Lakeflow Connect 생산성 커넥터, 맞춤형 파이프라인의 한계를 넘다
Databricks는 Lakeflow Connect 생산성 커넥터가 업무 지식과 AI 활동을 한데 모아, 별도의 맞춤형 통합이 필요하다는 전제에 도전한다고 설명했다. 10월 26일 게시물은 문서, 프로젝트 추적 도구, 이메일, AI 서비스를 아우르는 접근 방식을 소개한다. 핵심 주장은 간단하다. 엔터프라이즈 AI는 또 하나의 고립된 애플리케이션 연결 모음이 아니라 공유 데이터 기반을 활용해야 한다는 것이다.
이는 시스템 간 정보를 복사하고 준비하는 소프트웨어 프로세스인 맞춤형 파이프라인을 유지하는 팀에 부담을 준다. Databricks는 그 작업의 더 많은 부분을 맡겠다고 제안한다. 다만 구매자는 여전히 어떤 정보가 함께 있어야 하는지, 누가 이를 조회할 수 있는지, 그리고 어시스턴트가 정확히 답하는지를 결정해야 한다.
따라서 이 이야기는 통합 책임이 어디로 이동하는지에 관한 것이다. Microsoft 역시 외부 정보를 Copilot에 연결하므로, 구매자에게는 또 다른 아키텍처적 기준점이 된다. Databricks는 정보를 자사 데이터 플랫폼으로 가져와 동일한 자료가 분석과 AI 애플리케이션을 모두 지원할 수 있도록 하는 데 초점을 둔다. 실질적인 질문은 이 공유 기반이 조직 전반의 중복 작업을 줄이는지 여부다.
Lakeflow Connect 생산성 커넥터는 분산된 업무 지식을 겨냥한다
Databricks는 자사의 생산성 데이터 커넥터를 업무 애플리케이션에서 거버넌스가 적용된 엔터프라이즈 데이터로 이어지는 경로로 설명한다. 적용 범위에는 Jira, Confluence, SharePoint, Google Drive, Outlook, Gmail, GitHub, OpenAI, Anthropic이 포함된다. 이 게시물은 엔지니어링 분석과 내부 지식 어시스턴트에 관한 고객 사례도 제시한다.
중요한 변화는 Databricks가 데이터 팀이 함께 관리하기를 원하는 정보의 범위다. 프로젝트 기록, 서면 설명, AI 활동은 서로 연관된 비즈니스 질문에 답하는 경우가 많다. 이를 별도의 통합 프로젝트로 취급하면 이러한 관계를 일관되게 검토하기가 더 어려워진다.
가상의 제품 출시 검토를 생각해 보자. 티켓은 제공 현황을 설명하고, 문서는 의사결정을 설명하며, 메시지는 프로젝트 추적 도구에 기록되지 않은 예외를 담는다. 출시를 유용하게 설명하려면 이 자료들 사이의 연결이 필요하다. 각 소스를 서로 다른 보고 또는 검색 시스템으로 복사하면 또 다른 조정 문제가 생긴다.
어시스턴트가 기술적 의사결정을 설명해야 할 때도 같은 문제가 나타난다. 티켓에는 문제가 종료되었다고 표시될 수 있지만, 문서는 우회 방법을 설명한다. 저장소 콘텐츠는 해당 우회 방법이 나중에 변경되었음을 보여줄 수 있다. 관련 구절을 찾는 일은 신뢰할 수 있는 답변을 만드는 과정의 일부일 뿐이다.
Lakeflow Connect 생산성 커넥터는 상류 단계의 수집 문제를 다룬다. 전략적 가치는 조직이 생성된 정보를 여러 애플리케이션에서 재사용하는지에 달려 있다. 분석 팀과 어시스턴트 개발자가 그렇지 않으면 중복된 사본을 유지해야 할 때 공유 기반은 더 매력적이 된다.
이 구분은 발표를 적절한 관점에서 보게 한다. 10월 게시물은 고객 사례를 포함한 제품 설명이며, 언급된 모든 커넥터가 그날 출시되었다는 증거는 아니다. 독자는 게시 날짜와 각 커넥터의 출시 이력 및 지원되는 배포 조건을 구분해야 한다.
커넥터 목록만으로는 개별 비즈니스 기록의 완전성도 거의 알 수 없다. 애플리케이션에는 첨부 파일, 댓글, 권한, 삭제된 항목, 맞춤형 필드가 포함될 수 있다. 구매자는 연결을 완전하다고 보기 전에 의도한 사용 사례에 이러한 요소 중 무엇이 필요한지 확인해야 한다.
