# 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:** 800 ## 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 loben die **Benutzerfreundlichkeit und die zahlreichen Funktionen** von Databricks, die ihre Datenverarbeitungs- und maschinellen Lernaufgaben verbessern. (192 reviews) - Benutzer loben die **Benutzerfreundlichkeit** von Databricks, was ihre Gesamterfahrung mit der intuitiven Benutzeroberfläche verbessert. (155 reviews) - Benutzer schätzen die **nahtlosen Integrationen** von Databricks, die die Echtzeitverarbeitung verbessern und verschiedene Entwicklungssprachen unterstützen. (141 reviews) - Benutzer schätzen die **nahtlose Zusammenarbeit** , die Databricks bietet, und verbessern die Teamarbeit bei Datenprojekten mit Echtzeiteinblicken. (114 reviews) - Benutzer schätzen die **integrierten Analysefunktionen** von Databricks, die die Abläufe verbessern und umfassende Einblicke in die Technologie bieten. (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 lieben die **effektiven Datenverwaltungsfunktionen** von Databricks, die Arbeitsabläufe vereinfachen und die Entscheidungsfindung verbessern. (87 reviews) **What users dislike:** - Benutzer bemerken eine signifikante **Lernkurve** bei Databricks, insbesondere aufgrund seiner komplexen Berechtigungen und Berechnungsmodi. (78 reviews) - Benutzer finden Databricks **teuer** , insbesondere bei der Verarbeitung großer Datenmengen, was seine Zugänglichkeit für einige Kunden einschränkt. (71 reviews) - Benutzer finden die **steile Lernkurve** von Databricks herausfordernd, insbesondere für diejenigen, die neu in Big-Data-Tools sind. (64 reviews) - Benutzer finden die **Komplexität** von Databricks herausfordernd, insbesondere bei fortgeschrittenen Funktionen und den anfänglichen Einrichtungserfordernissen. (45 reviews) - Benutzer erleben anfangs einen **komplexen Einrichtungsprozess** , aber der Support hilft, die Erfahrung im Laufe der Zeit zu vereinfachen. (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 die **fehlenden Funktionen** in Databricks einschränkend, was die Produktivität behindert und das Gesamterlebnis kompliziert macht. (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. Außerdem kann ich den Fall erwähnen, als wir ein Problem mit dem Prüfungsprozess hatten. Spezialisten haben uns geholfen, aber es hat uns ein wenig Unannehmlichkeiten bereitet. 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 Sara Steffen:** > 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 und den Support-Prozessen ernst und sind bestrebt, in diesen Bereichen Verbesserungen vorzunehmen. ### 2. Lakebase - Gute Option für die Bereitstellung von Daten mit niedriger Latenz und Integration in Databricks **Rating:** 4.5/5.0 stars **Reviewed by:** Senthil K. | Associate Director, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** March 25, 2026 **Was gefällt Ihnen an Databricks am besten?** Ich habe die Lakebase eingerichtet, die mit dem Lakehouse für den Zugriff auf Unternehmensanwendungen mit niedriger Latenz synchronisiert ist. Wir haben die folgenden Optionen aktiviert: - Lakebase verwendet Postgres 17, die HTTPS Data API erleichtert den Zugriff auf die Datenbank von Databricks Apps. - Integrationssynchronisation zwischen Lakehouse und Lakebase für den API-Zugriff. - Es gibt eine Verzweigungsoption, um Schema- oder Funktionsänderungen zu verwalten. - Wiederherstellung von einem früheren Punkt/Zeitverlauf - hilft, den Wiederherstellungsaufwand zu reduzieren - Unterstützung für Snapshots und Backups. - Autoskalierung der Rechenleistung und Aussetzungsoption. - Überwachung, Protokolle und Abfragemetriken bieten Einblick in aktive Abfragen, Leistung und Datenbankgesundheit. - OAuth-Zugriff und Postgres rollenbasierte Verbindung bieten bessere Sicherheit und kontrollierten Zugriff. Lakebase-Preismodell mit Autoskalierung und Skalierungsoption basierend auf verfügbaren Rechenpreisen. **Was gefällt Ihnen an Databricks nicht?