Nuestro setup de ClickHouse para reducir costes
ObsessionDB abarata ClickHouse reduciendo cuánto consumes, no lo que pagas por unidad. Guardamos una sola copia de los datos en object storage en lugar de una por réplica, dimensionamos el compute para la carga en vez de duplicarlo por disponibilidad, movemos unas cuatro veces menos datos entre nodos durante los merges y no cobramos la transferencia de datos. El almacenamiento se factura por terabyte comprimido, así que esa línea la deciden el orden de tu sort key y tus tipos de columna.
25.600 $ al mes frente a bastante más de 150.000 $. Son las dos facturas de infraestructura de nuestro benchmark de 10.000 millones de filas, con veinte nodos en cada lado. Con la migración desde BigQuery que publicamos en junio pasó lo mismo: unos 8.000 $ al mes en cargos por escaneo se convirtieron en un cluster de tres nodos por unos 2.000 $. Ya hemos escrito sobre latencia y escalado. Este post va de coste: de qué se compone una factura de ClickHouse, qué parte de nuestro setup recorta cada línea y qué puedes cambiar en cualquier cluster.
De qué se compone una factura de ClickHouse
Una factura de ClickHouse puede tener cuatro líneas. El compute, porque los nodos necesitan RAM y cores para las queries y para los merges que se ejecutan entre una y otra. El almacenamiento comprimido, porque MergeTree comprime cada columna al escribirla y lo que se mide son esos bytes. La transferencia de datos, porque los clusters mueven partes entre nodos y envían resultados a los clientes, y los proveedores cloud cobran por cada byte que sale de una región. Los cargos por query solo existen en warehouses como BigQuery y Snowflake. ClickHouse factura la capacidad que provisionas, y las queries que lanzas sobre ella no cuestan nada más.
Qué líneas ves depende de quién gestione el cluster. Si es self-hosted, pagas a tu proveedor cloud las instancias, el almacenamiento multiplicado por el número de réplicas y el egress, además de los ingenieros de guardia. ClickHouse Cloud cobra el compute por minuto, el almacenamiento comprimido por terabyte y el egress por gigabyte. Los servicios bring-your-own-cloud suman una cuota de gestión por vCPU a la factura de tu proveedor. ObsessionDB cobra un precio mensual fijo por nodo y otro por terabyte comprimido, sin cargos por transferencia ni por query. Nuestros precios:
| Concepto | ObsessionDB |
|---|---|
| Compute, un nodo de 64 GB durante un mes | 1.280 $ (8 unidades de 2 vCPU y 8 GB a 160 $) |
| Almacenamiento, por TB comprimido y mes | 25 $ |
| Transferencia de datos de salida | Gratis, en ambos sentidos |
| Por query | Nada |
El gráfico del principio aplica estos precios a tres nodos de 64 GB con compresión 7x, desde 10 TB hasta un petabyte. En nuestro setup, la misma carga necesita menos nodos y menos terabytes, por los motivos que vienen a continuación.
El setup, capa a capa
Cada pieza del setup reduce la cantidad de algo que pagas: copias de los datos, nodos, ancho de banda, terabytes comprimidos o datos que salen de la región. Los precios no cambian.
Una sola copia de los datos
Tres réplicas son tres copias. Con ReplicatedMergeTree, un servidor escribe una parte y el resto de réplicas la descargan a su propio disco, así que tres réplicas de una tabla de 54 GiB ocupan unos 162 GiB. A los 23,60 $ por terabyte de S3 Standard, 10 TB en tres réplicas son 30 TB y 708 $ al mes. Los mismos 10 TB en ObsessionDB cuestan 250 $. Montar MergeTree sobre un disco S3 no lo soluciona, porque cada réplica sigue teniendo sus propios objetos y metadatos. La replicación zero-copy les permitiría compartirlos, pero viene desactivada por defecto desde la 22.8 y no se recomienda en producción.
Alloy, nuestro motor desarrollado sobre la API de SharedMergeTree, guarda una sola copia de los datos en object storage y nada permanente en los nodos. Añadir un nodo no mueve datos, y quitarlo tampoco los toca. Pagas el almacenamiento una vez, da igual cuántos nodos tengas.
Compute ajustado a cada trabajo
En un cluster replicado, cada réplica es un seguro que pagas a precio completo y todo el tiempo. Tiene que ser tan grande como la primaria por si le toca relevarla, y mientras espera ejecuta los mismos merges sobre su propia copia. Con almacenamiento compartido, un nodo que cae se sustituye por otro nuevo que se conecta a los mismos datos, así que no hace falta tener nada en reserva.
