# Databricks Reviews **Vendor:** Databricks Inc. **Category:** [Großdatenverarbeitung und Verteilungssysteme](https://www.g2.com/de/categories/big-data-processing-and-distribution) **Average Rating:** 4.6/5.0 **Total Reviews:** 780 ## About Databricks Databricks ist eine einheitliche Daten- und KI-Plattform, die Organisationen dabei hilft, Datenpipelines, Analysen, maschinelles Lernen, KI-Anwendungen und -Agenten zu erstellen, zu verwalten und zu skalieren. Mehr als 20.000 Organisationen weltweit – darunter adidas, AT&T, Bayer, Block, Mastercard, Rivian, Unilever und 70 % der Fortune 500 – verlassen sich auf Databricks, um mit Unternehmensdaten und KI im großen Maßstab zu arbeiten. Mit Hauptsitz in San Francisco und über 30 Büros weltweit bietet Databricks eine einheitliche Plattform, die Agent Bricks, Lakeflow, Lakehouse, Lakebase, Genie und Unity Catalog umfasst. Databricks wurde 2013 von den ursprünglichen Entwicklern von Apache Spark™, Delta Lake, MLflow und Unity Catalog gegründet und basiert auf einer offenen Lakehouse-Architektur, die Daten, Analysen und KI zusammenführt. Die Plattform wird von Dateningenieuren, Datenwissenschaftlern, Analysten, Entwicklern, Teams für maschinelles Lernen, KI-Teams und Geschäftsanwendern genutzt, um über den gesamten Daten- und KI-Lebenszyklus hinweg zusammenzuarbeiten. Zu den wichtigsten Fähigkeiten von Databricks gehören: - Datenengineering: Erstellen, automatisieren und verwalten Sie zuverlässige Batch-, Streaming- und Echtzeit-Datenpipelines. - Analytik und Business Intelligence: Führen Sie SQL-Analysen durch, erstellen Sie Dashboards und ermöglichen Sie Geschäftsteams, Daten zu erkunden. - Datenverwaltung: Entdecken, sichern und verwalten Sie Daten- und KI-Ressourcen über Teams, Clouds und Workloads hinweg. - Maschinelles Lernen und KI: Entwickeln Sie Modelle, erstellen Sie generative KI-Anwendungen und erstellen Sie produktionsreife KI-Agenten. - Datenanwendungen: Erstellen und implementieren Sie datengesteuerte Anwendungen unter Verwendung von verwalteten Unternehmensdaten. Verfügbar über AWS, Azure und Google Cloud, hilft Databricks Organisationen, über Clouds hinweg zu arbeiten, Datensilos zu reduzieren und die Zusammenarbeit über Teams und Tools hinweg zu vereinfachen. Kunden nutzen Databricks für Anwendungsfälle wie Kundenpersonalisierung, Betrugserkennung, vorausschauende Wartung, Echtzeitanalysen, Cybersicherheit, Gesundheitsforschung, Finanzrisikomanagement, Lieferkettenoptimierung und KI-gestützte Entscheidungsfindung. Databricks wird in verschiedenen Branchen eingesetzt, darunter Finanzdienstleistungen, Gesundheitswesen und Biowissenschaften, Einzelhandel, Fertigung, Energie und der öffentliche Sektor. Organisationen nutzen die Plattform, um die Dateninfrastruktur zu modernisieren, die KI-Einführung zu beschleunigen und Unternehmensdaten in Geschäftswert umzuwandeln. ## Databricks Pros & Cons **What users like:** - Benutzer schätzen die **robusten KI-Funktionen und nahtlosen Integrationen** von Databricks, die das Datenmanagement und die Sicherheit verbessern. (192 reviews) - Benutzer loben die **Benutzerfreundlichkeit** von Databricks für das Hosting von Modellen und die nahtlose Integration mit verschiedenen Diensten. (155 reviews) - Benutzer loben Databricks für seine **nahtlosen Integrationen** , die die Echtzeit-Zusammenarbeit und Analysen über verschiedene Plattformen hinweg verbessern. (141 reviews) - Benutzer schätzen die **kollaborative Umgebung** von Databricks, die die Teamarbeit zwischen Dateningenieuren und Analysten in Echtzeit verbessert. (114 reviews) - Analytik (113 reviews) - Skalierbarkeit (111 reviews) - ML-Integration (106 reviews) - Benutzer schätzen die **einfachen Integrationen** von Databricks, die nahtlos mit der Cloud-Infrastruktur verbunden sind und das Datenmanagement verbessern. (102 reviews) - Maschinelles Lernen (97 reviews) - Benutzer schätzen die **effektiven Datenmanagement- und Intelligenzwerkzeuge** von Databricks, die ihre Entscheidungsprozesse verbessern. (87 reviews) **What users dislike:** - Benutzer stehen bei Databricks vor einer **steilen Lernkurve** , was die anfängliche Einführung und das Ressourcenmanagement herausfordernd macht. (78 reviews) - Benutzer finden Databricks **teuer** , insbesondere für große Datenoperationen und unklare Preisstrukturen. (71 reviews) - Benutzer finden die **steile Lernkurve** von Databricks herausfordernd, was die reibungslose organisatorische Einführung und das Ressourcenmanagement behindert. (64 reviews) - Benutzer finden die **Komplexität** von Databricks überwältigend, insbesondere aufgrund einer steilen Lernkurve und vager Fehlerklassifizierungen. (45 reviews) - Komplexe Einrichtung (35 reviews) - Leistungsprobleme (34 reviews) - Benutzer stehen vor **unintuitiven UI-Problemen** , die zu zufälligen Fehlern führen und die Erfahrung für nicht-technische Benutzer erschweren. (34 reviews) - Schlechtes UI-Design (33 reviews) - Benutzer finden **fehlende Funktionen** in Databricks, was die Möglichkeiten für benutzerdefinierte Umgebungen, KI-Integration und Benutzerfreundlichkeit einschränkt. (31 reviews) - Kosten (29 reviews) ## Databricks Reviews ### 1. Databricks in meinem Fall: Mehrere Integrationen, Intuitive Benutzeroberfläche und Zuverlässige Leistung **Rating:** 4.0/5.0 stars **Reviewed by:** Yelnur K. | Schedule Manager, Luftfahrt, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 19, 2026 **Was gefällt Ihnen an Databricks am besten?** Was mir an Databricks am meisten gefällt, ist der Integrationsbereich. Am Arbeitsplatz integrieren wir Datenbanken in mehrere Datenquellen. Außerdem kann ich meine Bewertung nicht abschließen, ohne das UX- und UI-Design zu erwähnen, das den gesamten Arbeitsablauf intuitiv und wirklich benutzerfreundlich erscheinen lässt. Was die Geschwindigkeit der Prozesse betrifft, hat es uns nie enttäuscht. Es funktioniert wie erwartet. Im Vergleich zu den Marktpreisen ist der Preis des Dienstes für uns recht zuverlässig. Es gibt ein Help Center von Databricks, wenn Sie keine Antworten auf Ihre Fragen finden, gibt es Spezialisten, die Ihnen bei Ihren Anfragen helfen können. Zum Beispiel erinnere ich mich an einen Fall, bei dem wir ein Problem im Prüfungsprozess hatten, und sie halfen uns, dieses Problem zu lösen. **Was gefällt Ihnen an Databricks nicht?** Von den Abneigungen gegenüber der KI-Qualität von Genie. Leute, es könnte verbessert werden, besonders der Teil mit der Argumentation. Auch kann ich den Fall erwähnen, als wir ein Problem mit dem Prüfungsprozess hatten. Spezialisten haben uns geholfen, aber es bereitete uns einige Unannehmlichkeiten. Nun, **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** In der Luftfahrt nutzen wir diese Software zur Datenanalyse. Wir haben viele Prozesse automatisiert, die einfache Arbeitsplatzwerkzeuge nicht bewältigen können. Wir integrieren uns auch mit mehreren Tools (Namen, die ich aus Sicherheitsgründen nicht nennen kann). Insbesondere hilft es uns, die Passagiernachfrage nach Route und Saison zu analysieren. Wir kombinieren und analysieren große Datensätze mit dieser Software. Insgesamt ein gutes Werkzeug. Unser Team ist zufrieden. **Official Response from Jess Darnell:** > Vielen Dank für Ihr ausführliches Feedback. Wir freuen uns zu hören, dass Databricks bei der Automatisierung von Prozessen und der Analyse großer Datensätze für Ihre Luftfahrtbedürfnisse eine wichtige Rolle gespielt hat. Wir nehmen Ihr Feedback zu Genie AI und den Support-Prozessen ernst und sind bestrebt, in diesen Bereichen Verbesserungen vorzunehmen. ### 2. All-in-One Delta Lake Platform That Makes ETL Fast and Cost-Efficient **Rating:** 5.0/5.0 stars **Reviewed by:** Kavipriya S. | Data Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 27, 2026 **Was gefällt Ihnen an Databricks am besten?