** Lakebase bietet nicht alle PostgreSQL-Funktionen, daher können wir keine vorhandene PostgreSQL-Datenbank direkt auf Lakebase migrieren. Das Herunterskalieren auf Null erfolgt nicht sofort, es traten einige Probleme auf, wie z.B. eine kurzfristige Trennung von der App und temporäre Pausen. Benutzerdefinierte Administratoroperationen in der PostgreSQL-Datenbank sind begrenzt und nicht möglich. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Lakebase hilft dabei, nahezu Echtzeit-Inventardaten bereitzustellen, die Verfügbarkeit zu verfolgen und Out-of-Stock-Situationen zu reduzieren. Verarbeitete Lakehouse-Daten können über Lakebase für Kundenkaufmuster, Produktempfehlungen und die Effektivität von Werbeaktionen bereitgestellt werden. Transaktionsverkaufsdaten können schnell für Dashboards auf Filialebene verfügbar gemacht werden, um Geschäftsteams dabei zu helfen, Verkaufstrends mit Web-Apps zu überwachen. Nahezu Echtzeit-Verfügbarkeit von Betriebsdaten Anwendungen greifen auf Daten mit niedriger Latenz für Preisgestaltung und Werbeaktionen für TPO-TPM-Integrationen zu. Außerdem haben wir die KI integriert, um den Echtzeit-Kontext einzubeziehen. Niedrige Latenz **Official Response from Janelle Glover:** > Vielen Dank, dass Sie Ihre positiven Erfahrungen mit Genie geteilt haben, einschließlich seiner Fähigkeit, die Lücke zwischen Geschäfts- und Datenteams zu überbrücken, Datensilos zu beseitigen und die Kosten- und Leistungsübersicht zu verbessern. Wir verstehen Ihre Bedenken hinsichtlich der Einschränkungen des Agentenmodus und des Bedarfs an weiterer Autonomie. Wir werden daran arbeiten, diese Bereiche zu adressieren, um Ihr Gesamterlebnis zu verbessern. ### 3. Self-Service-Analytik und starke Autopilot-Leistung **Rating:** 4.0/5.0 stars **Reviewed by:** Bob K. | Data and Analytics Leader, Informationstechnologie und Dienstleistungen, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 27, 2026 **Was gefällt Ihnen an Databricks am besten?** Die Verwaltung von Berechtigungen über diverse Vertriebs- und Marketingteams hinweg wurde vereinfacht. Der Katalog ermöglichte es uns, sensible Daten einfach zu sichern, während unser Team und Analysten weiterhin selbstständig arbeiten konnten. Die automatisierte Spaltenebenen-Abstammung war äußerst nützlich, um nachzuvollziehen, wie unsere Pipeline-Prognosemetriken berechnet wurden. Ich mag die Autopilot-Leistung. Mein Team verbrachte weniger Zeit mit der manuellen Datenbankwartung. Die prädiktive Optimierung übernahm automatisch die Dateikompaktierung (Optimieren) und bereinigte alte Dateien (Vakuum). Zusätzlich hielt Liquid Clustering unsere schnell wachsenden Verkaufstransaktionstabellen effizient, ohne dass wir komplexe Partitionierungsstrategien manuell entwerfen und pflegen mussten. Die Unterstützung für offene Formate wie Delta Lake und Apache Iceberg stellte sicher, dass unsere Daten portabel blieben. Durch offene APIs und Delta Sharing konnten wir Erkenntnisse sicher mit externen Geschäftspartnern teilen, ohne massive Datensätze replizieren und verschieben zu müssen. Noch etwas: Die Plattform ermöglichte es unserem Data-Engineering-Team und Analysten, an einem Ort zusammenzuarbeiten. Diese Ausrichtung zwischen technischer Architektur und Geschäftsstrategie erleichterte es, technische Pipeline-Modelle in kommerziellen Wert umzuwandeln. **Was gefällt Ihnen an Databricks nicht?