Agent skill · data analytics · affaan-m
clickhouse-io
고성능 분석 워크로드를 위한 ClickHouse 데이터베이스 패턴, 쿼리 최적화, 분석 및 데이터 엔지니어링 모범 사례.
Why this skill is useful
Provides specific ClickHouse query optimization patterns and data engineering best practices that the AI wouldn't reliably generate on its own.
What it needs
About 5k tokens when loaded. Last updated 2026-08-06. 238,342 stars on the source repository.
What this skill does
ClickHouse 분석 패턴 고성능 분석 및 데이터 엔지니어링을 위한 ClickHouse 전용 패턴. 활성화 시점 ClickHouse 테이블 스키마 설계 시 (MergeTree 엔진 선택) 분석 쿼리 작성 시 (집계, 윈도우 함수, 조인) 쿼리 성능 최적화 시 (파티션 프루닝, 프로젝션, 구체화된 뷰) 대량 데이터 수집 시 (배치 삽입, Kafka 통합) PostgreSQL/MySQL에서 ClickHouse로 분석 마이그레이션 시 실시간 대시보드 또는 시계열 분석 구현 시 개요 ClickHouse는 온라인 분석 처리(OLAP)를 위한 컬럼 지향 데이터베이스 관리 시스템(DBMS)입니다. 대규모 데이터셋에 대한 빠른 분석 쿼리에 최적화되어 있습니다. 주요 특징: 컬럼 지향 저장소 데이터 압축 병렬 쿼리 실행 분산 쿼리 실시간 분석 테이블 설계 패턴 MergeTree 엔진 (가장 일반적) ReplacingMergeTree (중복 제거) AggregatingMergeTree (사전 집계) 쿼리 최적화 패턴 효율적인 필터링 집계 윈도우 함수 데이터 삽입 패턴 배치 삽입 (권장) 스트리밍 삽입 구체화된 뷰 실시간 집계 성능 모니터링 쿼리 성능 테이블 통계 일반적인 분석 쿼리 시계열 분석 퍼널 분석 코호트 분석 데이터 파이프라인 패턴 ETL 패턴 변경 데이터 캡처 (CDC) 모범 사례 1. 파티셔닝 전략 시간별 파티셔닝 (보통 월 또는 일) 파티션이 너무 많은 것 방지 (성능 영향) 파티션 키에 DATE 타입 사용 2. 정렬 키 가장 자주 필터링되는 컬럼을 먼저 배치 카디널리티 고려 (높은 카디널리티 먼저) 정렬이 압축에 영향을 미침 3. 데이터 타입 가장 작은 적절한 타입 사용 (UInt32 vs UInt64) 반복되는 문자열에 LowCardinality 사용 범주형 데이터에 Enum 사용 4. 피해야 할 것 SELECT (컬럼을 명시) FINAL (쿼리 전에 데이터를 병합) 너무 많은 JOIN (분석을 위해 비정규화) 작은 빈번한 삽입 (배치 처리) 5. 모니터링 쿼리 성능 추적 디스크 사용량 모니터링 병합 작업 확인 슬로우 쿼리 로그 검토 기억하세요: ClickHouse는 분석 워크로드에 탁월합니다. 쿼리 패턴에 맞게 테이블을 설계하고, 배치 삽입을 사용하며, 실시간 집계를 위해 구체화된 뷰를 활용하세요.
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills affaan-m/clickhouse-io--1528b8