이 글의 고객 근거는 이러한 질문을 해결하지는 않지만 유용한 방향을 제시한다. Databricks는 VaxCare가 내부 챗봇에 Confluence 콘텐츠를 사용하고, Toyota Finance Australia가 Jira 수집을 사용한다고 언급한다. 이는 회사가 공개한 사례이며 독립적인 비교 평가가 아니다.
이 사례들이 중요한 이유는 설명하는 업무량에 있다. 사례들은 추측성 자율 워크플로가 아니라 기존 비즈니스 정보와 수집을 연결한다. 따라서 제안을 평가하기가 더 쉽다. 통합 유지보수 감소 뒤에, 정의된 애플리케이션에서 측정 가능한 개선이 이어지는지 확인하면 된다.
구매자의 결정은 여기서 시작된다. 애플리케이션에 실제로 필요한 정보를 파악한 뒤, 관리형 수집이 의미 있는 유지보수를 없애는지 평가해야 한다. 광범위한 소스 지원은 이전에 유용한 작업을 지연시켰던 특정 의존성을 해결할 때 가장 중요하다.
데이터 팀은 맞춤형 수집의 필요성을 입증해야 한다는 압박을 받는다
즉각적인 압박은 핵심 데이터 책임과 함께 애플리케이션 통합을 유지하는 엔지니어링 팀에 가해진다. 관리형 옵션이 필요한 소스와 동작을 지원한다면, 맞춤형 코드는 유지할 명확한 이유가 필요하다. 그 이유는 누락된 정보, 특수한 제어 요건 또는 전문적인 변환일 수 있다.
Databricks 관리형 수집은 지속적인 책임을 더 가시화함으로써 자체 구축과 구매의 논의를 바꾼다. 비교에는 소스 변경 대응, 누락 기록 조사, 중단된 실행의 복구가 포함되어야 한다. 초기 구현 노력은 의사결정의 일부만 포착한다.
Databricks의 커넥터 아키텍처는 데이터 접근을 제어하고 구성하는 시스템인 Unity Catalog로 관리되는 파이프라인을 설명한다. 문서에는 예약 실행과 증분 수집도 설명되어 있는데, 이는 모든 데이터를 반복 복사하는 대신 변경된 정보만 읽는다.
이러한 기능은 특정 유형의 반복 작업을 줄인다. 하지만 신뢰할 수 있는 데이터세트를 정의해야 하는 조직의 책임까지 없애지는 않는다. 누군가는 무엇을 완전한 것으로 볼지, 장애가 어떻게 드러날지, 어떤 다운스트림 애플리케이션이 성공적인 새로고침에 의존하는지를 정해야 한다.
이 구분은 책임 소재 측면에서 중요하다. 어시스턴트가 오래된 답변을 제공할 때 사용자는 수집, 처리, 검색 중 무엇이 문제였는지에 거의 관심을 두지 않는다. 관리형 서비스는 시스템 일부를 누가 고치는지를 바꾼다. 답변의 출처를 추적해야 할 필요성을 없애지는 않는다.
맞춤형 파이프라인도 공정하게 비교해야 한다. 기존 코드는 대체 커넥터가 자동으로 재현하지 못하는 비즈니스 규칙을 담고 있을 수 있다. 연결 계층에서는 더 단순해 보이는 마이그레이션도 이런 규칙을 놓치면 다른 곳에서 추가 작업을 만들 수 있다.
따라서 합리적인 평가는 현재 업무량이 지닌 의무에서 시작한다. 팀은 기록 범위, 복구 동작, 접근 요건, 다운스트림 준비 상태를 포함해 동등한 결과를 비교해야 한다. 기본 연결 시연을 성숙한 내부 파이프라인과 비교하면 이점을 과장하게 된다.
압박은 엔지니어링을 넘어선다. 비즈니스 소유자는 새 어시스턴트마다 또 다른 통합 프로젝트가 필요한 이유를 더 강하게 물을 근거를 얻는다. 여러 애플리케이션이 같은 문서를 소비한다면 반복적인 수집 작업은 정당화하기가 더 어려워진다.
보안 팀도 관련된 변화를 맞는다. 공유 수집 서비스는 수집 결정을 검토할 더 명확한 지점을 제공할 수 있다. 그러나 더 광범위한 재사용은 자료가 도착한 뒤 어떤 부서가 어떤 자료를 볼 수 있어야 하는지에 관한 질문도 늘린다.
