Databricks Bewertungen & Produktdetails

What I like best about Databricks is its powerful and unified analytics ecosystem. Features like Unity Catalog and Metastore make data governance and access control seamless, while the Lakehouse architecture combines the best of data lakes and warehouses. PySpark support, dbutils, and collaborative workspaces make development efficient, and serverless compute simplifies scaling without infrastructure overhead. Bewertung gesammelt von und auf G2.com gehostet.

What I dislike about Databricks is the slow startup time of all-purpose clusters, which can interrupt workflow and reduce productivity. Additionally, Git integration can feel a bit sluggish at times, especially during commits or syncing, making version control less seamless than expected. Bewertung gesammelt von und auf G2.com gehostet.

i am working as a Data management specialist and using databricks regularly for handling data pipelines, large scale data processing, and governance tasks, i like most is that databricks provides a single unified platform for data engineering , analytics and AI , instead of using multiple tools. everything is available in one place, the lakehouse architecture is very useful because it combines data warehouse and data lake capabilities, so we can manage both structured and unstructured data efficiently. performance is very strong, especially with apache spark, it can process very large datasets quickly. i also like the collaborative notebooks where teams can work together using SQL, python or scala. Bewertung gesammelt von und auf G2.com gehostet.

one issue is that it has a steep learning curve, especially for new users who are not familiar with spark or distributed systems. cost management can also be challenging , it clustered are not optimized properly it can become expensive, sometimes too many features and configuration can makes it complex to manage for smaller teams. sometimes the platform feel complex. with many feature and configuration which can be difficult for smaller teams to manages. it it a powerful platform, but complexity and cost control are the main challenges in daily use. Bewertung gesammelt von und auf G2.com gehostet.

Die Fähigkeit von Databricks, alles nahtlos zu integrieren, finde ich am ansprechendsten. Bei der Arbeit an tatsächlichen Projekten macht es wirklich einen großen Unterschied, dass man nicht zwischen mehreren Tools für Datenengineering, Analyse und maschinelles Lernen wechseln muss.

Das kollaborative Element ist sehr bemerkenswert. Teams können problemlos zusammenarbeiten, ohne dass es chaotisch wird, dank des flüssigen und dynamischen Gefühls der Notebooks. Für bedeutende Datenarbeit ähnelt es fast genau Google Docs.

Ich mag auch sehr, wie effizient es große Datenmengen verwaltet, ohne dass es schwierig erscheint. Selbst bei der Arbeit mit großen Datensätzen fühlt sich die Plattform benutzerfreundlich an und kann bei Bedarf skaliert werden.

Zusätzlich macht es aus einer KI/ML-Perspektive vollkommen Sinn. Man kann konstruieren, Bewertung gesammelt von und auf G2.com gehostet.

Databricks kann anfangs etwas überwältigend wirken, was mir nicht gefällt. Cluster, Notebooks, Jobs, Workflows – es gibt viel, was passiert, und wenn man neu ist, braucht es einige Zeit, um wirklich zu verstehen, wie alles zusammenarbeitet.

Kostenkontrolle ist ein weiterer Nachteil. Es ist zweifellos stark, aber die Ausgaben könnten schnell steigen, wenn man unvorsichtig mit der Cluster-Nutzung oder den Auto-Scaling-Einstellungen umgeht. Um alles unter Kontrolle zu halten, muss man etwas Selbstdisziplin üben und die Dinge im Auge behalten. Bewertung gesammelt von und auf G2.com gehostet.

Ich glaube, das Attraktivste an Databricks liegt in seiner All-in-One-Natur, die das Datenmanagement erleichtert. Früher, als ich mehrere Tools für datenbezogene Aktivitäten nutzte, war die Erfahrung nicht großartig, aber hier scheint alles miteinander verbunden und unkompliziert zu sein.

