻게 통합했느냐에 따라 모델은 상당히 달라지는데요.

상대적으로 데이터 통합은 이론적인 명확한 규칙에 의해서보다는 직관에 의해 통합하는 경우가 많습니다.

직관에 의해 통합된 모델의 미묘한 차이가 모델러의 커다란 차이를 나타내기도 합니다.

 

데이터 통합은 정규화와 밀접하게 연관돼 있습니다(이에 대해서는 별도로 설명하겠습니다).

따라서 데이터 통합은 정규화를 기반으로 이루어져야 합니다.

정규화가 기반이 되지 않은 통합은 의미가 없고요.

 

또 한가지는, 최근에 데이터 통합이 강조되다 보니 통합을 위한 통합을 하는 경향이 있습니다. 이는 지양해야 합니다.

 

데이터 통합은 모델링에서 중요한 부분입니다. 어느 프로젝트나 데이터 통합을 강조합니다.

하지만 데이터 통합이 자주 언급되는 것만큼 쉬운 일은 아닙니다.

 

데이터를 제대로 통합하기 위해서는 엔터티를 제대로 정의할 수 있어야 하고요(이 단계를 잘못하면 이후는 의미가 없습니다).

어느 선까지 일반화(Generalization)할지를 결정해야 합니다.

그리고 성능과 연관되므로 성능 측면을 검토해야 합니다.

 

유사한 종류의 데이터가 통합되지 못하고 여기 저기에 존재한다는 것은 어플리케이션의 중복 문제와도 무관하지 않습니다.
당연히 데이터 오너십, 모델 오너십과도 연관되고요.

최근에는 MDM(Master Data Management)과도 연관됩니다.

어느 조직이나 데이터 통합은 해결해야 하는 어려운 주제입니다
.

 

이 서브타입(Subtype) 카테고리에서는 데이터 통합과 그 결과를 표현하는 방법인 슈퍼타입/서브타입에 대한 설명을 하겠습니다.


블로그 이미지

블루퍼필

댓글을 달아 주세요