Was mir an Databricks am meisten gefällt, ist, wie die benutzerfreundliche Benutzeroberfläche den gesamten Daten-Engineering-Workflow auf einer Plattform zusammenführt. In meinem Projekt landen die Daten über Snaplogic in der Bronze-Schicht, und wir verwenden Databricks, um sie in Silber- und Golddatenprodukte zu transformieren. Die serverlose Compute-Option hat den Aufwand für die Verwaltung der Infrastruktur erheblich reduziert, während der Unity Catalog die Governance und Zugriffskontrolle vereinfacht. Ich finde auch AI Genie und die integrierten Überwachungsfunktionen nützlich, um Pipeline-Ausfälle zu untersuchen, Joblaufzeiten zu überprüfen und Probleme viel schneller zu debuggen. Aus preislicher Sicht funktioniert das Pay-for-what-you-use-Modell gut für uns, insbesondere mit serverlosem Computing und automatischer Skalierung, da wir vermeiden, für ungenutzte Infrastruktur zu zahlen. Die Dokumentation ist umfassend, die Einarbeitung neuer Teammitglieder ist relativ einfach, und es gibt eine starke Wissensbasis und Community, die hilft, Probleme schnell zu lösen. Insgesamt hat es unsere ETL-Entwicklung und den täglichen Betrieb effizienter gemacht. Bewertung gesammelt von und auf G2.com gehostet.

Ein Nachteil ist, dass die Fehlersuche manchmal schwierig sein kann, wenn eine Pipeline fehlschlägt, da die Fehlermeldungen nicht immer detailliert genug sind und man möglicherweise mehrere Protokolle durchsuchen muss, um die Ursache zu finden. Die Plattform hat auch viele Funktionen, sodass es einige Zeit dauern kann, bis neue Benutzer mit allem vertraut sind. Während serverlos praktisch ist, können die Kosten steigen, wenn die Nutzung der Rechenleistung nicht richtig überwacht wird. Ich würde auch gerne eine schnellere Reaktionsfähigkeit der Benutzeroberfläche in einigen Bereichen sehen, insbesondere beim Navigieren durch große Jobhistorien oder Kataloge. Bewertung gesammelt von und auf G2.com gehostet.

Das Beste an Databricks ist die umfassende End-to-End-Erfahrung, die es von anderen Lösungen unterscheidet. Als Projektmanager haben wir Databricks in unserer Organisation fast 3 Jahre lang genutzt. In diesen 3 Jahren haben wir es für seinen einheitlichen Data Lake für das Data Warehouse verwendet. Außerdem hat es uns geholfen, die Markteinführungszeit für unsere Projekte um fast 45 % zu verkürzen. Mit seiner einheitlichen Umgebung hat es unseren Teams geholfen, Reibungen zu reduzieren und schneller voranzukommen. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt keine besonderen Dinge, die ich nicht mag, aber sie könnten die automatische Skalierung verbessern, da sie kleinen Unternehmen Probleme bereiten kann, da sie ein Budget-Überhang verursachen kann. Außerdem ist es eine codeintensive Plattform, was auch bedeutet, dass Nicht-Technik-Nutzer sie nicht viel nutzen können. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe Databricks als Teil unseres Data-Engineering-Workflows genutzt, um ETL-Pipelines zu erstellen und zu warten, große Datensätze zu analysieren und Berichtsanforderungen zu unterstützen. Eines der Dinge, die mir am meisten gefallen, ist, dass es Data Engineering, Analytik und Notebooks in einem einzigen Arbeitsbereich vereint. Anstatt zwischen mehreren Tools zu wechseln, kann ich PySpark-Code schreiben, Transformationen validieren, mit Teamkollegen zusammenarbeiten und Jobs von derselben Plattform aus planen. Dies hat die tägliche Entwicklung organisierter gemacht, insbesondere wenn man an mehreren Datenpipelines arbeitet.

Ein weiteres Feature, auf das ich häufig zurückgreife, ist die Notebook-Umgebung. Sie ist praktisch für die Entwicklung und das Testen von Transformationen, bevor sie in die Produktion überführt werden. Während der Entwicklung nutze ich oft Notebooks, um Beispieldaten zu inspizieren, fehlgeschlagene Transformationen zu beheben und Geschäftslogik mit SQL und PySpark zu validieren. Die Möglichkeit, Code, Markdown-Dokumentation und Abfrageergebnisse an einem Ort zu mischen, erleichtert es auch Teammitgliedern, die Implementierung während Code-Reviews oder Wissensaustausch-Sitzungen zu verstehen.