** Wie wir wissen, ändern sich die Datenschemata von Vertriebs- und Marketing-Tools häufig, z.B. durch das Hinzufügen oder Umbenennen von benutzerdefinierten Feldern in Salesforce. Wenn diese Updates auftraten, scheiterten unsere Ingestionsströme, die Auto Loader oder strukturiertes Streaming verwenden, und erforderten manuelle Neustarts, um sich anzupassen. Dies führte gelegentlich zu vorübergehenden Verzögerungen bei der Aktualisierung unserer operativen Dashboards. Das Verfolgen komplexer, mehrstufiger Marketing-Attributionen und Kundenreisen erforderte zustandsbehaftete Streaming-Operationen (wie Joins und Aggregationen). Das Verwalten von ungeordneten Ereignisprotokollen und spät eintreffenden Daten in diesen Streams erwies sich als hochkomplex und erforderte erhebliche kundenspezifische Ingenieurarbeit, um sicherzustellen, dass die Ergebnisse genau blieben. Da von Unity Catalog verwaltete Tabellen keinen pfadbasierten Zugriff unterstützen, mussten wir sicherstellen, dass alle Altsysteme und externen Systeme auf die Verwendung ordnungsgemäßer dreistufiger Namenskonventionen umgestellt wurden, was anfängliche Refactoring-Bemühungen erforderte, um Datenzugriffsfehler zu vermeiden. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Bei Basware lag mein Hauptaugenmerk darauf, die globalen Vertriebs- und Marketingteams dabei zu unterstützen, ihre Leistung zu optimieren, genaue Pipeline-Prognosen zu erstellen und eine robuste Governance unserer Kundendaten sicherzustellen. Databricks diente als grundlegende Plattform, um diese Ziele zu erreichen. Wir nutzten Lakeflow Connect, insbesondere den Salesforce Connector, zusammen mit anderen Ingestionsmethoden, um Daten aus unserem CRM, Marketing-Automatisierungssystemen und lokalen Dateien in das Lakehouse zu ziehen. Dies ermöglichte es uns, eine konsolidierte, einheitliche Sicht auf den Kunden zu erstellen. Lakeflow Spark Deklarative Pipelines halfen uns, unsere rohen Marketing- und Vertriebsdaten in eine Medaillon-Architektur zu organisieren. Das bedeutet, dass wir semi-strukturierte Marketing-Ereignisprotokolle und CRM-Datensätze in strukturierte Datensätze umwandeln konnten, die für Business Intelligence und Prognosen bereit sind. Um den VP of Sales & Marketing Operations und andere Führungskräfte zu unterstützen, setzten wir AI/BI-Genie-Räume ein. Dies ermöglichte es Führungskräften, Pipeline-Metriken und Prognosetrends in natürlicher Sprache abzufragen. Für Standardberichte nutzten wir Partner Connect, um unsere sauberen Gold-Tabellen direkt mit externen BI-Tools zu verknüpfen. **Official Response from Jess Darnell:** > It's great to hear how Databricks has helped you optimize sales and marketing performance, build accurate pipeline forecasts, and ensure robust governance around customer data. We're committed to providing a platform that supports your business goals and enables efficient data management and analysis. Thank you for sharing your use case with us. ### 4. Leistungsstarke Telemetrie-Pipelines mit niedriger Latenz durch Streaming-Tabellen und materialisierte Ansichten **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 einer Telekommunikationsumgebung, die riesige Datenmengen aus Festnetz- und Mobilfunknetzen (GPON, 4g/5g Core und RAN) verarbeitet, werden unstrukturierte oder halbstrukturierte Frequenztelemetriedaten schrittweise von unseren virtualisierten Funktionen wie vEPC, vCPE oder VHGW mit minimalem Aufwand aufgenommen. Mein Team arbeitet eng mit virtualisierten Netzwerkfunktionen und Multi-access Edge Computing zusammen. Funktionen wie Streaming Tables und Materialized