** Delta Lake + Workflows + Unity Catalog in one platform eliminated the need for stitching together separate ingestion, transformation, and governance tools. As a data engineer, I spend more time building pipelines and less time managing infrastructure. The notebook experience and cluster auto-scaling make iterating on complex ETL fast and cost-efficient. **Was gefällt Ihnen an Databricks nicht?** Cluster spin-up times and cost predictability are still the biggest friction points for me. Cold starts can really slow down ad-hoc work, and DBU costs need close monitoring to avoid unpleasant surprises. The Workflows UI has improved a lot over time, but it still doesn’t feel as flexible as dedicated orchestrators when you’re dealing with more complex DAGs. Even so, I see these as mostly polish items—the platform’s core value easily outweighs them. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks addresses a major fragmentation problem in our data engineering stack. Previously, we relied on separate tools for ingestion, transformation, orchestration, and governance—each with its own learning curve, maintenance overhead, and potential failure points. Now, it’s consolidated into a single platform. In practice, it helps us run large-scale ETL pipelines that process millions of records daily, with Delta Lake improving reliability through ACID transactions, schema enforcement, and time travel for debugging. It also closes the collaboration gap between data engineers and data scientists: we build the pipelines, and they can consume the same tables directly in notebooks without data duplication or sync issues. Unity Catalog resolved a long-standing governance headache by centralizing access control across workspaces. Overall, the result is faster pipeline development, fewer production incidents tied to data quality problems, and far less glue code to maintain. What used to take weeks to build and stabilize now takes days. **Official Response from Jess Darnell:** > We're delighted to hear that Databricks has consolidated your data engineering stack and improved the reliability of your ETL pipelines. We understand your feedback about cluster spin-up times and cost predictability, and we're actively working to optimize these aspects of our platform to provide a better user experience. ### 3. Powerful Low-Latency Telemetry Pipelines with Streaming Tables & Materialized Views **Rating:** 4.0/5.0 stars **Reviewed by:** Jose P. | Head of Network Strategy, Telekommunikation, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 26, 2026 **Was gefällt Ihnen an Databricks am besten?** In a telco environment handling massive data volumes from fixed and mobile networks (GPON, 4g/5g Core, and RAN) ingesting unstructured or semi-structured frequency telemetry incrementally from our virtualized functions like vEPC, vCPE or VHGW) with minimal setup. My team works closely with virtualized network functions and Multi-access Edge Computing. Features like Streaming Tables and Materialized Views help us to build low-latency pipelines that process network performance metrics near real-time, helping us monitor network KPIs and QoS efficiency. Because my team's core experties lies in network deisgn and system virtualization rather than database administration, Predictive Opimization and Liquid Clustering are highly beneficial. Tehy autonomously handle table maintenance, file compaction, and data layout optimization freeing up our resources to focus on network architecture. **Was gefällt Ihnen an Databricks nicht?** Virtualized network functions, routers, and disaggregated hardware frequently undergo software updagrades, which often introduce sublte changes in telemetry output schemas. When using structured streaming or auto loader these schema drifts cause our streaming queries to fail, requiring a manual restart of the stream to re-plan the schema. When we need to update the logic of a complex network KPI defined within a materialized view, any change to the query triggers a full recomputation of the view. Given the massive scale of telecom transaction datasets, this can result in noticeable compute costs. We rely on a variety of data tools within our ICT ecosystem, not all solutions featured in Partner Connect natively support Unity Catalog. This can crete integration and governance hurdles when we try to connect certain third-party analytics and data preperation tools to our secured data lake. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** We ingest continous streas of performance data from virualized network functions and traditional transport layers. By building streaming pipelines, we can monitor virtualized cpres and routers to identify anomalies or degredations in network traffic. Aligning with my interest in Network AI and Machine learning, our data scientists use the patform to develop predictive models. We train models on historical GPON/DSL line failures, mobile cell tower loads, and customer usage patterns to predict network congestion, schedule proactive maintenance and mitigate customer chirn across customer segments. As an evangelist for tech evolution, I use the platform to bridge the gap between our core network engineering teams and business units. By connecting business semantics and establisihng secure Delta Sharing protocols, we provide business analysts and decision makers with giverned, self service access to network insights without risking security compliance. **Official Response from Jess Darnell:** > It's fantastic to hear how Databricks is helping you ingest and process continuous streams of performance data, develop predictive models, and bridge the gap between network engineering teams and business units. We're committed to providing solutions that benefit our users in various aspects of their work. ### 4. Databricks steigert skalierbare Datenverarbeitung und Teamzusammenarbeit **Rating:** 4.0/5.0 stars **Reviewed by:** Tanishka J. | Data Mining Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 19, 2026 **Was gefällt Ihnen an Databricks am besten?