实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(20)
- (14)
- (3)
- (3)
- 查看全部
-
(14)
- (9)
- (4)
- (1)
- 查看全部
-
(8)
- (5)
- (1)
- (1)
- 查看全部
-
(6)
- (6)
-
(5)
- (1)
- (1)
- (1)
- 查看全部
- 查看全部 8 技术
- (14)
- (11)
- (11)
- (7)
- (4)
- 查看全部 13 行业
- (9)
- (6)
- (6)
- (5)
- (3)
- 查看全部 7 功能区
- (14)
- (7)
- (5)
- (4)
- (4)
- 查看全部 20 用例
- (22)
- (9)
- (7)
- (5)
- (3)
- 查看全部 7 服务
- (32)
Selected Filters
|
利用 ClickHouse 进行高效的 OpenTelemetry 跟踪：Resmo 案例研究
Resmo 是一种使用 API 从云和 SaaS 工具收集配置数据的工具，在管理从数千个 API 收集数据而产生的大量网络调用方面面临着重大挑战。传统的日志方法过于冗长且难以查询，而聚合指标缺乏足够的上下文来检测和诊断特定问题。 Resmo 利用跟踪，可以更好地了解请求流及其相关响应。然而，Resmo 的数据收集生成的跨度量过多，并且通常的采样方法可能会导致盲点，从而难以识别很少发生的不愉快执行路径上的问题。此外，许多供应商按摄取的事件数量和每 GB 数据量收费，如果不进行任何采样，成本可能会很高。只有少数供应商允许对数据进行自定义 SQL 查询。
|
|
|
|
|
电信公司的网络流量监控和优化：BENOCS 和 ClickHouse 案例研究
BENOCS 是一家为全球一些最大的电信提供商提供网络流量优化和监控的公司，面临着监控和分析大量数据流量的挑战。数据不是静态的，而是不断在网络空间中移动，要求公司将时间作为一个额外的维度考虑在内。 BENOCS Flow Analytics 用户需要调查特定时间范围内发生的事件，因此需要快速访问特定时间范围，同时忽略不相关的数据。该公司还必须应对以高复杂性和高速度分析网络流量的挑战，尤其是在具有异步数据馈送的不同环境中。在不同的网络设置中，BENOCS 必须统一数据源并关联传入的网络信息。
|
|
|
|
|
MessageBird 通过 ClickHouse 进行转型：增强性能和成本效率的案例研究
MessageBird 是一个云通信平台，为超过 29,000 名客户处理数十亿条消息、电话和电子邮件。该公司严重依赖数据驱动的洞察来实现高效运营，分析后端 ClickHouse 自 2017 年以来发挥着至关重要的作用。然而，由于可扩展性和延迟问题，MessageBird 在 MySQL 上的初始设置面临着挑战。该公司需要一种能够处理大量数据摄取、提供较短响应时间并支持面向客户的仪表板和 API 的实时分析的解决方案。此外，该公司还需要一个能够监控短信发送性能并及时识别异常情况的系统。我们面临的挑战是找到一种既能满足这些需求又具有成本效益的解决方案。
|
|
|
|
|
利用 ClickHouse Kafka 引擎增强数据收集和分析：Superology 案例研究
Superology 是体育博彩行业领先的产品技术公司，面临着有效收集和分析定量数据以改善客户体验和业务运营的挑战。该公司需要收集应用程序或网站访问量、特定页面上的客户点击量、社交部分中的评论和关注者数量以及各种转化事件和跳出率等指标。收集的数据结构各异，需要采用动态方法进行数据收集和分析。 Superology 使用 Google Protocol Buffers (Protobuf) 来收集这些数据，但需要更高效和可扩展的解决方案来处理大量数据及其动态特性。
|
|