Views helfen uns, latenzarme Pipelines zu erstellen, die Netzwerkleistungsmetriken nahezu in Echtzeit verarbeiten und uns dabei unterstützen, Netzwerk-KPIs und die Effizienz der Dienstqualität zu überwachen. Da die Kernkompetenz meines Teams eher im Netzwerkdesign und der Systemvirtualisierung als in der Datenbankverwaltung liegt, sind Predictive Optimization und Liquid Clustering äußerst vorteilhaft. Sie übernehmen autonom die Tabellenwartung, Dateikompaktierung und Datenlayout-Optimierung, sodass unsere Ressourcen für den Fokus auf die Netzwerkarchitektur frei werden. **Was gefällt Ihnen an Databricks nicht?** Virtualisierte Netzwerkfunktionen, Router und disaggregierte Hardware unterliegen häufig Software-Upgrades, die oft subtile Änderungen in den Telemetrie-Ausgabeschemata einführen. Bei der Verwendung von strukturiertem Streaming oder Auto Loader führen diese Schemaabweichungen dazu, dass unsere Streaming-Abfragen fehlschlagen, was einen manuellen Neustart des Streams erfordert, um das Schema neu zu planen. Wenn wir die Logik eines komplexen Netzwerk-KPIs aktualisieren müssen, der innerhalb einer materialisierten Ansicht definiert ist, löst jede Änderung der Abfrage eine vollständige Neuberechnung der Ansicht aus. Angesichts des massiven Umfangs der Telekom-Transaktionsdatensätze kann dies zu spürbaren Rechenkosten führen. Wir verlassen uns auf eine Vielzahl von Datenwerkzeugen innerhalb unseres IKT-Ökosystems, aber nicht alle Lösungen, die in Partner Connect enthalten sind, unterstützen nativ den Unity-Katalog. Dies kann Integrations- und Governance-Hürden schaffen, wenn wir versuchen, bestimmte Drittanbieter-Analyse- und Datenvorbereitungstools mit unserem gesicherten Data Lake zu verbinden. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Wir erfassen kontinuierliche Datenströme von Leistungsdaten aus virtualisierten Netzwerkfunktionen und traditionellen Transportschichten. Durch den Aufbau von Streaming-Pipelines können wir virtualisierte Kerne und Router überwachen, um Anomalien oder Verschlechterungen im Netzwerkverkehr zu identifizieren. In Übereinstimmung mit meinem Interesse an Netzwerk-KI und maschinellem Lernen nutzen unsere Datenwissenschaftler die Plattform, um prädiktive Modelle zu entwickeln. Wir trainieren Modelle auf historischen GPON/DSL-Leitungsausfällen, Mobilfunkmastbelastungen und Nutzungsmustern von Kunden, um Netzwerkkongestionen vorherzusagen, proaktive Wartung zu planen und Kundenabwanderung in verschiedenen Kundensegmenten zu mindern. Als Evangelist für technologische Evolution nutze ich die Plattform, um die Lücke zwischen unseren Kernnetzwerkteams und den Geschäftseinheiten zu überbrücken. Durch die Verbindung von Geschäftsbedeutungen und die Etablierung sicherer Delta-Sharing-Protokolle bieten wir Geschäftsanalysten und Entscheidungsträgern einen geregelten, selbstbedienten Zugang zu Netzwerkeinblicken, ohne die Einhaltung von Sicherheitsvorschriften zu gefährden. **Official Response from Jess Darnell:** > Es ist fantastisch zu hören, wie Databricks Ihnen hilft, kontinuierliche Datenströme von Leistungsdaten zu erfassen und zu verarbeiten, prädiktive Modelle zu entwickeln und die Lücke zwischen Netzwerktechnik-Teams und Geschäftseinheiten zu schließen. Wir sind bestrebt, Lösungen bereitzustellen, die unseren Nutzern in verschiedenen Aspekten ihrer Arbeit zugutekommen. ### 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 über 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 Analytik 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 Vielzahl von Systemen zusammenzufügen, kann man um ein einziges Lakehouse-Setup herum aufbauen, 