** Databricks ist ein sehr wichtiges Werkzeug in meinem Arbeitsablauf. Ich habe Databricks hauptsächlich für die Verarbeitung großer Datenmengen, das Mining von strukturierten und unstrukturierten Datensätzen, den Aufbau von ETL-Workflows und die Unterstützung von Analyse- und Machine-Learning-Projekten verwendet. Als Data-Mining-Ingenieur arbeite ich mit großen Datenmengen aus verschiedenen Quellen, daher ist eine skalierbare und kollaborative Plattform sehr wichtig. Insgesamt hat Databricks dazu beigetragen, Datenverarbeitungs-Workflows zu vereinfachen und die Geschwindigkeit und Effizienz bei der Bearbeitung komplexer Analyseaufgaben zu verbessern. Das größte, was mir gefällt, ist die Skalierbarkeit und Verarbeitungskraft. Databricks verarbeitet große Datensätze sehr effizient mit Spark, was es einfacher macht, riesige Datenmengen im Vergleich zu traditionellen Systemen zu verarbeiten und zu analysieren. Es funktioniert gut für sowohl Batch- als auch Echtzeit-Workflows. Ich mag auch die auf Notebooks basierende Umgebung, weil sie es Teams ermöglicht, einfach bei Abfragen, Transformationen und Analyseaufgaben zusammenzuarbeiten. Das Teilen von Code, Dokumentation und Ergebnissen innerhalb desselben Arbeitsbereichs verbessert die Produktivität erheblich. Ein weiterer starker Punkt ist die Unterstützung von Delta Lake. Funktionen wie Schema-Durchsetzung, Versionierung und zuverlässige Datenverarbeitung helfen, die Datenqualität zu verbessern und Pipeline-Probleme zu reduzieren. Die Plattform unterstützt auch mehrere Sprachen wie Python, SQL, Scala und R, was Flexibilität für verschiedene Arten von Analyse- und Mining-Workflows bietet. **Was gefällt Ihnen an Databricks nicht?** Eine Herausforderung ist die Lernkurve, insbesondere für Benutzer, die neu in Spark oder einer verteilten Computerumgebung sind. Cluster-Management und Kostenoptimierung können ebenfalls komplex werden, wenn Arbeitslasten nicht ordnungsgemäß überwacht werden. Schlecht optimierte Jobs können die Cloud-Kosten schnell erhöhen. Ich habe auch bemerkt, dass das Debuggen verteilter Arbeitslasten manchmal mehr Aufwand erfordern kann als in kleineren lokalen Umgebungen. Die Benutzeroberfläche ist insgesamt gut, aber einige administrative und Überwachungsbereiche wirken technischer und sind möglicherweise nicht anfängerfreundlich. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks löst mehrere wichtige Herausforderungen im Bereich Data Mining und Analyse, indem es sehr große Datensätze effizient verarbeitet, strukturierte und unstrukturierte Daten zusammen behandelt, skalierbare ETL- und Transformations-Workflows unterstützt, die Zusammenarbeit zwischen Analyse- und Engineering-Teams verbessert, den Aufwand für das Infrastrukturmanagement reduziert und Workflows für KI und maschinelles Lernen auf derselben Plattform unterstützt. Für mich waren die größten Vorteile die schnellere Datenverarbeitung und die einfachere Verwaltung komplexer Analysen und Workflows über mehrere Datensätze und Quellen hinweg. Die Notebook-Oberfläche ist einer der besten Teile der Plattform, da es einfach ist, Code, Abfragen, Dokumentation und Ergebnisse an einem Ort zu organisieren. Die Zusammenarbeit zwischen Teams verläuft ebenfalls reibungslos, da Notebooks in Echtzeit geteilt und aktualisiert werden können. Einige erweiterte Verwaltungsfunktionen können für nicht-technische Benutzer technisch erscheinen, aber insgesamt ist die Oberfläche gut für Analyse-Workflows gestaltet. Databricks integriert sich gut in moderne Cloud- und Analyse-Ökosysteme. Ich habe es mit Google BigQuery, Snowflake und Power BI verwendet, und die Leistung ist einer der stärksten Bereiche. **Official Response from Jess Darnell:** > We're glad to hear that Databricks has been an important tool in your workflow, especially for large scale data processing and collaborative work. The scalability and processing power of Databricks, along with its support for multiple languages and Delta lake features, make it a valuable platform for complex analytics tasks. ### 5. Datenverwaltungssysteme mit einem einheitlichen Lakehouse-Ansatz weniger chaotisch gestalten **Rating:** 5.0/5.0 stars **Reviewed by:** Hunar M. | Data Analyst, Geospatial Intelligence - Data & Analytics, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 21, 2026 **Was gefällt Ihnen an Databricks am besten?** Das Ökosystem. Was mir an Databricks am meisten gefällt, ist, wie es viel von dem üblichen Chaos beseitigt, auf das man bei der Datenarbeit stößt. Anstatt separate Tools für Engineering, Analytik und ML zu jonglieren und dann zusätzliche Zeit damit zu verbringen, sie miteinander kommunizieren zu lassen, bringt es alles an einen Ort. Allein das reduziert viel Reibung und spart Zeit. Ich mag auch die Lakehouse-Idee, weil sie sich wirklich praktisch anfühlt: Man muss sich nicht zwischen einem Data Lake und einem Warehouse entscheiden. Man kann mit einem einheitlichen Setup arbeiten und trotzdem Leistung erhalten, wenn man sie braucht. Auf täglicher Ebene ist es auch schön, dass verschiedene Teams in derselben Umgebung zusammenarbeiten können, ohne ständig Daten kopieren oder Pipelines neu erstellen zu müssen. Insgesamt hält es die Dinge einfacher und schneller, besonders wenn man iteriert. **Was gefällt Ihnen an Databricks nicht?** Was ich an Databricks nicht mag, ist, dass es sich ein wenig schwerfällig anfühlen kann, wenn man nur etwas Einfaches machen möchte. Es passiert viel im Hintergrund, und obwohl das für die Skalierung großartig ist, bringt es auch eine Lernkurve mit sich. Dinge wie Cluster, Konfigurationen und die Einrichtung von Jobs benötigen einige Zeit, um sich damit wohlzufühlen. Kosten sind ein weiteres Anliegen. Der Verbrauch kann schnell ansteigen, wenn man ihn nicht aktiv überwacht, besonders wenn Teams frei Rechenleistung hochfahren können. Und manchmal fühlt sich das Gesamterlebnis ein wenig fragmentiert an zwischen Notebooks, Jobs und Repos, anstatt ein reibungsloser, einheitlicher Ablauf zu sein. Also ja – es ist mächtig, aber es erfordert definitiv Disziplin, um die Dinge sauber, effizient und unter Kontrolle zu halten. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Was Databricks für mich wirklich löst, ist die übliche Reibung, die auftritt, wenn Datensysteme auf zu viele Tools verteilt sind. Anstatt ein System für die Erfassung, ein anderes für die Speicherung, ein weiteres für die Transformation und dann wieder separate Setups für Analysen und ML zu betreiben, bringt es das meiste davon an einen Ort. Das bedeutet, dass ich die Daten nicht ständig verschieben oder mir ständig Sorgen machen muss, dass Dinge aus dem Gleichgewicht geraten. Aus einer Lösungsperspektive ist das ein großer Gewinn, weil es das Gesamtdesign vereinfacht. Anstatt eine Menge Systeme zusammenzufügen, kann man um ein einziges Lakehouse-Setup herum bauen, das mehrere Anwendungsfälle unterstützt. Es ist einfacher zu skalieren, einfacher zu verwalten und insgesamt einfach leichter zu verstehen. Im Alltag bedeutet es auch, dass ich weniger Zeit mit Infrastruktur und Technik verbringe und mehr Zeit damit, darüber nachzudenken, wie man gute Datenmodelle und Pipelines entwirft. Und weil alle mit denselben Daten arbeiten, gibt es viel weniger Verwirrung und Nacharbeit zwischen den Teams. Insgesamt entfernt es viel Lärm und lässt mich darauf konzentrieren, solide, skalierbare Datenlösungen zu bauen. **Official Response from Jess Darnell:** > We're glad to hear that you find our ecosystem and Lakehouse approach beneficial for simplifying and unifying your data work. We understand your concerns about the learning curve and cost, and we're continuously working to improve the user experience and provide cost-effective solutions. Thank you for sharing your thorough feedback with us. ### 6. Databricks zentralisiert Daten, Analysen und KI **Rating:** 5.0/5.0 stars **Reviewed by:** Leonardo Q. | RPA Developer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 16, 2026 **Was gefällt Ihnen an Databricks am besten?