<p>Аналитика онлайн игр. Данные сенсоров и мониторингов. Телеком данные.</p>
<p>Финансовые транзакции. Биржевая аналитика.</p>
</section>
<sectionclass="slide">
<h2style="font-size: 40px;">Когда <spanstyle="color:red;">не надо</span> использовать ClickHouse</h2>
<p><spanstyle="font-size: 30px;color: #888;">OLTP</span><br/>В ClickHouse нет UPDATE и полноценных транзакций.</p>
<p><spanstyle="font-size: 30px;color: #888;">Key-Value</span><br/>Если нужны частые запросы на обновление по ключу, используйте другое решение.</p>
<p><spanstyle="font-size: 30px;color: #888;">Blob-store, document oriented</span><br/>ClickHouse предназначен для большого количества мелко-гранулированных данных.</p>
<p><spanstyle="font-size: 30px;color: #888;">Излишне нормализованные данные</span><br/>Лучше сделать широкую таблицу фактов.</p>
</section>
<sectionclass="slide">
<h2>Почему ClickHouse такой быстрый?</h2>
<p> </p>
<pstyle="font-size: 40px;">— от безысходности.</p>
<pstyle="font-size: 40px;">Яндекс.Метрика должна работать.</p>
</section>
<sectionclass="slide">
<h2>Почему ClickHouse такой быстрый?</h2>
<p><b>Алгоритмическая оптимизация.</b></p>
<p>MergeTree, локальность расположения данных на диске<br/>— быстрые диапазонные запросы.</p>
<p>Пример: функция uniqCombined состоит из комбинации трёх различных структур данных, подходящих под разные диапазоны кардинальностей.</p>
<p><b>Низкоуровневая оптимизация.</b></p>
<p>Пример: vectorized query execution.</p>
<p><b>Специализация и внимание к деталям.</b></p>
<p>Пример: у нас есть 17 разных алгоритмов выполнения GROUP BY. Для вашего запроса выбирается лучший.</p>
<h2style="font-size: 40px;">ClickHouse vs. typical row-oriented DBMS</h2>
<p>Itai Shirav:<br/><br/>«I haven't made a rigorous comparison, but I did convert a time-series table with 9 million rows from Postgres to ClickHouse.</p>
<p>Under ClickHouse queries run about 100 times faster, and the table takes 20 times less disk space. Which is pretty amazing if you ask me».</p>
</section>
<sectionclass="slide">
<h2> </h2>
<p>Bao Dang:<br/><br/>«Obviously, ClickHouse outperformed PostgreSQL at any metric».</p>
<p>Timur Shenkao:<br/><br/>«ClickHouse is extremely fast at simple SELECTs without joins, much faster than Vertica».</p>
</section>
<sectionclass="slide">
<h2>ClickHouse vs. PrestoDB</h2>
<p>Ömer Osman Koçak:<br/><br/>
«When we evaluated ClickHouse the results were great compared to Prestodb. Even though the columnar storage optimizations for ORC and Clickhouse is quite similar, Clickhouse uses CPU and Memory resources more efficiently (Presto also uses vectorized execution but cannot take advantage of hardware level optimizations such as SIMD instruction sets because it's written in Java so that's fair) so we also wanted to add support for Clickhouse for our open-source analytics platform Rakam (https://github.com/rakam-io/rakam)»</p>
</section>
<sectionclass="slide">
<h2>ClickHouse vs. Spark</h2>
<p>«Я потестировал Clickhouse, по скорости просто отлично = намного быстрее spark на одной машине (у меня получилось порядка 3x, но еще буду сравнивать). Кроме того compression получается лучше».</p>
</section>
<sectionclass="slide">
<h2>ClickHouse vs. Google BigQuery</h2>
<p>«ClickHouse показывает сравнимую скорость на <u>таком запросе</u> за 30 дней и в 8 раз быстрее (!) на <u>таком запросе</u>. В планах есть протестировать и другие запросы, еще не добрались.<br/><br/>Скорость выполнения запросов стабильна. В Google BigQuery в период пиковых нагрузок, например в 4:00 p.m. PDT или в начале месяца, время выполнения запросов может заметно увеличиваться».</p>
</section>
<sectionclass="slide">
<h2>ClickHouse vs. Druid</h2>
<p>«В этом году мы развернули сборку на основе Druid — Imply Analytics Platform, а также Tranquility, и уже приготовились запускать в продакшн… Но после выхода ClickHouse сразу отказались от Druid, хотя потратили два месяца на его изучение и внедрение».</p>