|
|
|
使用 Luzmo 和 ClickHouse 优化面向客户的分析
软件应用程序生成数 TB 的数据，可用于做出明智的决策。然而，将这些数据转化为用户的视觉洞察可能是一个挑战。在 SaaS 中提供分析的任务有两个：为最终用户提供易于使用、交互式和个性化的体验，并快速、轻松地构建具有定制可视化的连贯且高性能的数据架构。分析越先进，开发人员维护起来就越困难。此外，数据安全也很复杂，确保每个用户只能访问他们的个人数据。挑战在于如何将定制的洞察扩展到数百甚至数千个用户。
|
|
|
|
|
提升游戏性能：ExitLag 从 MySQL 过渡到 ClickHouse
ExitLag 是一款优化全球 900 多台服务器上 1,700 多款游戏游戏体验的工具，它面临着 MySQL 的性能问题。他们在有关用户行为分析和网络路由映射的特定分析查询方面遇到了瓶颈和速度减慢，尤其是随着数据量的增加。在不断努力解决游戏玩家的常见连接问题的过程中，ExitLag 开发了一种复杂的方法来发送用户的连接数据包。这些数据包通过不同的路由同时发送，从而提高了数据包送达的保证。然而，不断增加的数据量导致了现有 MySQL 系统的性能问题。
|
|
|
|
|
加速 GraphQL Hive 性能：从 Elasticsearch 迁移到 ClickHouse
GraphQL Hive 是一种用于监控和分析 GraphQL API 的开源工具，它面临着严重的扩展问题。该工具可跟踪更改历史记录、防止 API 损坏并分析 API 流量，最初使用 Elasticsearch 进行数据存储。然而，随着数据量的增加，平均响应时间开始明显减慢。此外，索引过程存在问题，较大的用户会影响较小用户的查询性能。尽管尝试通过为每个用户创建索引来提高性能，但 Elasticsearch 的整体速度仍然低于预期。 GraphQL Hive 背后的公司 The Guild 的团队也发现 Elasticsearch 基于 JSON 的查询语言具有挑战性，因为他们更熟悉 SQL。
|
|
|
|
|
合理分析利用 ClickHouse 进行隐私友好的 Web 分析
Plausible Analytics 是 Google Analytics 的一种保护隐私的替代方案，在扩展其服务时面临着重大挑战。自 2019 年 4 月推出以来，该平台已发展到为 5000 多名付费订阅者提供服务，跟踪 28,000 个不同的网站，每月页面浏览量超过 10 亿次。然而，使用 Postgres 存储分析数据的原始架构无法应对该平台未来的增长。其仪表板加载速度较慢，长达5秒，不利于良好的用户体验。该团队意识到，为了继续其增长轨迹并保持客户满意度，他们需要更有效的解决方案。
|
|
|
|
|
Coinpaprika 通过 ClickHouse 增强加密货币数据聚合
Coinpaprika 是领先的加密货币市场数据平台，其现有数据管理系统面临着挑战。他们使用 InfluxDB 存储时间序列数据，使用 MySQL 存储事务数据。然而，随着数据量的增长，他们遇到了 InfluxDB 的几个问题。该团队发现很难从系统中提取有用的指标，并且延长查询时间通常会导致服务器过载。由于合并数据块，他们还遇到了响应时间问题。 InfluxDB 的开源版本缺乏内置的复制和可扩展性，而这对于 Coinpaprika 的基础设施至关重要。 Coinpaprika 需要一个能够处理不断增长的数据量、提供有用指标并提供改进的性能和可扩展性的解决方案。
|
|
|
|
|
ClickHouse：Dassana 安全数据湖的骨干