Los nodos que sirven a un cliente van en un grupo y sus backfills y benchmarks en otro, y los dos leen los mismos datos. Dimensionamos los nodos de servicio para servir, no para el trabajo más pesado del trimestre. Mover un nodo de un grupo a otro no copia datos, y cuando termina un trabajo el nodo extra desaparece, y su coste con él. Nuestra regla de dimensionado, del post de escalado: menos nodos, pero más grandes, y como mínimo tres. Los merges y los joins grandes necesitan la memoria de un único nodo, y un cluster de dos nodos pierde la mitad de su capacidad durante un rolling update.
Ancho de banda, el coste oculto
En AWS, las instancias optimizadas para red cuestan alrededor de un tercio más con la misma CPU y memoria. Una c6in.xlarge sale a 0,2268 $ la hora frente a los 0,17 $ de una c6i.xlarge, ambas con 4 vCPU y 8 GiB, y la m6in.xlarge cuesta un 45 % más que la m6i.xlarge (us-east-1, 22 de septiembre de 2026). Ninguna tarifa de ClickHouse incluye una línea de ancho de banda: lo pagas en el tamaño de los nodos que necesitas.
Un cluster distribuido de ClickHouse se pasa la mayor parte del tiempo moviendo datos, así que el ancho de banda limita la latencia y la concurrencia antes que la CPU. Uno de nuestros clusters de seis nodos movió unos 400 TB entre nodos en una sola semana de ingesta intensa. Si seis nodos reparten los merges al azar, solo el 17 % de los datos que lee un merge es local. En los nuestros ronda el 70 %, unas cuatro veces menos tráfico de merges, y las lecturas con parallel replicas siguen el mismo criterio de ubicación para que al menos la mitad sea local.
La caché distribuida hace el resto. El NVMe de cada nodo forma parte de una única caché compartida, las partes entran en caché en cuanto se escriben y traer datos de otro nodo tarda menos de un milisegundo, cuando al object storage le cuesta decenas de milisegundos. Con peticiones más rápidas, cada nodo atiende más con el mismo ancho de banda y lanza menos peticiones GET al object storage, que las cobra por millar. La caché funciona sobre discos que ya pagas con el nodo. Conseguir la misma velocidad desde el almacenamiento obligaría a usar S3 Express One Zone a 0,11 $ por GB al mes, 4,8 veces el precio de S3 Standard incluso tras la rebaja de 2025. El resultado son nodos más pequeños para la misma carga, o más carga con los mismos nodos, y de ahí sale la diferencia del benchmark del principio.
Compresión
El almacenamiento se factura por terabyte comprimido, así que tu ratio de compresión marca lo que pagas por él. La documentación de ClickHouse habla de unas 10x en datos analíticos típicos, y nuestros clusters andan por ahí: 7,94x en una partición de transferencias de blockchain, unas 6,5x en un cluster completo (130 TB de datos en bruto guardados en 20 TB), 16x en nuestros logs, 13x en nuestras métricas y 3,05x en la tabla de 56 TB llena de claves aleatorias de 64 bytes. Nuestra página de precios asume 7x, y la query de la caja de herramientas de más abajo te dice cuánto comprimes tú. El schema puede multiplicar todavía más: solo con el orden de la sort key se gana casi 2x sobre las mismas filas, como se ve en el gráfico de abajo. Los codecs aportan, como mucho, unos pocos puntos porcentuales.
Los merges también ayudan. El dataset del benchmark de 10.000 millones de filas ocupaba 92 GB en seis partes y 54 GB al fusionarlas en una, porque las partes grandes comprimen mejor. Como nuestros merges tienen en cuenta la localidad, podemos llegar a partes de 150 GB sin saturar la red. Un cluster que limita el tamaño de las partes para ahorrar ancho de banda lo acaba pagando en almacenamiento.
Transferencia
El egress es lo que pagas por leer tus propios datos desde fuera de su región. En ClickHouse Cloud, enviar datos a internet cuesta 0,1152 $ por GB en AWS us-east-1, y moverlos entre regiones, 0,0312 $ por GB. Un dashboard que se trae 1 TB al mes cuesta 118 $, y replicar 10 TB al mes a otra región, 319 $. Nuestros precios no incluyen cargo por transferencia, y desplegamos en la misma región que tu aplicación.
