Azure Databricks Reseñas y Detalles del Producto

Lo que más me gusta de Azure Databricks es cómo hace que trabajar con datos se sienta sencillo sin que tenga que pensar demasiado en la configuración.

Por mi experiencia, lo uso principalmente para consultar, transformar y validar datos, y maneja grandes conjuntos de datos muy bien sin ralentizarme. No tengo que preocuparme demasiado por el rendimiento: simplemente escribo lo que necesito y se ejecuta.

También me gusta la flexibilidad de cambiar entre SQL y PySpark dependiendo de lo que esté haciendo. Facilita la exploración de datos y la resolución de problemas rápidamente sin quedar atrapado en un solo enfoque.

El entorno de cuadernos es otro gran punto a favor para mí. Lo uso para organizar mis consultas y lógica en un solo lugar, así que siempre puedo volver, ajustar cosas o reutilizar partes sin empezar desde cero.

En general, simplemente hace que mi flujo de trabajo sea más limpio y eficiente, especialmente cuando trabajo con grandes volúmenes de datos y necesito resultados rápidos y confiables. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de Azure Databricks, basado en cómo lo he utilizado, está principalmente relacionado con la usabilidad diaria.

Cuando trabajo con archivos (especialmente alrededor de /dbfs), a veces me encuentro con errores aparentemente aleatorios que no son muy claros. Me lleva tiempo extra averiguar qué fue lo que realmente salió mal, lo cual es frustrante cuando solo intento obtener resultados rápidos.

La depuración es otra área que puede ralentizarme. Si una consulta o transformación no se comporta como se espera, no siempre es obvio dónde está el problema, por lo que termino pasando más tiempo rastreando y delimitando las cosas de lo que me gustaría.

El entorno de cuadernos es útil, pero a medida que un solo cuaderno crece, puede volverse desordenado y más difícil de manejar. Si no tengo cuidado, es fácil perder la estructura y la organización.

El costo es también algo que he tenido que vigilar. Incluso cuando solo estoy probando o ejecutando consultas, el uso puede acumularse rápidamente si los recursos no se gestionan adecuadamente.

En general, funciona bien, pero todavía hay momentos en los que se siente menos intuitivo de lo que debería, especialmente cuando algo sale mal. Reseña recopilada por y alojada en G2.com.

Utilizo Azure Databricks para construir y gestionar canalizaciones de datos. Proporciona todos los servicios necesarios en un solo lugar, como ingeniería de datos, SQL y características de ML. Me ayuda a procesar datos a gran escala para proyectos empresariales, haciendo de Azure Databricks una herramienta valiosa para mí. Las características de SQL facilitan la consulta y el análisis de datos rápidamente, y las capacidades de ML apoyan la experimentación con modelos en la misma plataforma. La configuración inicial es muy fácil; solo necesitas crear un recurso en el portal de Azure ingresando el grupo de recursos y el nombre del espacio de trabajo de Databricks con el resto de la configuración predeterminada. Reseña recopilada por y alojada en G2.com.

Optimización de costos: se puede optimizar más proporcionando el panel de control de monitoreo de costos único por defecto para los administradores del espacio de trabajo, ya que tienen esta función de presupuesto en la vista previa solo para la consola de la cuenta. Reseña recopilada por y alojada en G2.com.

It makes data easy and simple to understand even if we are not from technical background, i dont need to swap or switch different app or software now for data eng , analytics or data science all can be done in once now. The interface is very good and user friendly easy to understand tabs given , i have tried uploding a large set of data , uploading experience was very smooth and easy Reseña recopilada por y alojada en G2.com.

Mostly, I got confused during the cluster setup. It was very difficult for me, and even with the settings I’m still struggling with it. Reseña recopilada por y alojada en G2.com.

What I like best about Azure Databricks is how well it combines scalability, speed, and collaboration in a single environment. It makes it easy to work with large datasets, build and run data pipelines efficiently, and support both engineering and analytics tasks without switching between too many tools.

I also appreciate how smoothly it integrates with the broader Azure ecosystem, which makes it especially useful for end-to-end data processing and analytics workflows Reseña recopilada por y alojada en G2.com.

