1.3.1 典型应用场景

数据分析（OLAP）场景通常涉及批量导入数据后的任意维度的灵活探索、BI工具洞察、报表制作等。在一次性写入数据后，分析师需要尝试从各个角度对数据进行挖掘和分析，直到找到业务价值、业务变化趋势等信息。这是一个需要反复试错、不断调整、不断优化的过程，读取的数据数量远远超过写入的数量。

在OLAP场景中，通常有一个或几个大的宽表，有数百甚至数千列。分析数据时，通常选择几列作为维度列，选择另外几列作为聚合分析列，执行select、count、sum、group by、order by等操作，最终聚合计算的结果集会远小于数十亿、千亿的原始数据。这正是ClickHouse擅长的领域。ClickHouse的典型应用场景包括企业级大数据分析、电商人货场运营圈选洞察、用户画像绘制、用户行为分析、各行各业的海量数据多维分析、机器学习模型评估、微服务监控和统计等领域。

在超大数据量级的分析场景中使用原生的ClickHouse会遇到一些常见问题。

1）稳定性：ClickHouse的原始稳定性并不好，比如在高频写入的场景下经常会出现问题，整个集群被一个慢查询拖死，出现节点OOM、DDL请求卡死等情况。另外，由于ClickHouse原始设计有缺陷，随着数据增长，写数据QPS增大，依赖的ZooKeeper存在瓶颈。

2）使用门槛较高：用ClickHouse搭建的系统的业务性能可能比不用ClickHouse的要高3倍甚至10倍，有些场景还需要针对性对内核进行优化，这就对数据分析师提出了更高的要求。