** Was mir an Databricks am meisten gefällt, ist, wie es Datenengineering, Analytics und KI auf einer einzigen Plattform zentralisiert, was den Arbeitsablauf im Alltag erheblich erleichtert. Die Integration zwischen Notebooks, Pipelines und verteiltem Processing macht die Entwicklung schneller und organisierter, insbesondere bei Projekten mit großem Datenvolumen und Automatisierungen. Ein weiterer Punkt, den ich als sehr stark empfinde, ist die Erfahrung mit Apache Spark, die auf vereinfachte Weise integriert ist. Selbst in komplexeren Szenarien ist die Leistung in der Regel ausgezeichnet, was es ermöglicht, Daten in großem Maßstab mit guter Stabilität und Skalierbarkeit zu verarbeiten. Das hilft erheblich bei Integrationen, ETLs und Analysen, die in anderen Lösungen deutlich mehr Aufwand erfordern würden. **Was gefällt Ihnen an Databricks nicht?** Obwohl ich die Plattform sehr mag, können einige Aspekte von Databricks immer noch herausfordernd sein. Der Hauptpunkt ist die Kosten, insbesondere in Umgebungen mit intensiver Verarbeitung oder wenn die Cluster nicht gut optimiert sind. Ohne eine strengere Nutzungskontrolle können die Ausgaben schnell steigen. Ein weiterer Aspekt ist die Lernkurve, die für Teams, die neu im Ökosystem verteilter Daten sind, hoch sein kann. Konzepte im Zusammenhang mit Spark, Clustern, Optimierung und Ressourcenmanagement erfordern eine gewisse Anpassungszeit, insbesondere für diejenigen, die von traditionelleren Werkzeugen kommen. In Bezug auf UI/UX, obwohl die Benutzeroberfläche im Allgemeinen gut ist, können einige administrative Prozesse und fortgeschrittene Konfigurationen anfangs verwirrend erscheinen. In bestimmten Szenarien kann es auch ein tieferes technisches Wissen erfordern, um Leistungs- oder Berechtigungsprobleme zu identifizieren. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks hat hauptsächlich dabei geholfen, Probleme im Zusammenhang mit der Zentralisierung, Verarbeitung und Analyse großer Datenmengen zu lösen. Früher waren viele Prozesse auf verschiedene Werkzeuge verteilt, was Integrationen, Wartung und Governance erschwerte. Mit Databricks kann ein Großteil des Dateningenieur-, Analytics- und KI-Workflows auf einer einzigen Plattform konzentriert werden, was mehr Konsistenz in die tägliche Arbeit bringt. **Official Response from Jess Darnell:** > Wir freuen uns zu hören, dass Sie die Zentralisierung von Daten, Analysen und KI durch Databricks als vorteilhaft für Ihren Arbeitsablauf empfinden. Wir verstehen die Bedeutung von Integration und Vereinfachung und sind bestrebt, eine Plattform bereitzustellen, die Ihren Anforderungen entspricht. ### 7. Databricks vereinfacht die Verarbeitung von Big Data und die Zusammenarbeit im Team **Rating:** 4.5/5.0 stars **Reviewed by:** Praveen M. | Associate Data Engineer, Informationstechnologie und Dienstleistungen, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 07, 2026 **Was gefällt Ihnen an Databricks am besten?** Was mir an Databricks am besten gefällt, ist, wie es die Verarbeitung und Zusammenarbeit mit großen Datenmengen auf einer Plattform vereinfacht. Die Integration mit Spark und Cloud-Diensten macht den Umgang mit Big Data viel effizienter. Ich mag auch die Notebook-Umgebung, die es Teams erleichtert, gemeinsam an Analyse- und Machine-Learning-Aufgaben zu arbeiten. **Was gefällt Ihnen an Databricks nicht?** Eine Sache, die ich an Databricks nicht mag, ist, dass die Plattform für neue Benutzer komplex wirken kann, insbesondere bei der Verwaltung von Clustern und Konfigurationen. Die Preisgestaltung kann auch bei größeren Arbeitslasten teuer werden, wenn die Ressourcen nicht sorgfältig optimiert werden. Obwohl die Integrationen und KI-Funktionen leistungsstark sind, könnte der Onboarding-Prozess und die Unterstützungsdokumentation benutzerfreundlicher für Anfänger sein. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks hilft dabei, die Herausforderung zu lösen, große Datenmengen effizient in einer Plattform zu verarbeiten und zu analysieren. Es kombiniert Datenengineering, Analytik und KI-Workflows, wodurch der Bedarf an mehreren separaten Tools reduziert wird. Dies verbessert die Zusammenarbeit, beschleunigt die Datenverarbeitung und hilft, Erkenntnisse viel schneller zu gewinnen. **Official Response from Jess Darnell:** > Wir freuen uns zu hören, dass Sie Databricks hilfreich finden, um die Verarbeitung und Zusammenarbeit bei großen Datenmengen zu vereinfachen. Unsere Integration mit Spark und Cloud-Diensten ist darauf ausgelegt, den Umgang mit Big Data effizienter zu gestalten. ### 8. Perfekt für die Zusammenarbeit zwischen Teams und intensive Datenanwendungen **Rating:** 5.0/5.0 stars **Reviewed by:** Artemij V. | Data Science Lead, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 04, 2026 **Was gefällt Ihnen an Databricks am besten?** Die Benutzererfahrung ist einer der stärksten Teile. Die Notebook-Erfahrung ist sauber und intuitiv, die Zusammenarbeit ist unkompliziert, und der Übergang zwischen Erkundung, Experimentieren und Produktions-Workflows fühlt sich nahtlos an. Es bietet genug Flexibilität für fortgeschrittene Benutzer, ist aber dennoch so zugänglich, dass die Einarbeitung neuer Teammitglieder schnell geht. Die Leute können normalerweise schnell produktiv werden, ohne Wochen damit zu verbringen, plattformspezifische Eigenheiten zu lernen. Die Integrationen sind ebenfalls ausgezeichnet. Es funktioniert reibungslos mit dem breiteren Cloud-Ökosystem und verbindet sich gut mit Datenquellen, Orchestrierungswerkzeugen, Modellbereitstellungsinfrastruktur und externen Systemen. Diese Interoperabilität macht es viel einfacher, von einem Prototyp zu einer bereitgestellten Pipeline zu wechseln, ohne ständig Konnektoren neu zu erstellen oder Klebecode zu verwalten. Die Leistung war durchweg stark, insbesondere bei der Arbeit mit verteilten Workloads und groß angelegtem Feature Engineering. Spark-Optimierung, Cluster-Management und verwaltete Infrastruktur reduzieren den betrieblichen Aufwand erheblich, was es mir ermöglicht, mich mehr auf die Modellentwicklung und Analyse zu konzentrieren, anstatt auf die Feinabstimmung der Umgebung. Für iterative Experimente sind die Startzeiten und die allgemeine Reaktionsfähigkeit spürbar besser als bei vielen alternativen verwalteten Plattformen. **Was gefällt Ihnen an Databricks nicht?