用例

当我们进入 LLM 可观测性和分析领域时，我们决定使用 ClickHouse 而不是 Postgres 来支持 LangSmith。LangChain 首席技术官 Ankush

ClickHouse 帮助我们高效可靠地分析数万亿互联网请求的日志，以识别恶意流量并为客户提供丰富的分析。

现在，借助 ClickHouse 背后的技术，我们的客户可以在不到一秒的时间内搜索数月的浏览器和服务器端日志数据。

ClickHouse 非常适合作为我们机器学习模型的大数据存储

我们每天存储大约 30 亿个事件（行），速率约为每分钟 200 万个事件。我们还必须提供一些非常复杂的数据可视化，这些可视化严重依赖于过滤大量数据并在合理的时间范围内计算复杂聚合，以改善用户体验。

在索尼娱乐电视公司，我们每天将数千万条 CDN 记录摄取到 ClickHouse Cloud 中，并对其运行数百万次查询。这使我们的运营团队可以实时监控内容交付，并在潜在问题出现时立即进行分析/调查。ClickHouse Cloud 帮助我们优化成本并确保服务的高可用性和弹性。

QRadar Log Insights 使用现代开源 OLAP 数据仓库 ClickHouse，它可以亚秒级速度摄取、自动索引、搜索和分析大型数据集。您可以从摄取的数据中获得近乎实时的可见性和洞察力。

该平台每秒从跨区域的数千个服务中摄取数百万条日志，存储数 PB 的数据，并从仪表板和程序中每秒处理数百个查询。

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

在最终选择 ClickHouse 之前，我们评估了十几个不同的 Big Data 系统。

ClickHouse 的性能超过了所有其他面向列的数据库管理系统。

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 用于处理所有这些 SMS 消息并提取用于评分和欺诈模型的有价值的信息。

从 Elasticsearch 迁移到 ClickHouse 是一段漫长的旅程，但这是我们做过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次读取查询，并且数据量持续增长。每月，这意味着读取和写入超过 25TB 的数据。

Cognitiv 使用 ClickHouse 为其 ML 离线特征存储提供支持，因为它具有惊人的速度和资源效率。“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的能力。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同样的问题。”

“通过利用专家模型和嵌入，我们检测到网页的实质性变化，并识别出共享相似特征的页面之间的联系。”

ClickHouse 已被证明是游戏规则改变者，推动我们在数据基础设施管理方面实现更高的效率和效力。Tekion 工程、平台和架构副总裁 Ved Surtani

我们有十亿行数据要存储...

采用 ClickHouse 增强了我们的数据分析能力，高效且经济高效地支持了内部团队不断增长的需求。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，节省的费用不容小觑，但这并不是驱动因素。这是一个质的飞跃。在我们拥有 ClickHouse 之前，我们根本无法做我们想做的事情，这就是为什么我们对此感到如此兴奋。

在根据我们的标准（指标范围从查询性能到成本）对每个数据库进行后评估时，ClickHouse 脱颖而出，成为无可匹敌的领先者。它在各个方面都表现出色，甚至在某些领域表现得令人惊讶，并证明更具成本效益。

使用 ClickHouse，数据管道逻辑得到简化，并且仅处理写入的“流式传输”方面，而不是所有这些复杂性。因此，ClickHouse 实现了更简单的写入设计模式，就像任何其他新时代数据湖系统（如 Hudi 等）一样，但具有更简化的开发者体验。

在 DeepL，我们使用 ClickHouse 作为我们的中央数据仓库。

我们做过的最佳技术决策