由于网络风险及其对业务的影响日益增加，现代企业正在对安全产品进行大量投资。如今，典型的大型企业使用十多种安全技术，这些技术会发出各种形状和大小的数据，导致很难理解这些数据。安全信息和事件管理 (SIEM) 系统专为不可变时间序列事件数据而设计，与安全数据的可变性质作斗争。例如，警报的状态可能从“打开”更改为“关闭”，而 SIEM 无法更新此更改。解决方案是重新插入更新的数据并查询最新的数据，这对于 SIEM 等仅附加系统来说是一个挑战。此外，SIEM 公司已停止创新和投资解决数据规范化等基本问题。 Dassana 是一个安全数据湖，旨在应对这些挑战。
|
|
|
|
|
DeepL 与 ClickHouse 的转型之旅：案例研究
DeepL 是一家语言翻译服务公司，希望在 2020 年以保护隐私的方式增强其分析能力。该公司希望自行托管一个可以处理大量数据并提供快速查询时间的解决方案。他们评估了几个选项，包括 Hadoop 世界，但发现它的维护成本太高，而且设置起来也很耗时。 DeepL 还希望在前端开发人员创建新事件时自动执行更改表模式的过程，否则这会让团队不堪重负。该公司需要一个能够处理复杂事件和查询以了解用户交互的系统，这是 Google Analytics 等传统工具无法提供的。此外，DeepL 希望保持对数据的完全控制，同时牢记用户隐私。
|
|
|
|
|
DENIC 利用 ClickHouse 将查询时间缩短 10 倍
DENIC eG 是德国互联网命名空间的管理员和运营商，由于数据分析的限制，在改善互联网社区的用户体验方面面临着挑战。与分析相关的数据分布在关系数据库、服务器日志数据和各种其他来源中。这些来源已用于监测和系统改进，但其分析功能有限，而且跨多种来源的交叉评估成本高昂或不可行。开发数据科学平台的初始步骤涉及使用基于关系 DBMS 的数据库。来自不同来源的数据由 Kubernetes 上的容器中的 Python 代理进行整合，并将结果写入数据库中的目标表。这种方法产生了大量的目标表和容器，这些表和容器难以管理并且变得有些过于复杂。此外，关系数据库仅适用于有限范围内的大量数据，因为查询的处理时间可能需要几分钟到几小时。
|
|
|
|
|
HIFI 从 BigQuery 过渡到 ClickHouse 以增强音乐版税数据管理
HIFI 是一家为音乐创作者提供财务和商业见解的公司，其数据管理系统面临着挑战。该公司吸收了大量的版税数据，单个 HIFI Enterprise 帐户拥有超过 0.5 GB 的相关版税数据，代表超过 2500 万行流媒体和其他交易数据。该数据需要在客户登录后立即加载到用户界面中，并且可以有多个客户同时登录。此前，加载数据可能需要长达 30 秒的时间，有时会因超时而根本无法加载。 HIFI 使用 Google Cloud 的 BigQuery (BQ) 来存储版税数据，但 BQ 的定价结构是一个重大挑战。它阻碍了数据的使用，并与 HIFI 的数据驱动价值观相矛盾。谷歌提前购买 BQ 插槽的解决方案对于 HIFI 作为初创公司来说并不可行，因为使用模式可能每周都会发生巨大变化。
|
|
|
|
|
Instabug 成功迁移到 ClickHouse 以增强 APM 性能
Instabug 是一个 SDK，它提供了一套用于在整个移动应用程序开发生命周期中监控和调试性能问题的产品，它面临着性能指标的重大挑战。这些指标严重依赖于频繁且大量的事件，这给接收和有效存储这些事件带来了挑战。此外，性能事件的原始格式对用户来说没有用，需要大量的业务逻辑来进行查询和数据可视化。 Instabug 的后端规模庞大，API 平均每分钟约有 200 万个请求，每天有 TB 的数据进出其服务。在构建应用程序性能监控 (APM) 时，他们意识到这将是他们数据规模最大的产品。他们每天以每分钟约 200 万个事件的速度存储约 30 亿个事件。他们还必须提供复杂的数据可视化服务，这些可视化很大程度上依赖于过滤大量数据并快速计算复杂的聚合以获得用户体验。最初，他们像其他产品一样设计 APM，但遇到了 Elasticsearch 的性能问题，尤其是读取方面，而且写入速度也不够快，无法处理其负载。
|
|
|
|
|
