案例研究在考試中的角色
PCA 考試的案例研究（Case Study）是許多考生最頭痛的部分，但也是拉開分數差距的關鍵。理解它的運作機制，你就能從容應對。
考試會穿插參照官方公布案例的架構情境題，每個案例搭配一系列情境式問題。案例相關題目約佔整張考卷的 20-30%——這意味著如果你只準備技術知識而忽略案例，等於放棄了近三分之一的分數。
案例研究的考試機制
| 面向 | 說明 |
|---|---|
| 數量 | 官方公布四大案例，考題穿插參照其中的情境 |
| 佔比 | 約 20-30% 的題目與案例相關 |
| 閱讀時機 | 考試開始前可以預覽案例文件，強烈建議在計時前就讀完 |
| 文件內容 | 包含公司背景、現有架構、業務需求、技術限制 |
| 答題策略 | 先理解限制條件（constraints），再從需求推導出架構決策 |
💡 考試小提示：案例文件在考試中可以隨時回頭查看。但如果每題都重新翻閱會嚴重拖慢速度，所以務必在開考前就把每個案例的核心限制條件和業務目標記在腦中。
EHR Healthcare：醫療合規與混合雲遷移
EHR Healthcare 是四大案例中歷史最悠久的一個，也是考生最熟悉的經典案例。它聚焦於醫療產業的雲端遷移——這個領域的合規要求極為嚴格，架構師的每一個決策都直接影響到病患資料安全。
背景與核心挑戰
EHR Healthcare 是一家醫療科技公司，擁有大量運行在地端的 legacy 系統。隨著業務擴張，他們需要將部分工作負載遷移至雲端，同時確保現有系統不中斷。
| 挑戰領域 | 具體問題 |
|---|---|
| 法規合規 | 必須符合 HIPAA 等醫療資料保護法規，病患資料（PHI）的存取需嚴格控管 |
| 資料隱私 | 敏感資料的加密、存取日誌和稽核能力缺一不可 |
| 混合雲遷移 | 不能一次全部搬遷，需要地端與雲端長期共存 |
| 系統整合 | 新舊系統之間需要安全且穩定的資料交換 |
常見考試方向與對應服務
- 安全邊界 — VPC Service Controls 建立安全範圍，防止 PHI 資料外洩
- 加密策略 — Cloud KMS + CMEK（Customer-Managed Encryption Keys）確保客戶掌控加密金鑰
- 醫療 API — Cloud Healthcare API 處理 FHIR、HL7v2、DICOM 等醫療資料格式
- 高可用資料庫 — Cloud SQL HA 或 AlloyDB 確保病歷系統不中斷
- 混合連線 — Cloud Interconnect 提供穩定低延遲的地端連線，搭配 HA VPN 做備援
- 遷移策略 — Strangler Fig Pattern 漸進式遷移，降低風險
💡 考試小提示：EHR Healthcare 的題目核心永遠是安全與合規。當你猶豫兩個選項時，選擇安全控管更嚴格的那一個通常是正確答案。
Altostrat Media：全球化串流與效能擴展
Altostrat Media 是 PCA v6.1 版本新增的案例，反映了媒體串流產業在全球化擴展中面臨的架構挑戰。
背景與核心挑戰
Altostrat Media 是一家全球性的媒體串流公司，業務快速成長，使用者遍布多個大洲。他們面臨的核心問題是：如何在全球範圍內提供低延遲、高品質的內容串流體驗，同時控制爆炸性成長的基礎設施成本。
| 挑戰領域 | 具體問題 |
|---|---|
| 全球可擴展性 | 使用者分佈全球，尖峰流量變化劇烈 |
| 低延遲串流 | 影音內容需要穩定的播放品質，緩衝和延遲直接影響用戶留存 |
| 內容管理 | 大量媒體檔案的上傳、轉檔、儲存和版權管理 |
| 規模化成本 | 頻寬和儲存成本隨用戶增長呈指數上升 |
常見考試方向與對應服務
- 全球分發 — Cloud CDN + Global HTTP(S) Load Balancer 將內容快取至全球邊緣節點