** Ein Bereich, in dem sich Databricks verbessern könnte, ist die Preisgestaltung. Die Plattform bietet starke Fähigkeiten, aber die Kosten können bei hochfrequenten oder Echtzeit-Workloads schnell ansteigen. Bei Anwendungsfällen, die kontinuierlich laufende, latenzarme Tick-Pipelines, Streaming-Marktdaten oder iterative Modell-Neutrainings umfassen, können die Preise im Verhältnis zur genutzten Infrastruktur ziemlich hoch werden. Es fühlt sich manchmal so an, als gäbe es einen bedeutenden Aufpreis für Bequemlichkeit und verwaltete Orchestrierung, was die Kostenoptimierung zu einer ständigen Überlegung macht. Die KI-Integration ist ein weiterer Bereich, der sich noch etwas unausgewogen anfühlt. Obwohl es einen klaren Vorstoß gibt, die Plattform als eine umfassende AI/ML-Umgebung zu positionieren, fühlen sich einige der neueren KI-fokussierten Funktionen eher wie Ergänzungen des Ökosystems an als tief integrierte Workflow-Verbesserungen. In der Praxis gibt es immer noch Fälle, in denen benutzerdefinierte Tools oder externe Frameworks mehr Flexibilität und Transparenz bieten, insbesondere für spezialisierte Modellentwicklung, Experimente und Echtzeit-Inferenz-Anwendungsfälle. Es kann auch einige Komplexität bei der Feinabstimmung von Clustern und der effizienten Verwaltung von Kosten im großen Maßstab geben. Obwohl die Abstraktionen hilfreich sind, erfordert das Erreichen des besten Leistungs-Kosten-Verhältnisses manchmal tiefere Plattformkenntnisse, als die Positionierung als „vollständig verwaltet“ vermuten lässt. Insgesamt ist die Plattform technisch sehr stark, aber die Preisgestaltung für ständig laufende datenintensive Workloads und die Reife einiger KI-nativer Fähigkeiten sind die beiden größten Bereiche, in denen ich Verbesserungen sehen möchte. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks löst eine der größten Herausforderungen in der modernen Datenarbeit: die Zusammenführung von Datenzugriff, großskaliger Verarbeitung und kollaborativer Entwicklung in einer einzigen Umgebung. Für meine Arbeit ist der größte Vorteil die Echtzeit-Zusammenarbeit. Sie ermöglicht es mehreren Personen, mit denselben Datensätzen, Notebooks und Pipelines zu arbeiten, ohne die üblichen Reibungen durch fragmentierte Tools oder Inkonsistenzen in der Umgebung. Das beschleunigt die Experimentation, Iteration und den Wissensaustausch über Projekte hinweg erheblich, insbesondere wenn man schnell an der Modellentwicklung arbeitet oder sich mit sich schnell ändernden Daten befasst. Es löst auch die Herausforderung des skalierbaren Datenzugriffs und der Verarbeitung. Die Arbeit mit hochvolumigen Zeitreihen- und Transaktionsdatensätzen erfordert eine Infrastruktur, die große Datenmengen effizient verarbeiten kann, ohne ständigen operativen Aufwand. Databricks abstrahiert viel von dieser Komplexität, sodass man sich auf Analyse, Feature Engineering und Modellentwicklung konzentrieren kann, anstatt Zeit mit dem Management der Infrastruktur zu verbringen. Der praktische Vorteil sind schnellere Iterationszyklen. Ich kann viel schneller von der Rohdatenerkundung zur Modellentwicklung und -bereitstellung übergehen, was besonders wertvoll ist, wenn man an Echtzeitanalysen, Prognosepipelines und produktionsorientierten ML-Systemen arbeitet, bei denen die Geschwindigkeit der Iteration direkt die Ergebnisse beeinflusst. Insgesamt reduziert es den technischen Aufwand und macht die großskalige kollaborative Datenarbeit erheblich effizienter, was zu schnellerer Entwicklung, besserer Experimentation und zuverlässigerer Bereitstellung von Datenprodukten führt. **Official Response from Jess Darnell:** > Wir schätzen Ihre gründliche Überprüfung von Databricks und freuen uns zu hören, dass die Plattform bei der Ermöglichung der Zusammenarbeit zwischen Teams und intensiven Datenanwendungen für Ihre Arbeit eine wichtige Rolle gespielt hat. Ihr Feedback zu Preisgestaltung und KI-Integration ist wertvoll, und wir bemühen uns kontinuierlich, diese Aspekte zu verbessern, um unseren Nutzern ein nahtloseres Erlebnis zu bieten. ### 9. Genie-Code und Inline-Assistent haben meine Debugging-Produktivität dramatisch gesteigert. **Rating:** 4.5/5.0 stars **Reviewed by:** Shyam s. | Data Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** March 27, 2026 **Was gefällt Ihnen an Databricks am besten?** Genie-Code und der Inline-Assistent waren die hilfreichsten Werkzeuge für mein Projekt. Sie halfen mir, eine 2.000-Zeilen-Codebasis zu debuggen und erklärten klar, warum ich keine genauen Daten erhielt. Es stellte auch eine Abfrage zur Verfügung, die ich in meinem Quellsystem (SQLMI) ausführen konnte. Durch das parallele Ausführen des Diskrepanzen-Skripts auf der Quelle und dem Ziel konnte ich den gesamten Code viel schneller debuggen und meine Produktivität verbessern. Insgesamt reduzierte es meine Arbeitszeit von etwa 8 Stunden auf etwa 1 Stunde. **Was gefällt Ihnen an Databricks nicht?** In Delta Sharing gibt es keine Katalogebene-SELECT-Berechtigung, und ich denke manchmal, dass es hilfreich wäre, diese zu haben. Außerdem kann die Verwendung des Genie-Codes innerhalb einer VM die Website manchmal unresponsive machen. Dies sind Bereiche, die verbessert werden könnten. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** In einem unserer Migrationsprojekte zur Schadensbearbeitung benötigte der Kunde nahezu Echtzeit-Datenverfügbarkeit für nachgelagerte Anwendungen. Zuvor nutzte die Architektur Amazon Redshift als Data Warehouse, wobei Jasper und Sisense die Daten für Berichterstattung und Analysen konsumierten. Diese Konfiguration unterstützte jedoch kein effizientes Echtzeit- oder nahezu Echtzeit-Streaming, was zu Verzögerungen bei der Datenverfügbarkeit für nachgelagerte Systeme führte. Nach der Migration der Plattform zu Databricks konnten wir die Datenpipeline-Architektur erheblich verbessern. Wir implementierten Streaming zusammen mit optimierten ETL-Pipelines, wodurch der Datenaktualisierungszyklus auf etwa 30 Minuten reduziert wurde. Wir erstellten auch eine dedizierte Ansicht, die Daten aus dem vorherigen Lauf beibehält, sodass nachgelagerte Systeme immer einen konsistenten Datensatz zur Verfügung haben, während die nächste Pipeline-Ausführung noch im Gange ist. Zuvor hatten wir mit verzögerten Aktualisierungszyklen und einer begrenzten Fähigkeit zu kämpfen, nahezu Echtzeit-Datenanforderungen in unserer auf Redshift basierenden Architektur zu erfüllen. Nach dem Umstieg auf Databricks ermöglichten wir schnellere ETL-Verarbeitung und verbesserten die nahezu Echtzeit-Datenverfügbarkeit. Als Ergebnis reduzierten wir die ETL-Aktualisierungszeit auf etwa 30 Minuten und ermöglichten nahezu Echtzeitzugriff für nachgelagerte Tools wie Jasper und Sisense. Die Zuverlässigkeit verbesserte sich ebenfalls, da die stabile Ansicht weiterhin die Daten des vorherigen Laufs während der Pipeline-Updates bereitstellt. Schließlich wurde die gesamte Architektur durch die Konsolidierung von Verarbeitungs- und Analysefähigkeiten innerhalb von Databricks einfacher. Insgesamt half uns Databricks, eine skalierbarere und effizientere Plattform für die nahezu Echtzeit-Datenverarbeitung aufzubauen, was die Aktualität und Zuverlässigkeit der Analysen für den Schadensbearbeitungs-Workflow erheblich verbesserte. **Official Response from Janelle Glover:** > Vielen Dank, dass Sie uns mitgeteilt haben, wie die Architektur von Databricks Ihnen zugutekommt. Wir haben unsere Plattform entwickelt, um die Herausforderungen bei der Verwaltung von strukturierten und unstrukturierten Daten zu bewältigen, und es ist großartig zu hören, dass sie sich positiv auf Ihre Analyse- und Machine-Learning-Workflows auswirkt. ### 10. Die einheitliche Datenplattform, die tatsächlich liefert **Rating:** 5.0/5.0 stars **Reviewed by:** Janakiraman K. | Data Engineer, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** March 27, 2026 **Was gefällt Ihnen an Databricks am besten?