Opensee：通过 ClickHouse 利用金融大数据
Opensee 是一家金融科技公司，由一群金融行业和技术专家创立，他们因缺乏能够有效处理大量数据的简单大数据分析解决方案而感到沮丧。出于决策过程和监管原因，金融机构一直存储大量数据。然而，自金融危机以来，世界各地的监管机构大幅提高了报告要求，坚持更长的历史范围和更深的粒度。这导致数据呈指数级增长，迫使金融机构审查和升级其基础设施。不幸的是，许多存储解决方案（例如基于 Hadoop 堆栈构建的数据湖）对于大规模分析而言速度太慢。其他解决方案（例如内存计算解决方案和查询加速器）存在可扩展性、高硬件成本和粒度损失等问题。金融机构因此被迫做出一系列妥协。
|
|
|
|
|
使用 ClickHouse 构建统一数据平台：Synq 案例研究
Synq 是一个数据可观察性平台，面临着管理为其软件系统提供支持的复杂性、多样性和不断增加的数据量的挑战。该公司需要将运营和分析需求合并到一个统一的数据平台中。他们正在处理来自数十个系统的连续数据流，当客户运行大型批处理作业或新客户加入时，数据量会频繁爆发。该公司为回填数据设定了雄心勃勃的性能目标，并希望在客户使用产品时立即为他们提供价值。他们还希望有一个基础设施能够为其第一组定义的用例提供服务，并提供快速支持新用例的功能。最后，他们的目标是构建一个单一平台，可以存储原始日志数据，并充当应用程序和 API 所需的大多数数据用例的服务层。
|
|
|
|
|
利用 Zing Data 和 ChatGPT 在 ClickHouse 中进行移动查询和实时警报
许多公司使用 ClickHouse 是因为它能够支持快速查询。然而，让分析师编写查询、创建仪表板并在整个组织中共享它的过程可能会严重延迟问题的解答。许多商业智能 (BI) 工具需要有人在计算机上预先创建仪表板或限制用户使用某些过滤器，这一事实使这一挑战变得更加复杂。此外，在当今快节奏的商业环境中，对实时警报的需求以及基于用户当前位置的查询能力变得越来越重要。
|
|
|
|
|
使用 ClickHouse Cloud 增强 Adevinta 的实时分析功能
Adevinta 是一家全球在线分类专家，在 11 个国家/地区运营超过 25 个平台，每月覆盖数亿用户。他们的使命是为在线购买和销售商品和服务提供最佳的用户体验。为了实现这一目标，他们需要一个集中的分析和仪表板工具来监控卖家的广告、跟踪互动并实时提高绩效。 Adevinta 的中央数据产品团队的任务是构建数据和机器学习产品以支持其各个市场。他们面临着复杂的挑战，需要一个可以扩展的解决方案，提供面向最终用户的低延迟和高吞吐量的分析功能，并考虑可重用性、正常运行时间和可扩展性等方面。 Adevinta 需要一个面向用户的实时分析和仪表板解决方案，使卖家能够实时监控他们的广告，跟踪浏览量、收藏夹和点赞，并捕获市场上发生的每一次互动。
|
|
|
|
|
AdGreetz 的转型：使用 ClickHouse Cloud 处理数百万的每日广告展示
AdGreetz 是领先的 AdTech 和 MarTech 个性化平台，专注于在 26 个不同渠道创建和分发数百万个智能、数据驱动、超个性化的广告和消息。该公司每天处理数百万次广告展示，因此需要一个高性能、经济高效的解决方案来满足其数据存储和分析需求。最初，AdGreetz 使用 AWS Athena 来满足其数据处理需求，但未能满足其日益增长的性能和数据需求。然后他们转向 Snowflake，但事实证明其成本对于他们的数据量和查询性能来说是过高的。该公司需要一种能够处理海量数据、提供快速查询时间并且符合预算的解决方案。
|
|
|
|
|
Admixer 的转型：使用 ClickHouse 每天处理超过 10 亿个唯一用户