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:** > Wir freuen uns zu hören, dass Sie unser Ökosystem und den Lakehouse-Ansatz als vorteilhaft für die Vereinfachung und Vereinheitlichung Ihrer Datenarbeit empfinden. Wir verstehen Ihre Bedenken hinsichtlich der Lernkurve und der Kosten und arbeiten kontinuierlich daran, die Benutzererfahrung zu verbessern und kostengünstige Lösungen anzubieten. Vielen Dank, dass Sie uns Ihr ausführliches Feedback mitgeteilt haben. ### 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. Databricks macht groß angelegte Datenumwandlungen einfach ausführbar **Rating:** 5.0/5.0 stars **Reviewed by:** Gunther C. | Software Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 05, 2026 **Was gefällt Ihnen an Databricks am besten?** Databricks vereinfacht den Prozess der Durchführung von Datentransformationsoperationen auf riesigen Datensätzen. Obwohl es ein wenig ein Paradigmenwechsel von klassischen asynchronen Verarbeitungsarchitekturen sein kann, ist es extrem einfach, damit zu beginnen. Einfach ausgedrückt, das, was mir am besten daran gefällt, ist seine Fähigkeit, Arbeiten im großen Maßstab durchzuführen. **Was gefällt Ihnen an Databricks nicht?** Die Unfähigkeit, eine Kopie von Databricks lokal auszuführen, um Änderungen vor der Bereitstellung in der Produktion zu testen, ist ein erhebliches Hindernis. Die Erstellung von Staging-Umgebungen pro Entwickler könnte eine nahe Lösung sein, könnte jedoch viel Verwaltungsaufwand erfordern. **Welche Probleme löst Databricks für Sie, und wie profitieren Sie davon?** Databricks ermöglicht es, enorme Datenmengen effizient zu verarbeiten, während gleichzeitig nicht viel Ingenieuraufwand erforderlich ist, um das System selbst zu entwerfen (Ingenieure können sich auf die Lösung von Datenproblemen konzentrieren, anstatt auf Skalierungsprobleme). **Official Response from Aunalisa Arellano:** > Vielen Dank, dass Sie Ihre positive Erfahrung mit Databricks geteilt haben! Wir freuen uns sehr zu hören, dass Sie es einfach finden, Datenumwandlungen in großem Maßstab durchzuführen. Wir verstehen Ihr Anliegen, dass Sie keine lokale Kopie zum Testen ausführen können. Wir arbeiten kontinuierlich daran, unsere Plattform zu verbessern und werden Ihr Feedback berücksichtigen. Vielen Dank, dass Sie sich die Zeit genommen haben, eine Bewertung zu hinterlassen. ## 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-12878359?section=pricing&secure%5Bexpires_at%5D=2026-06-07+16%3A15%3A34+-0500&secure%5Bsession_id%5D=01d525e2-2bee-4245-b628-b7327d20f2de&secure%5Btoken%5D=7c8ccc8a9f8d1e21fe8694016ec241408de752f897818bc332b4ec7ff735df8c&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 Redshift](https://www.g2.com/de/products/amazon-redshift/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 Airflow](https://www.g2.com/de/products/apache-airflow/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 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) - [Crunchbase](https://www.g2.com/de/products/crunchbase/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) - [GitLab](https://www.g2.com/de/products/gitlab/reviews) - [Google Analytics](https://www.g2.com/de/products/google-analytics/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) - [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) - [Prophecy](https://www.g2.com/de/products/prophecy-prophecy/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 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) - 4.5/5.0 (706 reviews) - [Teradata Autonomous Knowledge Platform](https://www.g2.com/de/products/teradata-autonomous-knowledge-platform/reviews) - 4.3/5.0 (355 reviews)