** Databricks hat die Art und Weise, wie unser Team End-to-End-Daten-Workflows handhabt, revolutioniert. Einige Highlights: UI/UX: Die Notebook-Oberfläche ist intuitiv, und der SQL-Editor wirkt ausgereift, was das Umschalten zwischen Python, SQL und Scala im selben Arbeitsbereich erleichtert und ständiges Kontextwechseln spart. Integrationen: Native Konnektoren zu Azure, Unity Catalog und Delta Sharing bedeuten, dass wir weniger Zeit mit der Infrastruktur verbringen. Lakehouse Federation ermöglicht es uns, externe Quellen abzufragen, ohne Daten zu verschieben, was ein unerwarteter Gewinn war. Leistung: Die Auto-Optimierung und das Liquid Clustering von Delta Lake haben unsere Abfragezeiten spürbar reduziert. Die Photon-Engine bei schweren Aggregationen ist ein Game-Changer für nahezu Echtzeit-Dashboards. Preisgestaltung/ROI: Das DBU-Modell erfordert etwas Eingewöhnung, aber die Konsolidierung unseres Data Warehouses, ETL und ML-Tools in einer Plattform hat unsere gesamten Infrastrukturkosten erheblich gesenkt. Support/Onboarding: Die Databricks Academy und die integrierte Dokumentation haben das Onboarding neuer Ingenieure beschleunigt. Das Community-Forum ist überraschend aktiv für Nischenfragen. KI/Intelligenz: Genie (AI/BI) ermöglicht es Geschäftsanwendern, Fragen in einfachem Englisch zu stellen und genaue Ergebnisse zu erhalten, was die Ad-hoc-Anfragen an unser Datenteam spürbar reduziert. Der Databricks Assistant in Notebooks beschleunigt auch die Code-Generierung und das Debugging. **Was gefällt Ihnen an Databricks nicht?** Obwohl Databricks leistungsstark ist, gibt es einige echte Reibungspunkte, die erwähnenswert sind: UI/UX: Die Benutzeroberfläche kann für neue Benutzer überwältigend wirken, da die Navigation zwischen Workspaces, Katalogen und SQL-Warehouses nicht immer intuitiv ist. Die Organisation von Ordnern und Notizbüchern könnte von Anfang an strukturierter sein. Integrationen: Einige Drittanbieter-Connectoren erfordern immer noch manuelle Konfiguration und benutzerdefinierten Code. Lakehouse Federation ist vielversprechend, aber gelegentlich inkonsistent mit bestimmten Quellsystemen, was zusätzliche Fehlersuche erfordert. Leistung: Die Startzeiten von Clustern bleiben ein Schmerzpunkt; Kaltstarts bei interaktiven Clustern können schnelle Arbeitsabläufe stören. Serverless-Computing hilft, ist aber noch nicht universell für alle Funktionen verfügbar. Preisgestaltung/ROI: Das auf DBU basierende Preismodell fehlt es an Transparenz für neuere Teams. Es ist leicht, unerwartete Kosten zu verursachen, wenn keine sorgfältigen Cluster-Richtlinien und Überwachungen vorhanden sind. Ein einfacherer Kostenrechner würde erheblich helfen. Support/Onboarding: Die Reaktionszeiten des Enterprise-Supports können bei nicht kritischen Tickets langsam sein. Bei komplexen Architekturproblemen dauert es oft mehrere Eskalationen, um zum richtigen Experten zu gelangen. KI/Intelligenz: Genie funktioniert gut für Standardabfragen, hat jedoch Schwierigkeiten mit komplexer Multi-Tabellen-Logik oder domänenspezifischer Terminologie ohne erhebliche Feinabstimmung. Der Databricks-Assistent in Notizbüchern generiert gelegentlich veraltete oder falsche API-Vorschläge. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Hier ist eine natürliche, geschichtengetriebene Antwort im "Vorher/Nachher/Ergebnis"-Format: Vor Databricks war unsere Datenlandschaft fragmentiert, und separate Tools für ETL, Data Warehousing und ML führten zu doppelten Pipelines, inkonsistenten Datendefinitionen und erheblichem technischen Aufwand, nur um die Infrastruktur zu pflegen. Datenvereinheitlichung: Wir hatten Schwierigkeiten mit isolierten Daten aus mehreren Quellsystemen. Jetzt, mit Unity Catalog und der Medaillon-Architektur (Bronze/Silber/Gold), haben wir eine einzige, verwaltete Schicht, der alle Teams vertrauen, was den Aufwand für die Datenabstimmung um fast 40 % reduziert. Pipeline-Zuverlässigkeit: Der Aufbau und die Wartung von metadatengetriebenen Pipelines erforderte früher benutzerdefinierte Frameworks. Databricks' Lakeflow und Delta Live Tables bieten uns inkrementelle und vollständige Ladefähigkeiten direkt aus der Box, was die Entwicklungszeit für Pipelines erheblich verkürzt. Self-Service-Analytik: Geschäftsteams waren ständig auf Ingenieure für Ad-hoc-Abfragen angewiesen. Mit Genie (AI/BI) können Stakeholder jetzt Fragen in einfacher englischer Sprache an kuratierte Gold-Tabellen stellen, was die Ad-hoc-Datenanfragen an unser Team merklich Woche für Woche reduziert. Cloud-Kostenkontrolle: Wir betrieben zuvor immer aktive Cluster ohne Einblick in die Ausgaben. Serverless-Computing und Cluster-Richtlinien ermöglichen es uns jetzt, Workloads richtig zu dimensionieren, was zu einer messbaren Reduzierung der Infrastrukturkosten führt. Schnellere Einarbeitung: Neue Ingenieure benötigten früher Wochen, um produktiv zu werden. Mit Databricks Assistant, Notebook-Vorlagen und zentralisierter Unity Catalog-Dokumentation hat sich die Einarbeitungszeit erheblich verkürzt. Insgesamt: Databricks hat im Wesentlichen 3-4 separate Tools durch eine kohärente Plattform ersetzt. Der ROI liegt nicht nur in den Kosteneinsparungen, sondern auch in der Geschwindigkeit und dem Vertrauen, mit dem wir jetzt Datenprodukte an das Unternehmen liefern. **Official Response from Janelle Glover:** > Wir freuen uns zu hören, dass Sie Databricks für Datenengineering, Analysen und maschinelles Lernen wertvoll finden. Vielen Dank, dass Sie Ihr Feedback mit uns teilen! ## Databricks Discussions - [Was ist Lakehouse in Databricks?](https://www.g2.com/de/discussions/what-is-lakehouse-in-databricks) - 4 comments, 2 upvotes - [Was sind die Merkmale von Databricks?](https://www.g2.com/de/discussions/what-are-the-features-of-databricks) - 4 comments, 2 upvotes - [What does Databricks software do?](https://www.g2.com/de/discussions/what-does-databricks-software-do) - 3 comments - [Was ist die einheitliche Analyseplattform von Databricks?](https://www.g2.com/de/discussions/what-is-databricks-unified-analytics-platform) - 3 comments - [View Databricks pricing details and edition comparison](https://www.g2.com/de/products/databricks/reviews/databricks-review-12876994?section=pricing&secure%5Bexpires_at%5D=2026-05-28+12%3A35%3A38+-0500&secure%5Bsession_id%5D=15d1b0af-3b41-4dee-b77d-a2a750e4c9c1&secure%5Btoken%5D=76215659aa5d31c6ffe1a96f20c292bc225ae7380424b44d2e14879694c8a629&format=llm_user) ## Databricks