Sin cargos por query
Pagar por escaneo sale a cuenta si lanzas una query al mes. BigQuery cobra 6,25 $ por TiB escaneado y Snowflake, créditos por segundo de warehouse, multiplicados por el número de clusters encendidos. La migración desde BigQuery que publicamos en junio escaneaba unos 1.600 TB al mes, y con ese volumen el cargo por escaneo era toda la factura. ObsessionDB no cobra por query. El post sobre agentes explica por qué importa cuando tu cliente es un programa que lanza cien queries por cada una que lanza alguien desde un dashboard.
La caja de herramientas: qué mueve el coste de ClickHouse en cualquier cluster
Todo lo anterior viene de serie en nuestra plataforma. Los cambios de abajo sirven en cualquier cluster de ClickHouse, y van agrupados por la línea de la factura que reducen.
Almacenamiento
Empieza por los cambios que más bytes por fila te quitan. Primero, la sort key: las columnas de baja cardinalidad al principio y las de alta entropía al final, para que los valores repetidos queden juntos. Después, los tipos: usa el más pequeño en el que quepan los datos. Las dos cosas pesan más que cualquier codec.
LowCardinality ayuda por debajo de unos 10.000 valores distintos y puede salir caro por encima de 100.000: comprueba antes uniqExact sobre una muestra. Nullable añade un segundo fichero con una máscara UInt8, y según la documentación de ClickHouse casi siempre empeora el rendimiento. Usa un valor DEFAULT siempre que puedas.
Los codecs, al final. ClickHouse self-managed usa LZ4 por defecto, y ClickHouse Cloud, ZSTD(1). ZSTD comprime en torno a un 30 % mejor, pero descomprime más despacio. Delta y DoubleDelta encajan con enteros crecientes, T64 con enteros en un rango estrecho y Gorilla con floats que cambian poco a poco, aunque las propias pruebas de ClickHouse concluyeron que rara vez superan a ZSTD. Revisa cada columna antes de tocar nada:
SELECT name,
formatReadableSize(sum(data_compressed_bytes)) AS compressed,
formatReadableSize(sum(data_uncompressed_bytes)) AS uncompressed,
round(sum(data_uncompressed_bytes) / sum(data_compressed_bytes), 2) AS ratio
FROM system.columns
WHERE table = 'transfers'
GROUP BY name
ORDER BY sum(data_compressed_bytes) DESC;
| Palanca | Qué ganas | Qué te cuesta |
|---|---|---|
| Sort key: baja cardinalidad primero, entropía al final | Varias veces menos bytes por fila | Una projection o un índice para el otro patrón de acceso |
| Tipos más estrechos | Unas 2x en el dataset de ejemplo de la documentación de ClickHouse | Nada |
LowCardinality por debajo de 10.000 valores distintos | Codificación por diccionario, filtros más rápidos | Inserts más lentos; peor por encima de 100.000 |
Int8 DEFAULT 0 en lugar de Nullable(Int8) | Sin fichero de máscara, escaneos más rápidos | Un valor centinela que la aplicación tiene que conocer |
FixedString y CODEC(NONE) en bytes aleatorios | No gastas CPU en bytes que no van a comprimir | Decodificar al leer |
| Una clave subrogada para un valor incompresible que se repite | De 20 a 14 TiB en una tabla | Un lookup en los accesos que necesitan el valor original |
| De ZSTD(1) a ZSTD(3), codecs específicos en columnas monótonas | Los últimos puntos porcentuales | Velocidad de descompresión por encima del nivel 3 |
| Una projection | Baja latencia con una segunda clave | Unas 2x el almacenamiento de la tabla |
Compute
Usa menos nodos, pero más grandes, y nunca menos de tres. Dimensiona la caché según tu working set: todos los datos calientes en una API en tiempo real, porque la caché se llena al escribir y expulsa primero lo más antiguo, y mucho menos en cargas de observabilidad o de warehouse. Activa parallel replicas query a query, con un mínimo de filas como salvaguarda. Deja que los merges lleguen a partes de 150 GB: la bajada de 92 GB a 54 GB de antes es almacenamiento gratis. Quita los nodos sobrantes cuando acaben los trabajos; con almacenamiento compartido, eso solo toca metadatos.