- 物件儲存 — Cloud Storage 多層級（Standard / Nearline / Coldline / Archive）管理不同熱度的媒體資源
- 容器化服務 — GKE Autopilot 自動擴展後端微服務，處理轉檔和 API 請求
- 即時分析 — BigQuery 分析觀看行為、推薦演算法效能和廣告投放效果
- 事件驅動 — Pub/Sub 處理上傳事件，觸發轉檔流水線和通知服務
- 媒體轉碼 — Transcoder API 自動將上傳影片轉為多種解析度和格式
💡 考試小提示：Altostrat Media 的題目核心是效能與全球化佈局。看到「跨區域使用者」、「串流延遲」等關鍵字，立刻想到 Cloud CDN、多區域部署和自動擴展。
Cymbal Retail：AI 驅動的全通路零售
Cymbal Retail 同樣是 v6.1 新增案例，代表了零售業數位轉型中 AI/ML 與即時資料分析的深度應用。
背景與核心挑戰
Cymbal Retail 是一家全通路（omnichannel）零售企業，正在進行數位轉型。他們希望透過 AI 和資料分析打造個人化購物體驗，同時整合線上商城、實體門市和物流系統。
| 挑戰領域 | 具體問題 |
|---|---|
| AI/ML 個人化 | 需要即時的商品推薦和個人化行銷 |
| 庫存管理 | 跨通路庫存同步，避免超賣或缺貨 |
| 即時分析 | 銷售數據、用戶行為需要秒級洞察 |
| 多通路整合 | 線上、門市、APP、物流系統的資料和體驗一致性 |
常見考試方向與對應服務
- ML 平台 — Vertex AI 建立和部署推薦模型、需求預測模型
- 推薦引擎 — Vertex AI Search for commerce（Retail API 推薦，前身為 Recommendations AI）提供開箱即用的商品推薦能力
- 資料分析 — BigQuery + BigQuery ML 進行銷售分析和客戶分群
- 全球交易資料庫 — Cloud Spanner 處理跨區域的庫存和訂單交易，強一致性保證
- 事件驅動架構 — Pub/Sub + Eventarc 串接訂單建立、庫存變動、物流更新等事件
- 無伺服器後端 — Cloud Run 處理 API 請求，依流量自動擴縮
💡 考試小提示：Cymbal Retail 的題目核心是 AI/ML 架構和事件驅動設計。如果題目提到「個人化推薦」，想到 Vertex AI 和 Vertex AI Search for commerce（前身為 Recommendations AI）；提到「跨通路庫存一致性」，想到 Cloud Spanner。
KnightMotives Automotive：IoT 與邊緣運算
KnightMotives Automotive 是 v6.1 的第三個新增案例，涵蓋了物聯網、邊緣運算和智慧製造——這些領域在架構設計上有獨特的挑戰。
背景與核心挑戰
KnightMotives Automotive 是一家汽車製造商，正在發展連網車輛和智慧工廠。他們面臨的挑戰橫跨從工廠產線到行駛中車輛的完整資料鏈。
| 挑戰領域 | 具體問題 |
|---|---|
| IoT 資料處理 | 數百萬感測器每秒產生大量遙測資料 |
| 邊緣運算 | 工廠產線和車輛端需要低延遲的本地推論能力 |
| 供應鏈優化 | 零組件供應、生產排程和物流的端到端可見性 |
| 預測性維護 | 透過感測器數據預測設備故障，減少非預期停機 |
常見考試方向與對應服務
- 訊息接入 — Pub/Sub 接收大量 IoT 裝置的遙測資料（注意：IoT Core 已於 2023 年停用，應使用 Pub/Sub + MQTT bridge 或第三方方案如 ClearBlade）
- 串流處理 — Dataflow 即時處理感測器資料串流，偵測異常模式
- 時序資料儲存 — Bigtable 儲存大量時序型感測器資料，低延遲讀寫
- ML 模型 — Vertex AI 訓練預測性維護模型，偵測設備劣化趨勢