지식 근로자에게는 개인 정보와 조직 정보의 구분이 여전히 중요하다. 개인 지식 기반은 중앙에서 관리되는 엔터프라이즈 데이터세트와 다른 소유권 모델을 따른다. 더 많은 정보를 연결한다고 해서 이러한 경계가 서로 대체 가능한 것은 아니다.
따라서 Databricks 관리형 수집의 가장 강력한 근거는 기술적 측면뿐 아니라 조직적 측면에도 있다. 이는 팀이 반복적인 인프라 작업을 줄이면서 책임을 명확히 할 기회를 제공한다. 구매자는 이러한 명확화가 아키텍처 다이어그램뿐 아니라 운영 절차에도 반영되기를 기대해야 한다.
공유 대상이 공유된 의미를 만드는 것은 아니다
주요 기술적 긴장은 정보가 목적지에 도달한 뒤 시작된다. 문서 파일, 티켓 기록, 이메일 메시지는 서로 다른 유형의 증거를 나타낸다. 이를 공통 거버넌스 아래에 둔다고 해서 분석이나 검색에 똑같이 준비되는 것은 아니다.
관리형 수집은 전송 부담을 없애지만, 유용한 답변에는 여전히 의도적인 준비가 필요하다. 이러한 준비는 애플리케이션이 올바른 정보를 보고, 맥락을 이해하며, 현재 지침과 과거 논의를 구분할 수 있는지를 결정한다.
Databricks의 SharePoint 커넥터 참조는 관련 선택 사항을 보여준다. 파일 콘텐츠, 메타데이터 전용 수집, 구조화된 목록 데이터를 지원한다. 또한 바이너리 파일과 구조화된 형식에 대한 서로 다른 저장 동작도 문서화한다.
기록에 첨부된 설명 정보인 메타데이터는 기본 문서 텍스트 없이도 유용할 수 있다. 재고 애플리케이션에는 이름과 수정 세부 정보가 필요할 수 있다. 문서 콘텐츠에 관한 질문에 답하는 지식 어시스턴트에는 다른 수집 및 처리 경로가 필요하다.
이 때문에 구성은 사소한 구현 세부 사항이 아니라 비즈니스 의사결정이 된다. 모든 것을 수집하면 관리해야 할 자료가 늘어난다. 너무 적게 수집하면 프로젝트를 정당화한 질문에 애플리케이션이 답하지 못할 수 있다.
문서의 경우 파싱은 파일 콘텐츠를 소프트웨어가 검사할 수 있는 표현으로 변환한다. Databricks의 문서 파싱 함수는 텍스트와 표를 포함한 콘텐츠 및 레이아웃 요소를 추출한다. 문서에서는 추출 과정에서 오류가 발생하거나 콘텐츠가 누락될 수 있다고 경고한다.
이 경고는 성공적인 수집 실행과 불완전한 답변이 공존할 수 있기 때문에 중요하다. 소스 파일은 올바르게 도착했지만 관련 구절을 검색하기 어려워질 수 있다. 운영 성공과 답변 품질에는 별도의 근거가 필요하다.
가령 제품 자격에 관한 질문에 답하는 가상의 지원 어시스턴트를 생각해 보자. 정책 문서에는 일반 규칙, 예외 표, 효력 발생일이 담길 수 있다. 예외 없이 일반 규칙만 검색하면 그럴듯해 보이지만 오해를 부르는 답변이 만들어진다.
준비 과정은 이러한 관계를 보존해야 한다. 팀은 문서가 어떻게 검색 가능한 구절이 되는지, 각 구절이 어떻게 소스 맥락을 유지하는지 결정해야 한다. 또한 서로 경쟁하는 버전, 반복된 사본, 더 이상 적용되지 않는 자료에 관한 규칙도 필요하다.
Lakeflow Connect AI 데이터는 또 다른 의미 문제를 제기한다. 사용 기록은 도입 현황에 관한 질문을 지원할 수 있지만, 대화 콘텐츠는 목적과 가시성에 관한 다른 질문을 제기한다. AI 도구와 관련된다는 이유만으로 이 데이터세트를 서로 대체 가능한 것으로 취급해서는 안 된다.
Databricks는 OpenAI 커넥터에 사용량 및 관리 정보가 포함되고, Anthropic 커넥터에는 조직 정보와 Claude 대화 콘텐츠가 포함된다고 말한다. 이 설명이 공급자 간 동등한 필드나 분석 범위를 입증하는 것은 아니다. 공급자 간 결론을 내리려면 실제로 제공되는 기록을 확인해야 한다.