Ich schätze auch die Skalierbarkeit der Plattform. Einige unserer Datenverarbeitungsjobs umfassen Millionen von Datensätzen, und Databricks bewältigt die verteilte Verarbeitung effizient, ohne dass wir die zugrunde liegende Infrastruktur direkt verwalten müssen. Funktionen wie Cluster-Management, Job-Planung und Integration mit Cloud-Speicher reduzieren den operativen Aufwand. Allerdings können die Startzeiten von Clustern gelegentlich schnelle Debugging-Sitzungen verzögern, und das sorgfältige Management von Rechenressourcen ist wichtig, um unnötige Kosten zu vermeiden. Insgesamt hat Databricks geholfen, die groß angelegte Datenverarbeitung zu vereinfachen, während es genügend Flexibilität für sowohl Entwicklungs- als auch Produktions-Workloads bietet. Bewertung gesammelt von und auf G2.com gehostet.

Obwohl Databricks für unsere Datenverarbeitungs-Workloads zuverlässig war, gibt es einige Bereiche, in denen ich denke, dass es verbessert werden könnte. Eine Herausforderung, die ich erlebt habe, ist die Startzeit der Cluster. Wenn ich nur eine kleine Codeänderung testen oder eine Transformation validieren muss, kann das Warten auf den Start eines Clusters den Entwicklungsfluss unterbrechen. Für geplante Produktionsjobs ist das kein großes Problem, aber während der aktiven Entwicklung und Fehlersuche summieren sich diese zusätzlichen Minuten.

Eine weitere Einschränkung ist das Kostenmanagement. Da Rechenressourcen an die Nutzung von Clustern gebunden sind, ist es wichtig, die Clusterkonfigurationen zu überwachen und sicherzustellen, dass sie heruntergefahren werden, wenn sie nicht benötigt werden. Wir hatten Situationen, in denen Entwicklungscluster länger aktiv blieben als erwartet, was zu höheren Cloud-Kosten führte. Die Plattform bietet Werkzeuge, um dies zu verwalten, aber es erfordert dennoch, dass Teams gute Governance- und Nutzungspolitiken etablieren. Ich habe auch festgestellt, dass einige Konfigurationseinstellungen für Jobs, Berechtigungen und Cluster eine Lernkurve haben, insbesondere für neue Teammitglieder, die mit der Databricks-Umgebung nicht vertraut sind.

Aus der täglichen Perspektive kann das Debuggen von verteilten Spark-Jobs manchmal herausfordernd sein. Während die Protokolle nützliche Informationen liefern, erfordert das Identifizieren der genauen Ursache von Fehlern oft das Navigieren durch mehrere Ausführungsprotokolle und Spark-UI-Details. Bei einfachen Problemen ist das kein Problem, aber das Beheben komplexerer Pipeline-Fehler kann Zeit in Anspruch nehmen. Trotz dieser Einschränkungen überwiegen die Vorteile der Plattform, und die meisten Herausforderungen können mit einer ordnungsgemäßen Clusterkonfiguration, Überwachung und Teampraktiken bewältigt werden. Bewertung gesammelt von und auf G2.com gehostet.

Ich nutze Databricks, um Ingestions-, Transformations- und Abgleichspipelines für die Daten mehrerer Kunden auf einer Plattform auszuführen und um Feature-Tabellen für die Betrugserkennung vorzubereiten. Die Einrichtung verlief reibungsloser als erwartet: Meine Arbeitsbereiche, Cluster-Richtlinien und der Unity-Katalog waren innerhalb des ersten Sprints einsatzbereit. Genie Code entwirft und debuggt mein PySpark, sodass ich mehr Zeit für Randfälle als für Boilerplate aufwenden kann, und es liest oft schneller als ich den Stack-Trace eines Jobs. Es half mir auch, eine Formatinkompatibilität der Anbieterdatei zu identifizieren, sodass ich eine Erwartung hinzufügen und die Abgleichsberichte rechtzeitig an das Finanzteam des Kunden senden konnte. Separate Arbeitsbereiche halten Kundenprojekte getrennt, Cluster-Richtlinien helfen, übergroße Cluster im Kundenbudget zu vermeiden, und der Unity-Katalog bietet mir einen Ort, um Tabellenberechtigungen zu verwalten und die Abstammung zu verfolgen, wenn eine Quelländerung etwas weiter unten bricht. Databricks hilft mir, Schemaänderungen und fehlgeschlagene Jobs schnell zu beheben, damit Kunden zuverlässige Daten ohne Verzögerungen erhalten. Bewertung gesammelt von und auf G2.com gehostet.