- 邊緣推論 — 在工廠端部署輕量化模型，使用 Google Distributed Cloud Edge 實現本地推論
- 資料分析 — BigQuery 進行供應鏈分析和生產效率優化
💡 考試小提示：KnightMotives Automotive 的題目核心是 IoT 架構和串流處理。特別注意 IoT Core 已停用這個考點——如果選項中出現 IoT Core，它很可能是錯誤答案。正確的替代方案是 Pub/Sub 搭配 MQTT bridge。
案例分析方法論
面對案例題目時，盲目猜測是大忌。以下是一套系統化的分析方法，適用於所有案例：
- 辨識限制條件（Constraints） — 法規要求、預算上限、時間壓力、現有技術債務。限制條件是不可妥協的硬邊界，直接排除不合規的選項
- 釐清需求優先級（Requirements） — 業務需求和技術需求哪些是 must-have，哪些是 nice-to-have。用 MoSCoW 法則排序
- 對應架構支柱（Architecture Pillars） — 將需求映射至 Cloud Architecture Framework 的六大支柱：卓越營運、安全性、可靠性、效能、成本優化、永續性
- 服務選型（Service Selection） — 根據需求和限制選擇最適合的 GCP 服務，而非最先進的
- 評估取捨（Trade-offs） — 考試選項中經常有多個「看起來可行」的答案，分辨差異的關鍵在於：哪個選項最符合案例的限制條件和需求優先級
四大案例比較總覽
| 面向 | EHR Healthcare | Altostrat Media | Cymbal Retail | KnightMotives Automotive |
|---|---|---|---|---|
| 產業 | 醫療科技 | 媒體串流 | 全通路零售 | 汽車製造 |
| 主要挑戰 | 合規、隱私、混合雲遷移 | 全球擴展、低延遲串流 | AI 個人化、即時分析 | IoT、邊緣運算、預測維護 |
| 關鍵 GCP 服務 | VPC SC、CMEK、Cloud Healthcare API、Cloud SQL HA | Cloud CDN、GKE、Transcoder API、BigQuery | Vertex AI、Spanner、Vertex AI Search for commerce、Cloud Run | Pub/Sub、Dataflow、Bigtable、Vertex AI |
| 考試重點 | 安全與合規 | 效能與全球化 | AI/ML 架構與事件驅動 | IoT 串流與邊緣推論 |
| 架構風格 | 混合雲 + 漸進遷移 | 全球分散式 + 自動擴展 | 事件驅動 + 微服務 | 邊緣混合 + 串流處理 |
重點整理
- 案例研究佔 PCA 考試 20-30%，考前務必熟讀四大案例文件，在計時開始前完成閱讀
- EHR Healthcare 的核心是安全合規——HIPAA、CMEK、VPC Service Controls 是高頻考點
- Altostrat Media 聚焦全球效能——Cloud CDN、多區域部署、自動擴展是解題關鍵
- Cymbal Retail 考 AI/ML 架構——Vertex AI、Vertex AI Search for commerce（前 Recommendations AI）、Cloud Spanner 全通路一致性
- KnightMotives Automotive 考 IoT 與串流——Pub/Sub（非 IoT Core）、Dataflow、Bigtable 時序資料
- 系統化分析法：限制條件 → 需求優先級 → 架構支柱 → 服務選型 → 取捨評估
- 每個案例都有一個核心主題——抓住它，大部分題目就能快速定位正確答案
下一步
在下一課中，我們將進入案例實戰工作坊，透過完整的架構設計演練，從需求分析到服務選型，實戰模擬 PCA 案例題的解題流程。