활동 기록은 상호작용이 발생했음을 보여줄 뿐, 업무가 개선되었음을 자동으로 입증하지는 않는다. 신뢰할 수 있는 비즈니스 분석에는 성과에 대한 정의와, 그 성과와 관찰된 활동 간의 타당한 연결이 필요하다.
공유 대상은 이러한 관계를 일관되게 구축할 장소를 만든다는 점에서 유용하다. 그 가치는 조직이 그곳에 수립하는 모델과 통제 체계에서 나온다. 커넥터 자체는 비즈니스 이벤트의 의미를 결정할 수 없다.
Microsoft는 연결된 지식을 위한 다른 중심을 제시한다
Microsoft는 커넥터 전략 역시 애플리케이션 전반에 흩어진 정보를 다룬다는 점에서 유용한 비교 대상이다. 이 접근 방식은 구매자에게 연결된 지식을 어디에서 이용할 수 있게 할지에 대한 또 다른 답을 제공한다. 이 비교는 커넥터 수를 겨루는 경쟁이 아니라 아키텍처와 워크플로에 관한 것이다.
Microsoft의 Copilot connector overview는 외부 콘텐츠를 인덱싱하는 동기화 커넥터와, 쿼리 시점에 원본에서 정보를 가져오는 페더레이션 커넥터를 구분한다. 두 방식 모두 Microsoft 경험 내에서 외부 정보에 접근할 수 있도록 지원한다.
아키텍처상의 선택은 조직이 정보를 어디에서 조합하고 활용하고자 하는지에 달려 있다. Databricks는 분석과 AI 개발을 위한 공유 데이터 기반을 강조한다. Microsoft는 Copilot 및 검색 경험 내의 연결된 정보를 강조한다.
이 차이는 주요 워크로드를 선택하는 조직에 중요하다. 운영 기록과 문서 전반에 걸쳐 분석을 구축하는 팀은 직장 정보를 검색하는 직원과 요구 사항이 다르다. 원본 애플리케이션은 겹칠 수 있지만 의도된 결과물은 여전히 다르다.
이미 Databricks에서 데이터 제품을 개발하고 있는 조직이라면 관리형 수집을 통해 추가적인 통합 경계를 줄일 수 있다. 기존의 전문성과 운영 관행은 관련 있는 장점이 된다. 그렇다고 모든 어시스턴트나 모든 부서에 적합하다는 뜻은 아니다.
Microsoft 워크플로 내에서 정보를 찾는 데 초점을 맞춘 조직에는 Copilot connectors가 평가할 또 다른 경로를 제공한다. 실질적인 비교는 필요한 경험, 이용 가능한 정보, 접근 방식의 작동 방식을 검토해야 한다. 익숙한 브랜드만으로는 어느 쪽이든 충분한 근거가 되지 않는다.
쿼리 시점에 원본에서 직접 정보를 검색하는 페더레이션 액세스는 더 광범위한 아키텍처상 트레이드오프도 드러낸다. 별도로 갱신되는 사본에 대한 의존도를 낮출 수 있다. 대신 사용자가 질문할 때 원본과의 상호작용이 더 중요해진다.
중앙 수집은 다른 트레이드오프를 만든다. 팀이 애플리케이션용으로 준비하고 결합할 수 있는 관리형 사본을 생성한다. 이 접근 방식에는 갱신 시점, 보존된 정보, 수집 후 변경 사항 처리에 관한 책임이 따른다.
어느 모델도 모든 워크로드를 자동으로 해결하지는 않는다. 실시간 조회와 과거 분석은 인프라에 서로 다른 질문을 던진다. 구매자는 이들이 동일한 동작을 약속하는 것처럼 평가해서는 안 된다.
조직은 서로 다른 애플리케이션에 서로 다른 접근 방식을 사용할 타당한 이유를 마주할 수도 있다. 문서 검색 경험과 부서 간 분석 제품이 모든 구현 선택을 공유할 필요는 없다. 중요한 문제는 중복이 의도적이고 관리되는 상태로 남아 있는지다.
이 비교는 이야기를 맞춤형 통합 작업으로 다시 돌려놓는다. 내부에서 유지 관리하는 파이프라인은 이제 여러 관리형 접근 방식의 압박을 받고 있다. 엔지니어링 팀은 맞춤형 구현이 원본 접근 외에 어떤 가치를 제공하는지 파악해야 한다.