Admixer 是一家广告技术公司，在管理其广告交换平台上不断增加的负载方面面临着重大挑战。最初，该平台基于外部DSP销售本地库存，但随着它开始聚合外部SSP的流量，其处理和存储的负载显着增加。截至2016年底，外部库存占比从3%上升至90%以上，请求量从1亿增加到30亿。现有的关系数据库无法处理大量涌入的统计记录插入。此外，该公司使用Azure表存储来存储和发布统计数据，但随着交易数量和数据量的增加，由于交易数量和数据量的费用，该解决方案变得次优。 Admixer 需要一种解决方案，能够显示实时广告交易统计数据、处理大量插入数据、聚合收到的数据、随着请求的增长扩展数据仓库，并提供对成本的完全控制。
|
|
|
|
|
Contentsquare 成功从 Elasticsearch 迁移到 ClickHouse：案例研究
Contentsquare 是一家 SaaS 公司，其现有的 Elasticsearch 设置面临着重大挑战。该公司有 14 个正在生产的 Elasticsearch 集群，每个集群有 30 个节点。然而，他们在水平可扩展性方面遇到了困难，因为他们无法组装更大的集群并保持工作负载的稳定性。集群规模的这种限制意味着他们无法处理任何不适合单个集群的租户，从而严重限制了他们的增长能力。由于技术原因，他们可以处理的流量上限正在减慢公司的增长速度，这是不可接受的。他们有两个选择：要么找到一种方法在多集群设置中有效地托管每个租户，要么迁移到更具可扩展性的技术。
|
|
|
|
|
ClickHouse：为 Darwinium 的安全和欺诈分析提供支持
Darwinium 是一个数字风险平台，在安全和欺诈领域面临着多项挑战。该平台需要以高吞吐量摄取和处理数据，处理大量数据，并具有以复杂方式分析数据的能力。数据库后端需要处理高速写入并在摄取数据后立即提供数据进行分析。 Darwinium 的实时引擎持续分析和监控数字资产，从而产生大量数据。该数据库需要能够大规模分析数据，并可能处理一整年的数据。技术类型的欺诈和安全挑战需要存储大多数数字数据点以供将来调查。分析欺诈数据的本质需要复杂的交互式分析，以及能够在 1 秒或更短的时间内响应的数据库系统，同时提供功能丰富的功能工具箱。
|
|
|
|
|
集成 ClickHouse 和 Deepnote 以增强协作分析
当前的挑战是为团队提供一个无缝且高效的平台，以发现和分享数据中的见解。现有系统缺乏数据科学项目协作和高效工作的中心位置。此外，Python 和 SQL 之间的转换并不顺利，需要 Python 连接器。还需要一个 SQL 编辑器，在笔记本中具有格式化、自动完成和 linting 等功能。
|
|
|
|
|
借助 ClickHouse 对 Disney+ 进行高速内容分发分析
Disney+ 的可观察性团队面临着处理和分析其内容分发系统的访问日志的挑战。该团队必须处理 Disney+ 用户生成的大量数据，这需要高度扩展的分布式数据库系统。现有的解决方案，例如Elasticsearch、Hadoop和Flink，无法有效处理海量数据。例如，Elasticsearch 需要大量的重新平衡并使用 Java 虚拟机，从而添加了不必要的虚拟化层。由于数据的大小，该团队正在努力获取所有日志。
|
|
|
|
|
由 ClickHouse 提供支持的 Highlight.io 可观察性解决方案：综合案例研究
Highlight.io 是一个开源可观察性平台，最初专注于会话重放和前端 Web 开发功能。然而，随着对全栈可观察性的需求增长，该平台需要扩展其产品。这种扩展对于使开发人员能够跟踪 Web 应用程序中的用户体验、识别后端错误并分析其基础设施中的相关日志是必要的。面临的挑战是将这些功能集成到单窗格视图中以简化故障排除过程。此外，该平台旨在在 ClickHouse 的支持下向其堆栈添加日志记录功能，通过捕获和分析服务器端日志来提供对应用程序的更深入的了解。目标是处理高数据摄取率并确保开发人员可以实时访问最新信息。
|
|
|
|