Movimiento de datos
Un merge descarga datos, los descomprime, los vuelve a comprimir y los sube, y los deletes repiten parte de ese trabajo. En object storage, cada paso cuesta peticiones y ancho de banda. Una query cuesta como mínimo sus peticiones GET, como contamos en el post de latencia, y la ingesta, como mínimo los PUT de cada parte. El almacenamiento empaquetado escribe todas las columnas de una parte en un solo objeto, unas 15 veces menos escrituras en partes anchas. Para mover menos datos, usa los settings de ubicación: cache_locality_aware_merges con min_bytes_for_locality_aware_merges a 100 MB, y parallel_replicas_cache_locality_strategy = 'auto'. Cada vista materializada añade una escritura más por insert. En cuanto al egress, el tráfico dentro de una región es gratis en todos los servicios de ClickHouse, así que pon el compute en la misma región que tu aplicación y usa un private link para el resto.
Qué línea está creciendo y cómo corregirla
Localiza qué línea de la factura crece y tira de la tabla.
| Qué ha crecido | Qué mirar primero | Qué hacer |
|---|---|---|
| Almacenamiento, más rápido que el número de filas | Bytes por fila de cada columna en system.columns | Orden de la sort key, tipos más estrechos, DEFAULT en lugar de Nullable, LowCardinality por debajo de 10.000, una clave subrogada para la columna incompresible |
| Almacenamiento, el doble tras un cambio de schema | Tamaño de la projection frente al de la tabla | Contar con 2x, o servir la segunda clave con un skip index |
| Compute, con el número de nodos | Bytes entre nodos durante las ventanas de merges | Merges que tengan en cuenta la localidad, o menos nodos, pero más grandes |
| Compute, con la concurrencia | Tasa de aciertos de caché y GET por query | Caché dimensionada al working set; una caché distribuida en lugar de una por nodo |
| Una línea de transferencia | Quién lee desde qué región | Llevar el compute a la misma región; private links para el resto |
| Una línea por escaneo | Queries al mes frente al precio de compute fijo | Esa carga debería ir en compute provisionado |
Es la misma idea que en los posts de latencia y escalado: menos hardware para el mismo rendimiento, o más rendimiento con el mismo hardware. La factura va detrás del hardware. Si la tuya no deja de crecer y la tabla no te explica por qué, nuestra auditoría de costes revisa tu query log y el tamaño de tus columnas y te cuenta lo que encontremos, uses ObsessionDB o no.
FAQ
Porque el volumen de datos es solo una de las cuatro líneas de la factura. El compute crece con la concurrencia y con los nodos más grandes que te obliga a usar el ancho de banda. El almacenamiento depende tanto del orden de la sort key y de los tipos de columna como del número de filas. La transferencia depende de dónde estén quienes leen los datos. Revisa cada línea por separado.
Depende de los datos. La documentación de ClickHouse habla de unas 10x en datos analíticos típicos. Nosotros hemos medido 16x en logs, 13x en métricas, 7,94x en una partición de transferencias, unas 6,5x en un cluster completo y 3,05x en una tabla llena de firmas aleatorias de 64 bytes. Lanza sobre tus tablas la query de `system.columns` de la caja de herramientas.
Sí. Una columna Nullable guarda, junto a los valores, un fichero extra con una máscara UInt8, y según la documentación de ClickHouse casi siempre empeora el rendimiento. Una prueba independiente con mil millones de filas midió una máscara de 187 MB, alrededor de un 9 % más de almacenamiento y escaneos un tercio más lentos. Usa un valor DEFAULT siempre que puedas.
Ahorra espacio por debajo de unos 10.000 valores distintos, donde el diccionario ocupa menos que la columna original. Por encima de 100.000, el diccionario cuesta más de lo que ahorra, y ClickHouse lo rechaza en tipos de 8 bytes o menos salvo que te saltes la comprobación. Además, los inserts se ralentizan: un 60 % en una prueba publicada.
Con ReplicatedMergeTree, sí. Cada réplica copia todas las partes a su propio disco o a sus propios objetos en S3, así que tres réplicas guardan tres copias. La replicación zero-copy les permitiría compartirlas, pero ClickHouse dice que no está lista para producción. Los motores de almacenamiento compartido, SharedMergeTree y Alloy de ObsessionDB, guardan una sola copia, tengas los nodos que tengas.
Cobran por cosas distintas. BigQuery on-demand cobra 6,25 $ por TiB escaneado, y Snowflake, créditos por segundo de warehouse, multiplicados por los clusters que tengas encendidos. Los servicios de ClickHouse cobran por compute y por almacenamiento comprimido, y nada por query. Por eso una carga que escaneaba 1.600 TB al mes pasó a costar un 75 % menos después de migrar.
Seguir Leyendo
Publicado originalmente en obsessionDB. Lee el artículo original aquí.
ClickHouse is a registered trademark of ClickHouse, Inc. https://clickhouse.com