Integrations - [Agentforce 360 Platform (formerly Salesforce Platform)](https://www.g2.com/de/products/agentforce-360-platform-formerly-salesforce-platform/reviews) - [Agentforce Sales (formerly Salesforce Sales Cloud)](https://www.g2.com/de/products/agentforce-sales-formerly-salesforce-sales-cloud/reviews) - [Alation](https://www.g2.com/de/products/alation/reviews) - [Amazon EC2](https://www.g2.com/de/products/amazon-ec2/reviews) - [Amazon Relational Database Service (RDS)](https://www.g2.com/de/products/amazon-relational-database-service-rds/reviews) - [Anaplan](https://www.g2.com/de/products/anaplan/reviews) - [Anomalo](https://www.g2.com/de/products/anomalo/reviews) - [Apache Kafka](https://www.g2.com/de/products/apache-kafka/reviews) - [Apache NiFi](https://www.g2.com/de/products/apache-nifi/reviews) - [Atlan](https://www.g2.com/de/products/atlan/reviews) - [AWS CloudFormation](https://www.g2.com/de/products/aws-aws-cloudformation/reviews) - [AWS Glue](https://www.g2.com/de/products/aws-glue/reviews) - [AWS Lambda](https://www.g2.com/de/products/aws-lambda/reviews) - [Azure Blob Storage](https://www.g2.com/de/products/azure-blob-storage/reviews) - [Azure Databricks](https://www.g2.com/de/products/azure-databricks/reviews) - [Azure Data Factory](https://www.g2.com/de/products/azure-data-factory/reviews) - [Azure Data Lake Store](https://www.g2.com/de/products/azure-data-lake-store/reviews) - [Azure Functions](https://www.g2.com/de/products/azure-functions/reviews) - [Azure Logic Apps](https://www.g2.com/de/products/azure-logic-apps/reviews) - [Azure OpenAI Service](https://www.g2.com/de/products/azure-openai-service/reviews) - [Azure Pipelines](https://www.g2.com/de/products/azure-pipelines/reviews) - [Azure Portal](https://www.g2.com/de/products/azure-portal/reviews) - [Azure SQL Database](https://www.g2.com/de/products/azure-sql-database/reviews) - [Claude Code](https://www.g2.com/de/products/anthropic-claude-code/reviews) - [Confluent](https://www.g2.com/de/products/confluent/reviews) - [Customer.io](https://www.g2.com/de/products/customer-io/reviews) - [Dash](https://www.g2.com/de/products/dash-for-brands-ltd-dash/reviews) - [data.world](https://www.g2.com/de/products/data-world/reviews) - [DAT iQ](https://www.g2.com/de/products/dat-iq/reviews) - [dbt](https://www.g2.com/de/products/dbt/reviews) - [DigitalOcean](https://www.g2.com/de/products/digitalocean/reviews) - [Fivetran](https://www.g2.com/de/products/fivetran/reviews) - [GEN TDS](https://www.g2.com/de/products/gen-tds/reviews) - [Git](https://www.g2.com/de/products/git/reviews) - [GitHub](https://www.g2.com/de/products/github/reviews) - [Google Analytics](https://www.g2.com/de/products/google-analytics/reviews) - [Google Cloud BigQuery](https://www.g2.com/de/products/google-cloud-bigquery/reviews) - [Google Cloud Console](https://www.g2.com/de/products/google-cloud-console/reviews) - [Google Cloud Run](https://www.g2.com/de/products/google-cloud-run/reviews) - [HubSpot Marketing Hub](https://www.g2.com/de/products/hubspot-marketing-hub/reviews) - [Immuta](https://www.g2.com/de/products/immuta/reviews) - [Informatica Data Quality](https://www.g2.com/de/products/informatica-informatica-data-quality/reviews) - [JD Edwards World](https://www.g2.com/de/products/jd-edwards-world/reviews) - [Microsoft Copilot Studio](https://www.g2.com/de/products/microsoft-microsoft-copilot-studio/reviews) - [Microsoft Fabric](https://www.g2.com/de/products/microsoft-fabric/reviews) - [Microsoft Power Apps](https://www.g2.com/de/products/microsoft-power-apps/reviews) - [Microsoft Power Automate](https://www.g2.com/de/products/microsoft-power-automate/reviews) - [Microsoft Power BI](https://www.g2.com/de/products/microsoft-microsoft-power-bi/reviews) - [Microsoft SharePoint](https://www.g2.com/de/products/microsoft-sharepoint/reviews) - [Microsoft SQL Server](https://www.g2.com/de/products/microsoft-sql-server/reviews) - [Microsoft Teams](https://www.g2.com/de/products/microsoft-teams/reviews) - [Monte Carlo](https://www.g2.com/de/products/monte-carlo/reviews) - [MySQL](https://www.g2.com/de/products/mysql/reviews) - [ObjectWay SpA](https://www.g2.com/de/products/objectway-spa/reviews) - [Oracle Database](https://www.g2.com/de/products/oracle-database/reviews) - [Pega Platform](https://www.g2.com/de/products/pega-platform/reviews) - [PostgreSQL](https://www.g2.com/de/products/postgresql/reviews) - [PowerBI Portal](https://www.g2.com/de/products/powerbi-portal/reviews) - [Qualtrics Customer Experience](https://www.g2.com/de/products/qualtrics-customer-experience/reviews) - [React Native](https://www.g2.com/de/products/react-native/reviews) - [Salesforce Agentforce](https://www.g2.com/de/products/salesforce-agentforce/reviews) - [SAP Ariba](https://www.g2.com/de/products/sap-ariba/reviews) - [SAP ECC](https://www.g2.com/de/products/sap-ecc/reviews) - [SAS Viya](https://www.g2.com/de/products/sas-sas-viya/reviews) - [Seamless (formally Seamless.AI)](https://www.g2.com/de/products/seamless-formally-seamless-ai/reviews) - [ServiceNow IT Service Management](https://www.g2.com/de/products/servicenow-it-service-management/reviews) - [Sigma](https://www.g2.com/de/products/sigma-computing-sigma/reviews) - [Sisense](https://www.g2.com/de/products/sisense/reviews) - [SnapLogic Intelligent Integration Platform (IIP)](https://www.g2.com/de/products/snaplogic-intelligent-integration-platform-iip/reviews) - [Snowflake](https://www.g2.com/de/products/snowflake/reviews) - [Spark](https://www.g2.com/de/products/apache-spark/reviews) - [Spark](https://www.g2.com/de/products/openclassrooms-spark/reviews) - [Spark SQL](https://www.g2.com/de/products/spark-sql/reviews) - [SplashBI](https://www.g2.com/de/products/splashbi/reviews) - [Spotfire Analytics](https://www.g2.com/de/products/spotfire-analytics/reviews) - [Tableau](https://www.g2.com/de/products/tableau/reviews) - [ThoughtSpot](https://www.g2.com/de/products/thoughtspot/reviews) - [Visual Studio Code](https://www.g2.com/de/products/visual-studio-code/reviews) - [Workday HCM](https://www.g2.com/de/products/workday-hcm/reviews) ## Databricks Features **Berichte** - Benutzeroberfläche "Berichte" - Schritte zur Beantwortung - Grafiken und Diagramme - Score-Karten - Armaturenbretter **Verwaltung** - Datenmodellierung - Empfehlungen - Workflow-Verwaltung - Dashboards und Visualisierungen **Management** - Reporting - Rechnungsprüfung **Einsatz** - Sprachliche Flexibilität - Flexibilität des Rahmens - Versionsverwaltung - Einfache Bereitstellung - Skalierbarkeit **system** - Datenerfassung und -aufbereitung **Datenaufbereitung** - Verbinder - Daten-Governance **Datenmanagement** - Datenintegration - Datenkompression - Datenqualität - Integrierte Datenanalyse - Maschinelles Lernen in der Datenbank - Data Lake Analytics **Management** - Datenbeschreibungsverzeichnis - Daten-Replikation - Abfragesprache - Datenmodellierung - Performance-Analyse **Management** - Business-Glossar - Datenermittlung - Daten-Profilierung - Reporting und Visualisierung - Datenherkunft **Einsatz** - Sprachliche Flexibilität - Flexibilität des Rahmens - Versionsverwaltung - Einfache Bereitstellung - Skalierbarkeit **Datenmanagement** - Datenintegration - Metadaten - Selbstbedienung - Automatisierte Workflows **Skalierbarkeit und Leistung - Generative KI-Infrastruktur** - Hohe Verfügbarkeit - Skalierbarkeit des Modelltrainings - Inferenz-Geschwindigkeit **Anpassung - KI-Agenten-Ersteller** - Natürliche Sprachkonfiguration - Tonanpassung - Sicherheitsleitplanken **Agentische KI - DataOps-Plattformen** - Autonome Aufgabenausführung - Mehrstufige Planung - Systemübergreifende Integration - Adaptives Lernen - Entscheidungsfindung **Verkehrsmanagement & Leistung - KI-Gateways** - Token-bewusste Ratenbegrenzung - Semantisches Caching - Multi-Modell-Routing & Fallbacks **Modellentwicklung** - Unterstützte Sprachen - Drag-and-Drop - Vorgefertigte Algorithmen - Modell-Training **Datenbank** - Datenerfassung in Echtzeit - Datenverteilung - Data Lake **Datentransformation** - Echtzeit-Analysen - Datenabfrage **Beachtung** - Einhaltung sensibler Daten - Schulungen und Richtlinien - Durchsetzung von Richtlinien - Überwachung der Einhaltung der Vorschriften **Funktionalität** - Extraktion - Transformation - Laden - Automatisierung - Skalierbarkeit **Management** - Katalogisierung - Überwachung - Regierend - Modell-Registry **Modellentwicklung** - Feature-Entwicklung **Datenmodellierung und -zusammenführung** - Datenabfrage - Filterung von Daten - Daten-Blending **Integration** - KI/ML-Integration - Integration von BI-Tools - Data-Lake-Integration **Instandhaltung** - Daten Migration - Backup und Wiederherstellung - Multi-User-Umgebung **Sicherheit** - Zugriffskontrolle - Rollen-Management - Compliance-Management **Transaktionen** - Metriken - Infrastruktur-Management - Zusammenarbeit **Analytics** - Analyse-Funktionen - Dasboard-Visualisierungen **Kosten und Effizienz - Generative KI-Infrastruktur** - Kosten pro API-Aufruf - Flexibilität bei der Ressourcenzuweisung - Energieeffizienz **Funktionalität - KI-Agenten-Ersteller** - Omni-Kanal-Support - Agentenmarke - Proaktive Reaktionsfähigkeiten - Nahtlose menschliche Eskalation **Governance & Beobachtbarkeit - KI-Gateways** - Datenschutz - Kostenverfolgung - Zentralisierte API-Schlüsselsicherheit **Machine-/Deep-Learning-Dienste** - Maschinelles Sehen - Verarbeitung natürlicher Sprache - Generierung natürlicher Sprache - Künstliche neuronale Netze **Integrationen** - Hadoop-Integration - Spark-Integration **Datenqualität** - Datenaufbereitung - Datenverteilung - Datenvereinheitlichung **Machine-/Deep-Learning-Dienste** - Verstehen natürlicher Sprache - Deep Learning **Einsatz** - On-Premise - Cloud **Sicherheit** - Datenverschlüsselung - Steuerung des Benutzerzugriffs **Wartung** - Daten-Qualitätsmanagement - Verwaltung von Richtlinien **Management** - Katalogisierung - Überwachung - Regierend **Überwachung und Verwaltung** - Beobachtbarkeit von Daten - Testmöglichkeiten **Generative KI** - Textgenerierung - Textzusammenfassung **Integration und Erweiterbarkeit - Generative KI-Infrastruktur** - Multi-Cloud-Unterstützung - Integration von Datenpipelines - API-Unterstützung und Flexibilität **Daten und Analytik - KI-Agentenentwickler** - Analytik & Berichterstattung - Kontextbewusstsein - Datenschutzkonformität **Einsatz** - Managed Service - Anwendung - Skalierbarkeit **Plattform** - Maschinelle Skalierung - Datenaufbereitung - Spark-Integration **Verbindung** - Hadoop-Integration - Spark-Integration - Multi-Source-Analyse - Data Lake **Leistung** - Skalierbarkeit **Cloud-Bereitstellung** - Hybrid-Cloud-Unterstützung - Funktionen für die Cloud-Migration **Generative KI** - Textgenerierung - Textzusammenfassung **Generative KI** - Textgenerierung - Textzusammenfassung **Sicherheit und Compliance - Generative KI-Infrastruktur** - DSGVO und Einhaltung gesetzlicher Vorschriften - Rollenbasierte Zugriffskontrolle - Datenverschlüsselung **Integration - KI-Agentenbauer** - Arbeitsablaufautomatisierung - API-Nutzung - Plattform-Interoperabilität - CRM-Datenintegration **Agentische KI - Analyseplattformen** - Autonome Aufgabenausführung - Mehrstufige Planung - Systemübergreifende Integration - Adaptives Lernen - Natürliche Sprachinteraktion - Proaktive Unterstützung - Entscheidungsfindung **Selbstbedienung** - Berechnete Felder - Filtern von Datenspalten - Datenermittlung - Suchen - Kollaboration / Workflow - Automatische Modellierung **Verarbeitung** - Cloud-Verarbeitung - Workload-Verarbeitung **Transaktionen** - Datenvisualisierung - Daten-Workflow - Geregelte Ermittlung - Eingebettete Analytik - Notizbücher **Sicherheit** - Daten-Governance - Datensicherheit **Generative KI** - KI-Textgenerierung - Textzusammenfassung - Text-zu-Bild **Generative KI** - Textgenerierung - Textzusammenfassung **Benutzerfreundlichkeit und Unterstützung - Generative KI-Infrastruktur** - Qualität der Dokumentation - Community-Aktivitäten **Agentische KI - Datenverwaltung** - Autonome Aufgabenausführung - Mehrstufige Planung - Systemübergreifende Integration - Adaptives Lernen - Natürliche Sprachinteraktion - Entscheidungsfindung **Bereitstellung & Integration - Analyseplattformen** - No-Code-Dashboard-Builder - Berichtplanung und Automatisierung - Eingebettete Analysen und White-Labeling - Datenquellenkonnektivität **Erweiterte Analytik** - Prädiktive Analytik - Datenvisualisierung - Big-Data-Dienste **Generative KI** - Textgenerierung - Textzusammenfassung **Agentic AI - Datenwissenschafts- und maschinelles Lernplattformen** - Autonome Aufgabenausführung - Mehrstufige Planung - Systemübergreifende Integration - Adaptives Lernen - Natürliche Sprachinteraktion - Proaktive Unterstützung - Entscheidungsfindung **Leistung & Skalierbarkeit - Analyseplattformen** - Große Datenverarbeitung und Abfragegeschwindigkeit - Gleichzeitige Benutzerunterstützung **Erweiterte Analysen & Modellierung - Analyseplattformen** - Datenmodellierung und Governance - Notebook- und Skriptintegration - Eingebaute prädiktive und statistische Modelle **Agentische KI-Fähigkeiten - Analyseplattformen** - Automatisch generierte Einblicke und Erzählungen - Natürliche Sprachabfragen - Proaktive KPI-Überwachung und Warnungen - KI-Agenten für analytische Nachverfolgungen **Personalisierte Intelligenz - Analyseplattformen** - Verhaltenslernen zur kontextuellen Abfrageverfeinerung - Rollenbasierte Einblick-Personalisierung - Konversations- und Prompt-basierte Analysen **Gebäude-Berichte** - Datentransformation - Datenmodellierung - Entwurf von WYSIWYG-Berichten - Integrations-APIs **Plattform** - Support für mobile Benutzer - Anpassung - Benutzer-, Rollen- und Zugriffsverwaltung - Internationalisierung - Sandbox / Testumgebungen - Leistung und Zuverlässigkeit - Breite der Partneranwendungen ## Top Databricks Alternatives - [Cloudera Data Platform](https://www.g2.com/de/products/cloudera-cloudera-data-platform/reviews) - 4.1/5.0 (131 reviews) - [Snowflake](https://www.g2.com/de/products/snowflake/reviews) - 4.6/5.0 (704 reviews) - [Teradata Vantage](https://www.g2.com/de/products/teradata-teradata-vantage/reviews) - 4.3/5.0 (353 reviews)