> ## Documentation Index
> Fetch the complete documentation index at: https://clickhouse.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Lecciones: casos de uso creativos

> Encuentra soluciones a los problemas más comunes de ClickHouse, incluidas consultas lentas, errores de memoria, problemas de conexión y problemas de configuración.

*Esta guía forma parte de una colección de hallazgos surgidos de encuentros de la comunidad. Para descubrir más soluciones y aprendizajes del mundo real, puedes [explorar por problema específico](/docs/es/resources/support-center/tips-and-tricks/community-wisdom).*
*¿Necesitas consejos para depurar un problema en producción? Consulta la guía de la comunidad [Debugging Insights](/docs/es/resources/support-center/tips-and-tricks/debugging-insights).*

Estas historias muestran cómo distintas empresas encontraron el éxito al usar ClickHouse para sus casos de uso; algunas incluso desafiaron las categorías tradicionales de bases de datos y demostraron que, a veces, la herramienta "equivocada" acaba siendo exactamente la solución adecuada.

<div id="clickhouse-rate-limiter">
  ## ClickHouse como limitador de tasa
</div>

Cuando Craigslist necesitó añadir limitación de tasa de primer nivel para proteger a sus usuarios, se enfrentó a la misma decisión que afronta cualquier equipo de ingeniería: seguir la práctica habitual y usar Redis, o explorar algo diferente. Brad Lhotsky, que trabajaba en Craigslist, sabía que Redis era la opción estándar: prácticamente todos los tutoriales y ejemplos en línea sobre limitación de tasa usan Redis por una buena razón. Tiene primitivas muy completas para operaciones de limitación de tasa, patrones consolidados y una trayectoria demostrada. Pero la experiencia de Craigslist con Redis no se parecía a los ejemplos de manual. *"Nuestra experiencia con Redis no es como lo que has visto en las películas... nos hemos encontrado con muchos problemas de mantenimiento extraños; reiniciamos un nodo en un clúster de Redis y algún pico de latencia termina afectando al front-end."* Para un equipo pequeño que valora la simplicidad operativa, estos dolores de cabeza se estaban convirtiendo en un problema real.

Así que cuando le plantearon a Brad los requisitos de limitación de tasa, optó por un enfoque distinto: *"Le pregunté a mi jefe: '¿Qué te parece esta idea? ¿Quizá pueda probar esto con ClickHouse?'"* La idea era poco convencional: usar una base de datos analítica para lo que normalmente sería un problema de capa de caché, pero respondía a sus requisitos principales: fallar en abierto, no imponer penalizaciones de latencia y ser segura de mantener para un equipo pequeño. La solución aprovechaba su infraestructura existente, donde los logs de acceso ya fluían hacia ClickHouse a través de Kafka. En lugar de mantener un clúster de Redis independiente, podían analizar los patrones de solicitudes directamente a partir de los datos del log de acceso e inyectar reglas de limitación de tasa en su API de ACL existente. El enfoque implicaba una latencia ligeramente mayor que Redis, que *"hace un poco de trampa al instanciar ese conjunto de datos por adelantado"* en lugar de ejecutar consultas de agregación en tiempo real, pero las consultas seguían completándose en menos de 100 milisegundos.

**Resultados clave:**

* Mejora drástica frente a la infraestructura de Redis
* TTL incorporado para la limpieza automática, lo que eliminó la sobrecarga de mantenimiento
* La flexibilidad de SQL permitió reglas complejas de limitación de tasa más allá de simples contadores
* Aprovechó la canalización de datos existente en lugar de requerir infraestructura independiente

<div id="customer-analytics">
  ## ClickHouse para análisis de clientes
</div>

Cuando ServiceNow necesitó modernizar su plataforma de analítica móvil, se enfrentó a una pregunta sencilla: *"¿Por qué reemplazar algo que funciona?"* Amir Vaza, de ServiceNow, sabía que su sistema actual era fiable, pero las demandas de los clientes estaban superando lo que podía ofrecer. *"La motivación para sustituir un modelo fiable ya existente viene en realidad del lado del producto"*, explicó Amir. ServiceNow ofrecía analítica móvil como parte de su solución para web, móvil y chatbots, pero los clientes querían una flexibilidad analítica que fuera más allá de los datos preagregados.

Su sistema anterior utilizaba unas 30 tablas distintas con datos preagregados segmentados por dimensiones fijas: aplicación, versión de la aplicación y plataforma. Para las propiedades personalizadas —pares clave-valor que los clientes podían enviar— creaban contadores independientes para cada grupo. Este enfoque ofrecía un alto rendimiento en el dashboard, pero tenía una limitación importante. *"Aunque esto es excelente para desglosar valores rápidamente, como mencioné, esta limitación provoca una gran pérdida de contexto analítico"*, señaló Amir. Los clientes no podían realizar análisis complejos del recorrido del cliente ni hacer preguntas como "cuántas sesiones comenzaron con el término de búsqueda 'research RSA token'" y luego analizar qué hicieron esos usuarios después. La estructura preagregada destruía el contexto secuencial necesario para un análisis de varios pasos, y cada nueva dimensión analítica requería trabajo de ingeniería para preagregarla y almacenarla.

Así que, cuando las limitaciones se hicieron evidentes, ServiceNow se pasó a ClickHouse y eliminó por completo estas restricciones de precomputación. En lugar de calcular cada variable por adelantado, descompusieron los metadatos en puntos de datos e insertaron todo directamente en ClickHouse. Utilizaron la cola de async insert de ClickHouse, que Amir calificó como *"realmente increíble"*, para gestionar la ingestión de datos de forma eficiente. Este enfoque permitió que los clientes pudieran crear sus propios segmentos, desglosar los datos libremente en cualquier dimensión y realizar análisis complejos del recorrido del cliente que antes no eran posibles.

**Resultados clave:**

* Segmentación dinámica en cualquier dimensión sin precomputación
* El análisis complejo del recorrido del cliente pasó a ser posible
* Los clientes podían crear sus propios segmentos y desglosar los datos libremente
* Se eliminaron los cuellos de botella de ingeniería para nuevos requisitos analíticos

<div id="video-sources">
  ## Videos
</div>

* **[Rompiendo las reglas: cómo crear un limitador de tasa con ClickHouse](https://www.youtube.com/watch?v=wRwqrbUjRe4)** - Brad Lhotsky (Craigslist)
* **[ClickHouse como solución analítica en ServiceNow](https://www.youtube.com/watch?v=b4Pmpx3iRK4)** - Amir Vaza (ServiceNow)

*Estas historias demuestran cómo cuestionar las ideas convencionales sobre las bases de datos puede dar lugar a soluciones innovadoras que redefinen lo que es posible con las bases de datos analíticas.*