|
利用 ClickHouse 和物化视图进行高性能分析：Inigo 案例研究
Inigo 是 GraphQL API 管理行业的先驱公司，正在寻找一种可以处理大量原始数据进行分析的数据库解决方案。他们探索了各种替代方案，包括 SQLite、Snowflake 和 PostgreSQL，但这些选项都不能满足他们的需求。对于他们的需求来说，Snowflake 速度太慢且成本太高，尤其是在处理产品内的实时客户数据时。 PostgreSQL 虽然是一个优秀的事务数据库，但不适合大型分析工作负载。该公司能够让它处理大约 100K 行，但超过此后，索引就会失去控制，并且运行 PostgreSQL 集群的成本没有意义。一旦达到 100K - 1M 行标记，性能就会显着下降。 Inigo 需要一个能够处理数十亿个 GraphQL API 请求、创建高基数数据聚合视图、生成警报以及基于大量数据创建仪表板的解决方案。
|
|
|
|
|
Juspay 通过 ClickHouse 进行实时交易分析并降低成本
Juspay 是一家印度金融科技公司，每天为亚马逊、谷歌和沃达丰等客户处理超过 5000 万笔交易。作为支付行业的先驱，Juspay 的使命是简化商户的在线支付，充当支付提供商和商户系统之间的中介。为了确保无缝的交易环境，Juspay需要提供监控和分析服务来保证支付系统的性能。由于商家种类繁多，需求不断变化，Juspay 必须跟上频繁的发布，通常是每天多次发布。他们需要一个监控解决方案，使他们能够保持快速的发布速度，同时确保最新版本不会影响正在运行的支付系统。此外，Juspay 之前的解决方案（来自 GCP 的 BigQuery）面临着高昂的运营成本，每天的成本超过一千美元。
|
|
|
|
|
使用 ClickHouse 推动可持续数据管理：Modeo 推出 Stash
法国数据工程公司 Modeo 面临着管理不断增长的数据量的挑战，同时准确测量数据使用和存储产生的实时碳排放量。这是他们关注气候变化的企业社会责任计划的一部分。该公司需要一种解决方案，让客户能够监控和优化其数据平台的成本、碳足迹和使用情况。我们面临的挑战是如何平衡不断增长的数据量和尽量减少环境影响的需求，这是数据工程领域的一个复杂问题。
|
|
|
|
|
超级专栏：NANO Corp. 使用 ClickHouse 从实验到生产的旅程
NANO Corp. 是一家成立于 2019 年的法国初创公司，其使命是彻底改变网络探测器。他们的目标是创建多功能、轻型探针，能够在商用硬件上处理高达 100GBit/s 的带宽。他们的愿景是提供一种新的可观察性，将网络性能和网络安全结合起来。然而，为了充分利用网络探测器的潜力，他们需要一个强大的数据库。数据库必须处理快速且持续的插入，运行定期查询以进行警报和由多个用户启动的自定义查询，并有效管理大量数据。它还需要有一个热/冷数据缓冲系统，易于维护和部署，并且高效地使用 RAM。他们的主要工程师在之前的职业生涯中使用过的传统 RDBMS 无法胜任这项任务。当整体性能成为问题时，他们过于依赖更新速度并需要集群。 NANO Corp. 需要一个像他们的探测器一样具有开创性的数据库。
|
|
|
|
|
OONI 的转型：通过 ClickHouse 加强互联网审查衡量
网络干扰开放观察站 (OONI) 是一个非营利组织，提供免费软件工具来记录全球互联网审查制度。他们的工具允许用户测试他们的互联网连接质量、检测审查并测量网络干扰。然而，OONI 在处理这些测试生成的大量数据方面面临着重大挑战。他们最初使用平面文件、MongoDB 和 PostgreSQL 来存储测量实验的元数据。随着数据集增长到数亿行，出现了性能问题，需要从 OLTP 数据库转向 OLAP 数据库。 OONI 需要一种解决方案，能够简化其架构，同时处理复杂的数据可视化并支持对其 1B+ 行数据集进行搜索和聚合。
|
|
