用例

当我们进入 LLM 可观察性和分析领域时，我们决定使用 ClickHouse 作为 LangSmith 的后端，而不是 Postgres。LangChain 的 CTO Ankush

ClickHouse 帮助我们高效可靠地分析来自数万亿个互联网请求的日志，以识别恶意流量并为客户提供丰富的分析。

现在，我们的客户可以在一秒钟内搜索数月的浏览器和服务器端日志数据，这归功于 ClickHouse 背后的技术。

ClickHouse 非常适合作为我们机器学习模型的的大数据存储。

我们每天存储大约 30 亿条事件（行），速率约为每分钟 200 万条事件。我们还需要提供一些复杂的、严重依赖于过滤大量数据和以合理的时间框架内计算复杂聚合的精美数据可视化，以提升用户体验。

在索尼娱乐电视，我们每天将数千万条 CDN 记录摄取到 ClickHouse Cloud 中，并每天对其运行数百万个查询。这使我们的运营团队能够实时监控我们内容的交付，并在问题出现时进行分析和调查。ClickHouse Cloud 帮助我们优化成本并确保服务的可用性和弹性。

QRadar Log Insights 使用现代开源 OLAP 数据仓库 ClickHouse，它可以以亚秒级速度摄取、自动索引、搜索和分析大型数据集。您可以获得对摄取数据的近乎实时可见性和洞察力。

该平台正在从数千个服务中摄取数百万条日志/秒，存储数 PB 的数据，并从仪表板和程序中提供数百个查询/秒。

ClickHouse 是一种快速且高性能的分析数据库，广泛用于 Instacart，为其他用例提供支持，例如关键零售商和广告仪表板、计算 A/B 测试结果以及机器学习信号。

在确定 ClickHouse 之前，我们评估了十多个不同的大数据系统。

ClickHouse 的性能超过了所有其他列式数据库管理系统。

我们从客户的手机和其他更传统的来源收集数万个数据点。ClickHouse 被用作处理所有这些短信并提取用于评分和欺诈模型中的有价值信息的方式。

从 Elasticsearch 迁移到 ClickHouse 是一段漫长的旅程，但这是我们做出的最好的技术决策之一。

在 Lyft，我们每天在 ClickHouse 中摄取数千万行数据并执行数百万个读取查询，并且数据量持续增加。按月计算，这意味着读取和写入超过 25TB 的数据。

Cognitiv 使用 ClickHouse 为其闪电般的速度和资源效率提供机器学习离线特征存储。“训练这些模型需要巨大的计算能力以及快速有效地处理和分析大量数据。作为一家拥有大型数据集的小公司，成本对我们很重要，”Cognitiv 的 Jason 解释说。“ClickHouse 速度很快，但它的真正价值在于让我们更好地利用我们的资源。基本上，我们不需要花那么多钱来解决相同的问题。”

“通过利用专家模型和嵌入，我们检测网页的实质性变化，并识别具有相似特征的页面之间的连接。”

ClickHouse 已被证明是一个变革者，推动我们更高效、更有效地管理数据基础设施。Tekion 平台与架构工程副总裁 Ved Surtani

我们有十亿行数据需要存储...

采用 ClickHouse 增强了我们的数据分析能力，有效地且经济地支持了我们内部团队日益增长的需求。Shopee 专家 OLAP 工程师 Frank Chen

切换到基于 Kafka 和 ClickHouse 的架构简化了我们的运营，并通过提高性能和实现实时、大规模数据处理来降低成本

我们节省了成本，这笔节省不容小觑，但这并非驱动因素。这是一个质的飞跃。在我们拥有 ClickHouse 之前，我们无法完成想要做的事情，这就是我们如此兴奋的原因。

在根据我们的标准（指标范围从查询性能到成本）对每个数据库进行评估后，ClickHouse 成为无可比拟的领先者。它在各个方面都表现出色，甚至在某些领域令人惊讶，并且更具成本效益。

使用 ClickHouse，数据管道逻辑得到简化，仅处理写入的“流式”方面，而无需处理所有这些复杂性。因此，ClickHouse 能够实现更简单的写入设计模式，就像 Hudi 等其他新一代数据湖系统一样，但具有更简单的开发体验。

在 DeepL，我们使用 ClickHouse 作为我们的中央数据仓库。

我们做过的最好的技术决策