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.

Databricks' ability to seamlessly integrate everything is what I find most appealing. When working on actual projects, it really makes a big difference that you don't have to switch between several tools for data engineering, analysis, and machine learning.

The collaborative element is very noteworthy. Teams may easily collaborate without things becoming messy thanks to the notebooks' fluid and dynamic feel. For significant data work, it resembles Google Docs almost exactly.

I also really like how efficiently it manages large amounts of data without making it seem difficult. Even when working with large datasets, the platform feels user-friendly and can be scaled up when necessary.

Additionally, it makes perfect sense from an AI/ML standpoint. You are able to construct, Bewertung gesammelt von und auf G2.com gehostet.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things. 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 ich an Databricks am meisten schätze, ist, wie es alles unter einem Dach vereint. Vor Databricks jonglierte ich mit separaten Tools für Datenaufnahme, -transformation, -analyse und ML, und ehrlich gesagt, war es ein Albtraum, sie alle synchron zu halten. Mit der Lakehouse-Architektur kann ich meine Rohdaten speichern, umfangreiche Spark-Transformationen durchführen, Dashboards erstellen und sogar ML-Modelle auf derselben Plattform trainieren. Der Unity Catalog obendrauf bietet mir einen einzigen Ort, um Berechtigungen, Abstammung und Datenentdeckung zu verwalten, was früher Tage dauerte, um mit benutzerdefinierten Skripten zusammenzufügen. Es beseitigt einfach so viel Reibung im Alltag.

Aus Sicht des Workflows war die Notebook-Erfahrung mit Echtzeit-Zusammenarbeit ein Wendepunkt für mein Team. Früher haben wir Python-Skripte über Slack herumgereicht und gehofft, dass niemand die Arbeit des anderen überschreibt. Jetzt bearbeiten wir einfach gemeinsam im selben Notebook und sehen die Ergebnisse sofort. Die Spark Declarative Pipelines (früher Delta Live Tables genannt) ermöglichen es mir, mein gesamtes ETL als einfache SQL- oder Python-Deklarationen zu definieren, und die Plattform übernimmt automatisch Wiederholungen, Datenqualitätsprüfungen und Abstammungsverfolgung. Ich hätte auch nicht erwartet, dass der Jobs-Orchestrator so flexibel ist – ich kann Multi-Task-DAGs mit Abhängigkeiten verknüpfen, Zeitpläne festlegen und Benachrichtigungen erhalten, ohne Airflow oder einen externen Scheduler zu benötigen. Das allein hat uns Wochen an Infrastrukturaufbau erspart.

Die KI- und Intelligenzseite hat mich ehrlich gesagt am meisten überrascht. Die AI/BI-Dashboards ermöglichen es nicht-technischen Mitarbeitern in meinem Team, Fragen in einfachem Englisch zu stellen und tatsächliche Visualisierungen zurückzubekommen, was weniger "Hey, kannst du mir diese Daten ziehen"-Anfragen in meinem Posteingang bedeutet. Model Serving macht das Bereitstellen eines ML-Modells oder eines KI-Agenten zu einem Produktion-Endpunkt fast trivial einfach im Vergleich zum Erstellen einer eigenen Flask-App auf Kubernetes. Und die Integrationen sind solide – egal ob es darum geht, sich über das Databricks SDK mit externen Tools zu verbinden, die REST-API zu nutzen oder sich über Dinge wie MCP-Server mit KI-Coding-Assistenten zu verbinden, es funktioniert gut mit jedem Stack, den man bereits verwendet. Der ROI war für uns klar: weniger Zeit für die Infrastruktur, mehr Zeit für die eigentliche Datenarbeit. Bewertung gesammelt von und auf G2.com gehostet.

Das Preismodell ist wahrscheinlich mein größter Kritikpunkt an Databricks. Es basiert auf DBUs (Databricks Units), und ehrlich gesagt, kann es schnell verwirrend werden, herauszufinden, was wie viel kostet. Man startet einen Cluster für einige schnelle Tests, vergisst, ihn über das Wochenende herunterzufahren, und plötzlich sieht die Rechnung aus, als hätte man einen Produktions-Workload für ein Fortune-500-Unternehmen betrieben. Selbst mit Autoscaling und serverlosen Optionen können die Kosten auf unvorhersehbare Weise steigen, besonders für kleinere Teams oder Startups, die keine dedizierte FinOps-Person haben, die den Zähler im Auge behält. Ich wünschte, die Preisgestaltung wäre transparenter und einfacher im Voraus zu schätzen, ohne dass man eine Tabelle und ein Gebet braucht.

Die Lernkurve ist steiler, als man denkt. Wenn man aus einem traditionellen SQL-Hintergrund kommt oder nur mit einfacheren Tools wie grundlegenden ETL-Plattformen gearbeitet hat, kann Databricks anfangs überwältigend wirken. Es gibt viele Konzepte, die man verstehen muss: Arbeitsbereiche, Cluster, Kataloge, Schemata, Lagerhäuser, Notebooks, Jobs, Pipelines, und die Dokumentation, obwohl umfangreich, geht manchmal davon aus, dass man bereits weiß, wonach man sucht. Neue Teammitglieder einzuarbeiten dauert länger, als mir lieb ist, weil es keinen einzigen geführten Pfad gibt, der sagt: "Fang hier an, dann geh dorthin." Man muss es sich irgendwie selbst zusammenreimen oder sich auf jemanden stützen, der den Schmerz schon durchgemacht hat.

Leistungsmäßig ist es im Allgemeinen solide, aber es gibt Momente, die die Geduld auf die Probe stellen. Kaltstarts bei Clustern können ein paar Minuten dauern, was den Arbeitsfluss unterbricht, wenn man nur schnell eine Abfrage ausführen oder eine kleine Änderung testen möchte. Serverloses Computing hat dies stark verbessert, aber es ist noch nicht für jeden Workload-Typ verfügbar, und manchmal hat die serverlose Option ihre eigenen Eigenheiten mit der Bibliothekskompatibilität. Die Notebook-Benutzeroberfläche, obwohl funktional, kann sich auch träge anfühlen, wenn man mit großen Ausgaben oder langen Notebooks arbeitet – sie ist nicht so reaktionsschnell wie eine lokale IDE. Das sind zwar keine K.-o.-Kriterien, aber es sind die kleinen Ärgernisse, die sich über einen langen Entwicklungstag summieren. 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.

Ich schätze wirklich, wie die Plattform Datenseen und -lager an einem Ort zusammenführt. Es macht die Verwaltung von Daten viel einfacher, und die SQL-Leistung ist dank der Photon-Engine sehr schnell. Ich mag auch die kollaborativen Notebooks, weil sie es mir ermöglichen, nahtlos in einer einzigen Umgebung mit sowohl SQL als auch Python zu arbeiten. Bewertung gesammelt von und auf G2.com gehostet.

Die Kosten können hoch sein, und das DBU-Abrechnungssystem ist ziemlich komplex zu verfolgen. Ich habe auch festgestellt, dass es eine erhebliche Lernkurve gibt, wenn es um Spark und die Konfiguration von Clustern geht. Für kleinere, schnelle Aufgaben kann die Einrichtungszeit und der technische Aufwand manchmal etwas zu viel erscheinen. Bewertung gesammelt von und auf G2.com gehostet.