Mein Hauptvorbehalt ist das Pipelines-Dashboard. Da ich für mehrere Kunden liefere, landen ihre Pipelines in einer flachen Liste und verschwimmen miteinander. Die Zuweisung von Berechtigungen Pipeline für Pipeline ist mühsam und lässt bei Kundendaten zu viel Raum für Fehler. Ordner mit geerbtem Zugriff, Tags für Kunden und Umgebung, Filter und eine Zusammenfassung fehlgeschlagener oder verzögerter Läufe würden es einfacher machen, die Pipeline-Gesundheit eines Kunden auf einen Blick zu überprüfen. Bewertung gesammelt von und auf G2.com gehostet.

Was mir an Databricks am meisten gefällt, ist, dass es unserem Team hilft, die Serviceoperationen der Fahrer effizienter zu überwachen. Wir verwenden Databricks Dashboards und SQL Warehouses, um tägliche Einnahmen, Serviceanfragen, Kundenzufriedenheitswerte, abgeschlossene Dienstleistungen und fehlgeschlagene Transaktionen an einem Ort zu verfolgen. Es hat das operative Reporting erheblich beschleunigt und ermöglicht es uns, Trends zu erkennen, ohne manuell mehrere Berichte erstellen zu müssen. Bewertung gesammelt von und auf G2.com gehostet.

Eine Sache, die ich bei Databricks etwas herausfordernd fand, war das Verständnis dafür, wie verschiedene Komponenten wie SQL-Warehouses, Dashboards und Berechtigungen zusammenarbeiten, wenn man operative Berichte erstellt. Das Einrichten von Dashboards für Fahrdienstleistungsmetriken hat anfangs einige Zeit in Anspruch genommen. Nachdem ich mich mit dem Workflow vertraut gemacht hatte, wurde es viel einfacher zu verwalten, aber eine bessere Einführung für Erstbenutzer würde das Gesamterlebnis verbessern. Bewertung gesammelt von und auf G2.com gehostet.

Wir verwenden Databricks, um Buchungs- und Servicedaten zu verarbeiten, bevor wir operative Dashboards für unser Team erstellen. Ich habe Datensätze in Delta-Tabellen importiert, SQL-Abfragen verwendet, um Umsatz- und Buchungskennzahlen vorzubereiten, und KPI-Dashboards erstellt, um die Leistung der Anbieter und monatliche Trends zu überwachen. Der Catalog Explorer erleichterte es, Schemata zu inspizieren und Daten vor der Berichterstellung zu validieren. Die Datenvorbereitung, Abfrage und Visualisierung in einem Arbeitsbereich zu halten, reduzierte die manuelle Arbeit und half uns, Berichte schneller zu erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Die größte Herausforderung war die anfängliche Lernkurve. Das Verständnis des Arbeitsbereichlayouts, des Katalog-Explorers, der SQL-Warehouses und der Dashboard-Konfiguration nahm einige Zeit in Anspruch, als ich anfing, es zu benutzen. Nach ein paar Tagen Arbeit mit der Plattform wurde die Navigation viel intuitiver, aber ein besseres Onboarding für neue Benutzer würde die Erfahrung reibungsloser machen. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag den Unity Catalog, die KI-Funktionen und die Governance-Funktionen von Databricks, die Datenherkunft, ABAC-Richtlinien, KI-Agenten, Genie, Genie-Code und KI-Funktionen umfassen. Diese Funktionen vereinfachen unsere Arbeit und sind einfach zu konfigurieren und zu verwalten. Ich bin auch zu den Workflows von Databricks gewechselt, weil sie kostengünstiger sind und einfacher zu warten und zu skalieren sind. Außerdem war die anfängliche Einrichtung super einfach. Ich werde Databricks sehr wahrscheinlich weiterempfehlen und habe ihm auf der Empfehlungsskala 10 von 10 Punkten gegeben. Bewertung gesammelt von und auf G2.com gehostet.