구매자에게 유용한 벤치마크는 대표적인 비즈니스 질문이다. 근거가 어디에서 오는지, 어떻게 답변에 도달하는지, 각 단계를 누가 유지 관리하는지 평가해야 한다. 이는 직장 정보가 연결되었다는 포괄적인 주장보다 더 많은 것을 드러낸다.
거버넌스는 모든 사본과 변환 과정에서 유지되어야 한다
가장 중대한 불확실성은 수집 이후의 접근 권한과 관련된다. 원본 애플리케이션은 대개 서로 다른 팀, ID 및 공유 관행을 반영한다. 공통 대상에는 정보가 다운스트림 애플리케이션으로 이동할 때 의도된 경계를 보존하는 신중한 방식이 필요하다.
거버넌스가 적용된 저장소와 권한을 인식하는 답변은 함께 작동해야 하는 별개의 요구 사항이다. 데이터세트에 접근 제어가 있어도 애플리케이션이 정보를 지나치게 광범위하게 노출할 수 있다. 평가는 원본 자료에서 사용자 응답에 이르는 전체 경로를 따라가야 한다.
Microsoft의 connector access permissions에 관한 지침은 일반적인 위험을 구체화한다. 모든 사람에게 접근 권한을 부여하면 민감한 콘텐츠를 과도하게 공유할 수 있다고 경고한다. 이는 Microsoft 구성에 대한 지침일 뿐, Databricks 취약성의 증거는 아니다.
더 넓은 교훈은 모든 중앙화된 지식 프로젝트에 적용된다. 구매자는 거버넌스 기능의 존재만으로 안전성을 추정하기보다 모든 단계에서 의도된 대상자를 확인해야 한다. 제품 문서는 이용 가능한 통제를 보여주며, 배포 증거는 조직이 이를 어떻게 사용하는지 보여준다.
권한 변경에는 특히 주의가 필요하다. 원본 문서에 대한 접근 권한을 잃은 사용자가 파생 애플리케이션을 통해 계속 해당 내용을 받아서는 안 된다. 이 요구 사항을 평가하려면 복사된 기록, 준비된 발췌문 및 그 밖에 보존된 표현을 검토해야 한다.
삭제는 관련된 질문을 제기한다. 원본에서 문서를 제거했다고 해서 모든 다운스트림 파생물에서 어떤 일이 일어나는지가 저절로 설명되지는 않는다. 팀에는 명시적인 수명 주기 정책과 구현된 동작이 이를 따르는지 검증할 방법이 필요하다.
최신성에도 사용자가 이해하는 정의가 필요하다. 파이프라인은 설정된 일정을 충족하면서도 최신 정보에 대한 비즈니스 요구 사항을 충족하지 못할 수 있다. 관련 지표는 의미 있는 원본 변경이 최종 답변에 반영되기까지 걸리는 시간이다.
이 간격에는 수집만 포함되지 않는다. 처리와 검색 준비도 추가 지연을 초래할 수 있다. 최근 수집 실행을 보여주는 대시보드는 모든 종속 애플리케이션이 동일한 상태를 반영한다는 사실을 입증하지 않는다.
따라서 회의적인 관점은 구체적이다. 관리형 수집은 커넥터 유지 관리 부담을 줄일 수 있지만, 상당한 애플리케이션 책임은 구매자에게 남긴다. 이는 이점의 범위를 제한할 뿐, 그 이점 자체를 부정하지는 않는다.
Lakeflow Connect productivity connectors는 조직이 운영하려는 전체 워크로드에 맞춰 평가해야 한다. 좁은 범위의 문서 어시스턴트는 준비 작업이 크지 않을 수 있다. 민감한 서신을 포함하는 부서 간 어시스턴트는 ID, 범위 및 보존 정보에 대한 더 심층적인 검토를 요구한다.
Lakeflow Connect AI data에도 그에 못지않게 신중한 목적 통제가 필요하다. 관리 기록을 함께 가져오면 정당한 분석을 지원할 수 있다. 대화 콘텐츠를 더 넓은 환경으로 가져오려면 누가 이를 필요로 하는지, 왜 해당 애플리케이션에 포함되어야 하는지 명확히 해야 한다.
초기 배포에서는 이용 가능한 모든 원본을 수집하는 것보다 범위가 제한된 코퍼스가 더 명확한 평가를 제공한다. 팀은 실패를 점검하고, 접근 변경을 검증하며, 알려진 근거와 답변을 비교할 수 있다. 이후 확장은 다른 커넥터의 이용 가능성이 아니라 입증된 동작에 따라 이루어진다.