Die Möglichkeit, Notebooks zu nutzen, insbesondere bei der Arbeit mit PySpark, ist ein weiterer Vorteil von Databricks, den ich im Kern mag. Das Tool ermöglicht es, Änderungen und Modifikationen schnell auszuführen, ohne übermäßige Vorbereitung. Es wirkt sich auch positiv auf den Prozess der Zusammenarbeit in meinem Team aus, das gleichzeitig an seinen Projekten arbeiten und den Gesamtfortschritt überwachen kann. Allerdings kann die Versionskontrolle manchmal etwas unklar erscheinen, meiner Meinung nach.

In Bezug auf die Leistung scheint Databricks für mich effizient im Umgang mit Big Data zu sein und läuft reibungslos ohne Verzögerungen. Das Clustering erfolgt automatisch, was mir und meinem Team Zeit auf der Infrastrukturebene spart. Daher ist es einfach, da keine zusätzliche Planung und Anpassungen erforderlich sind.

Es gibt kleinere Probleme mit der Benutzeroberfläche, die manchmal langsam arbeitet. Aber insgesamt, aufgrund anderer hervorragender Aspekte wie einfacher Methoden zur Implementierung und Integration, ermutigt es mich, Databricks häufig zu nutzen. Bewertung gesammelt von und auf G2.com gehostet.

Ein Aspekt von Databricks, den ich nicht mag, ist die Benutzeroberfläche. Wenn man das Tool länger benutzt, wird das Wechseln zwischen Notebooks und Clustern manchmal lästig.

Ein weiteres Problem sind die Kosten, die sich schneller summieren können, wenn wir nicht vorsichtig sind. Unnötige Cluster können länger laufen als nötig und ohne mein oder das Wissen meines Teams, wodurch die Kosten in unseren Projekten steigen.

Es gibt auch die Komplexität der Fehlersuche, die manchmal schwierig ist, da es zusätzlichen Aufwand erfordert, herauszufinden, wo etwas schiefgelaufen sein könnte, insbesondere bei der Arbeit mit komplexen Pipelines.

Manchmal gibt es auch Unstimmigkeiten im Kundenservice, die uns an Orte führen, an denen wir nicht sein müssen. Bewertung gesammelt von und auf G2.com gehostet.

Was mir an Databricks am besten gefällt, ist, wie es Datenengineering, Analytik und maschinelles Lernen in einem einheitlichen Arbeitsbereich vereint. Ich finde die Zusammenarbeit mit geteilten Notebooks viel einfacher, und die nahtlose Integration mit Big-Data-Tools spart mir Zeit. Es vereinfacht komplexe Arbeitsabläufe, bietet aber dennoch leistungsstarke Funktionen, wenn ich sie benötige. Bewertung gesammelt von und auf G2.com gehostet.

Eine Sache, die ich an Databricks nicht mag, ist, dass es teuer wirken kann, besonders für kleinere Projekte oder Teams. Ich finde auch, dass die Clusterkonfiguration und das Kostenmanagement manchmal etwas komplex sind. Die Benutzeroberfläche, obwohl leistungsstark, kann für Anfänger überwältigend sein, und das Debuggen von verteilten Jobs ist nicht immer so einfach, wie ich es mir wünschen würde. Bewertung gesammelt von und auf G2.com gehostet.

Was mir an Databricks am besten gefällt, ist, wie es Datenengineering, Analytik und maschinelles Lernen in einem sauberen Arbeitsbereich zusammenführt. Es spart Zeit, erleichtert die Zusammenarbeit und hilft Teams, schneller mit großen Datenmengen zu arbeiten. Bewertung gesammelt von und auf G2.com gehostet.

Was ich an Databricks nicht mag, ist, dass der Auto Loader frustrierend werden kann, wenn sich die Quelldaten häufig ändern, insbesondere wenn sich Spaltennamen oder Datentypen ohne Vorwarnung ändern.

Zum Beispiel kann ein Feld wie customer_id plötzlich als cust_id erscheinen, oder eine Spalte, die zuvor ein String war, kann plötzlich als Integer ankommen, was zu Schema-Drift führen und die nachgelagerte Verarbeitung stören kann.