Databricks könnte Verbesserungen bei den Frontend-Dashboard-Funktionen gebrauchen, um besser mit anderen BI-Tools übereinzustimmen. Auch die Benutzeroberfläche für Jobs, Workflows und Pipelines ist umständlich, nicht sehr hilfreich und schwer zu navigieren. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag Databricks für ihre Fähigkeit, schnell zu innovieren und Produkte schnell auf den Markt zu bringen. Die Art und Weise, wie sie Produkte wie Genie und Agent Bricks entwickelt und kontinuierlich weiterentwickelt haben, ist ziemlich beeindruckend. Ich schätze, wie sie sich mit anderen Tools integrieren, insbesondere in AI- und BI-Dashboards. Dashboards direkt in Databricks zu erstellen, anstatt externe Partner zu nutzen, ist hilfreich. Das Integrationsökosystem mit dem Unity-Katalog, das die Governance zentralisiert, ist ebenfalls beeindruckend. Darüber hinaus war der Support von Databricks während der Einrichtung reibungslos und das engagierte Support-Team ist weiterhin sehr hilfreich, insbesondere bei der Erweiterung unserer KI-Fähigkeiten. Bewertung gesammelt von und auf G2.com gehostet.

Zu viele Produkte, um ähnliche Probleme zu lösen, führen manchmal zu Verwirrung Bewertung gesammelt von und auf G2.com gehostet.

Ich mag es, PySpark und Modelle zur Verarbeitung natürlicher Sprache (NLP) in einen einzigen Workflow integrieren zu können. Dadurch kann ich historische Aufzeichnungen mit sehr hoher Leistung mithilfe von SQL abfragen und gleichzeitig Python-Skripte ausführen, um Ergebnisse nach Schlüsselwörtern zu gruppieren. Bewertung gesammelt von und auf G2.com gehostet.

Die Computerkosten können hoch sein, und die Verwaltungskosten für Cluster können schnell steigen, wenn Sie die automatische Skalierung und die Leerlaufzeit nicht streng kontrollieren. Bewertung gesammelt von und auf G2.com gehostet.

Databricks bietet eine vielseitige Plattform, die Datenaufgaben optimiert und die Erstellung und Implementierung von maschinellen Lernmodellen ermöglicht. Es optimiert die Risikobewertung, das Schadensmanagement und die Betrugserkennung und sorgt gleichzeitig für eine effiziente Datenverarbeitung und Zusammenarbeit. Die Integration der Plattform mit verschiedenen Datenquellen und robusten Visualisierungsfunktionen unterstützt fundierte Entscheidungsfindung und die Einhaltung gesetzlicher Vorschriften. Bewertung gesammelt von und auf G2.com gehostet.

Ich nutze Databricks intensiv, weil es eine hervorragende Software ist, die es mir ermöglicht, maschinelle Lernmodelle zur Optimierung der Risikobewertung, des Schadensmanagements und der Betrugserkennung zu erstellen und zu implementieren. Ich mag besonders die Integration mit verschiedenen Datenquellen, um die Informationen, die wir für die Entscheidungsfindung verwenden, zu konsolidieren. Es hilft mir, Daten schneller und effizienter zu verarbeiten, was angesichts des Volumens und der Vielfalt der von mir bearbeiteten Daten unerlässlich ist. Ich schätze, wie es die Zusammenarbeit zwischen Datenteams erleichtert und Herausforderungen im Datenmanagement mit integrierten Tools zur Einhaltung gesetzlicher Vorschriften adressiert. Ich mag die Benutzeroberfläche und die robusten Datenvisualisierungsfunktionen, die die Interpretation der Ergebnisse für alle Teammitglieder zugänglicher machen. Mein Lieblingsaspekt ist seine Flexibilität, die es mir ermöglicht, mit verschiedenen Programmiersprachen zu arbeiten und den besten Ansatz für jede Aufgabe basierend auf den Fähigkeiten des Teams und den Projektanforderungen zu wählen. Auch die Implementierung war unkompliziert, da es ein kollaborativer Prozess war, an dem mehrere Teams innerhalb der Organisation beteiligt waren. Bewertung gesammelt von und auf G2.com gehostet.