커넥터 범위, 답변 최신성 및 운영 노력을 지켜봐야 한다
다음 평가 기간은 관리형 수집을 유용한 애플리케이션과 연결하는 증거에 초점을 맞춰야 한다. 커넥터 발표는 중요하지만 단지 상류 신호일 뿐이다. 구매자는 서비스가 필요한 기록을 지원하고 그 주변 작업을 줄이는지 확인해야 한다.
가장 유용한 증거는 연결 자체가 아니라 완전한 애플리케이션을 측정할 것이다. 향후 몇 달간은 포괄적인 도입 주장보다 커넥터 문서, 프로덕션 평가 및 운영 사례에 더 주목할 필요가 있다. 이러한 신호는 Databricks의 주장을 강화하거나 범위를 좁힐 수 있다.
첫째, 커넥터별 적용 범위와 릴리스 성숙도를 지켜봐야 한다. Databricks 문서는 커넥터마다 릴리스 상태가 다르며 증분 지원도 원본이나 테이블에 따라 달라진다고 밝힌다. 구매자는 자체 워크로드에 필요한 엔터티와 동작을 더 명확히 지원하는지 살펴봐야 한다.
적절한 영역에서의 확장은 맞춤형 파이프라인을 대체해야 한다는 주장을 강화할 수 있다. 필수 기록이나 업데이트 동작의 공백은 내부 통합 작업이 필요한 이유를 유지시킨다. 관련 질문은 카탈로그가 커지는지가 아니라 적용 범위가 애플리케이션과 맞는지다.
둘째, 답변 최신성과 접근 동작에 관한 증거를 지켜봐야 한다. 유용한 평가는 변경된 문서가 수집, 준비, 최종 응답까지 거치는 과정을 추적해야 한다. 또한 접근 권한이 취소되거나 정보가 제거된 뒤 어떤 일이 발생하는지도 검토해야 한다.
이 사슬 전반에서 일관된 동작이 확인되면 공유 기반이 엔터프라이즈 AI 운영을 단순화한다는 주장을 뒷받침할 수 있다. 지속적인 공백은 팀이 여전히 추가 엔지니어링이 필요한 영역을 보여줄 것이다. 어느 결과든 정적 콘텐츠를 중심으로 구성된 시연보다 더 많은 정보를 제공한다.
셋째, 배포 이후의 총 운영 노력을 지켜봐야 한다. 구매자는 유지 관리, 인시던트 복구, 처리 및 애플리케이션 지원을 다루는 사례를 찾아야 한다. 커넥터 코드 감소는 완전한 시스템 전반에서 반복 작업 감소로 이어질 때 가장 중요하다.
이 증거는 Microsoft의 연결된 지식 접근 방식과의 비교도 더 명확하게 할 것이다. 서로 다른 아키텍처는 서로 다른 요구를 충족할 수 있지만, 각각은 동일한 비즈니스 성과를 기준으로 평가해야 한다. 특정 조직에 적합한 선택은 수용 가능한 책임 범위 안에서 그 성과를 충족하는 접근 방식이다.
Databricks는 맞춤형 통합 작업을 재검토할 신뢰할 만한 이유를 제시했다. 즉, 공유 수집은 여러 다운스트림 목적에 활용될 수 있다. 남은 결정은 애플리케이션 소유자의 몫이며, 이들은 재사용의 가치가 여전히 남아 있는 준비 작업과 거버넌스 부담을 상회하는지 판단해야 한다.
Lakeflow Connect productivity connectors를 직장 환경 전반으로 확대하기 전에, 현재 별도 애플리케이션에서 근거를 수집해야 하는 비즈니스 질문을 하나 선택하라. 예상 답변, 허용된 대상자 및 이를 바꿔야 하는 원본 변경 사항을 정의하라. 그런 다음 누락된 콘텐츠, 취소된 접근 권한 및 실패 후 복구를 포함해 수집부터 응답까지의 전체 경로를 평가하라. 그 결과를 바탕으로 어떤 추가 원본을 포함할 가치가 있는지 결정하라. 목표는 명확한 소유권 아래 유용한 의사결정을 지원하는, 유지 관리되는 근거 체계를 만드는 것이다. 더 광범위한 커넥터 카탈로그를 완성된 지식 전략으로 간주하기 전에 데이터 및 애플리케이션 팀에 그 성과를 입증하도록 요청하라.