Ich finde es auch unpraktisch, wenn die Schema-Erkennung nicht vollständig genau ist, zum Beispiel wenn verschachtelte JSON- oder semi-strukturierte Daten falsch gelesen werden, da dies dann zusätzliche manuelle Korrekturen und Wartung erfordert, um die Pipelines reibungslos am Laufen zu halten. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag, dass Databricks alles an einem Ort zusammenführt, sodass es nicht notwendig ist, verschiedene Werkzeuge für Datenverarbeitung, Analysen und Pipeline-Arbeit zu verwenden. Es verarbeitet große Datenmengen gut, und wir müssen uns keine Sorgen machen, Cluster manuell zu verwalten. Außerdem unterstützt Databricks die Zusammenarbeit und das Experimentieren gut, was es einfach macht, neue Dinge auszuprobieren. Bewertung gesammelt von und auf G2.com gehostet.

Aus meiner Sicht ist der Bereich, der verbessert werden kann, das Kostenmanagement. Wenn Cluster nicht sorgfältig überwacht werden, können die Kosten schneller steigen als erwartet. Eine Verbesserung, die helfen würde, ist eine bessere Sichtbarkeit der Kosten auf einer detaillierteren Ebene. Mehr eingebaute Warnungen oder Empfehlungen, wenn die Kosten unerwartet zu steigen beginnen, wären ebenfalls hilfreich. Bewertung gesammelt von und auf G2.com gehostet.

Der einheitliche Plattformansatz ist das, was ich am meisten schätze. Notebooks, Datenengineering-Pipelines, ML-Workflows und SQL-Analysen an einem Ort zu haben, spart eine Menge Zeit, anstatt mit mehreren Tools zu jonglieren. Die kollaborativen Notebooks erleichtern das Teilen von Arbeit mit Teamkollegen, und das Clustermanagement ist im Laufe der Zeit viel reibungsloser geworden. Die Integration von Delta Lake ist ebenfalls ein großer Pluspunkt, um unsere Daten zuverlässig und konsistent zu halten. Bewertung gesammelt von und auf G2.com gehostet.

Die Kosten können ziemlich schnell außer Kontrolle geraten, wenn man nicht vorsichtig mit der Clustergröße und der Betriebszeit umgeht. Es ist nicht immer offensichtlich, wie man die Ausgaben optimieren kann, und das Preismodell wirkt komplex. Die Lernkurve für neue Teammitglieder ist auch steiler, als mir lieb ist, besonders für Leute, die nicht bereits mit Spark vertraut sind. Manchmal kann sich die Benutzeroberfläche träge anfühlen, wenn man mit größeren Notebooks arbeitet, und das Debuggen von Jobfehlern könnte einfacher sein. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag, dass Databricks ein All-in-One-Kraftpaket ist, wo ich mehrere Arbeiten an einem Ort erledigen kann. Es ist leistungsstark, um Daten aus mehreren Quellen zu verwalten und sie in einem einzigen UC zu haben, um Berechtigungen mit Zeilenebensicherheit zu verwalten. Ich schätze auch, dass ich Experimente erstellen, mehrere Modelle ausführen und das beste aus den Protokollen auswählen kann, was auf anderen Plattformen schwierig war. Sobald ich die Einrichtung gelernt hatte, war es einfach und bequem zu arbeiten. Bewertung gesammelt von und auf G2.com gehostet.

Ich finde es schwierig, den Rechner zu benutzen, um die Preise für CPU-Serving-Endpunkte zu bestimmen, da die Dokumentation dies nicht explizit erklärt. Sie erwähnt nur, dass 1 Gleichzeitigkeit 1 DBU auf der Azure-Seite entspricht, was nicht klar ist. Der Preiskalkulator hat eine einzige Option für Serving-Endpunkte, die als mittel mit vier DBU bezeichnet ist, aber es fehlen separate Optionen für GPU oder CPU und deren Gleichzeitigkeit, was es schwer macht zu verstehen, wie es richtig funktioniert. Anfangs fand ich es auch sehr schwierig, Databricks zu lernen und die Bereitstellungen von Arbeitsbereichen zu verwalten, obwohl es mit der Zeit einfacher wurde. Bewertung gesammelt von und auf G2.com gehostet.