One thing I dislike about Azure Databricks is that it can feel complex and not always immediately intuitive, especially at the beginning. The environment is powerful, but that also means there are many concepts, configurations, and moving parts to get used to before it feels really smooth.

Another drawback is that, for some tasks, the setup and navigation can feel heavier than expected, which slows down simple workflows. In short, it is a very capable platform, but the learning curve and operational complexity can make it less straightforward than I would like. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Azure Databricks es cómo simplifica el procesamiento de datos a gran escala mientras sigue ofreciendo flexibilidad a los ingenieros. Desde mi experiencia, la mayor ventaja es la plataforma unificada donde puedo hacer ingeniería de datos, transformaciones, ajuste de rendimiento e incluso análisis en un solo lugar sin tener que saltar entre múltiples herramientas. La integración con Spark es perfecta, y cosas como los clústeres de autoescalado, la programación de trabajos y la colaboración en cuadernos hacen que el trabajo diario sea mucho más eficiente. También aprecio características como Delta Lake que maneja transacciones ACID, evolución de esquemas y "time travel" directamente en los lagos de datos, lo que hace que las canalizaciones de producción sean mucho más confiables. Además, optimizaciones como la Ejecución de Consultas Adaptativa, auto-optimización, Z-ordering y almacenamiento en caché realmente ayudan al trabajar con grandes conjuntos de datos. Otra cosa que me gusta es lo bien que se integra con el ecosistema de Azure, ya sea ADLS, ADF, Key Vault o Unity Catalog para la gobernanza. Reduce mucho la sobrecarga de configuración y hace que los despliegues sean más fluidos a través de los entornos. En general, me permite centrarme más en resolver problemas de datos y ajustar el rendimiento en lugar de preocuparme por la gestión de la infraestructura. Reseña recopilada por y alojada en G2.com.

Una cosa que no me gusta de Azure Databricks es que la gestión de costos puede volverse complicada si no se monitorean de cerca los clústeres y los trabajos. Debido a que es tan fácil crear clústeres y ejecutar grandes cargas de trabajo, los costos pueden aumentar rápidamente, especialmente con el autoescalado o múltiples trabajos paralelos en ejecución. Por lo tanto, requiere una buena gobernanza y monitoreo. Otra área es la depuración y resolución de problemas. Aunque los notebooks son excelentes para el desarrollo, depurar fallos en trabajos de producción, especialmente problemas intermitentes de Spark o de infraestructura, a veces puede llevar tiempo. Los registros están disponibles, pero rastrear la causa raíz exacta a través de eventos del clúster, la interfaz de usuario de Spark y las ejecuciones de trabajos no siempre es sencillo. También he notado que manejar CI/CD y despliegues (como mover notebooks, flujos de trabajo, configuraciones entre entornos) no es tan fluido de inmediato en comparación con los repositorios de código tradicionales. Está mejorando con Databricks Asset Bundles y Repos, pero aún requiere una configuración cuidadosa. Dicho esto, la mayoría de estos son manejables con buenas prácticas: controles de costos, monitoreo y procesos adecuados de DevOps. Reseña recopilada por y alojada en G2.com.

Lakebase y puertas de enlace API. Usamos Lakebase como nuestra base de datos principal, y tiene capacidades muy fuertes para cargas de trabajo de IA. También es fácil y flexible de trabajar porque es una base de datos Postgres. Creo que la adición de bases de datos con escalado automático es una mejora realmente buena; en lugar de tener Unidades de Cómputo estáticas asignadas a cada base de datos, ahora pueden escalar automáticamente. También me gusta que con el escalado automático puedas establecer tanto el CU mínimo como el máximo, lo que te da más control mientras mantienes las cosas flexibles. Reseña recopilada por y alojada en G2.com.

La fijación de precios aún no está muy clara, las cosas todavía se miden en unidades de cómputo, lo cual es realmente difícil de entender para los precios. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Azure Databricks es cómo se integra perfectamente con el ecosistema de Azure, especialmente con servicios como Data Lake, Synapse y Data Factory. Ofrece un excelente equilibrio entre facilidad de uso y capacidades avanzadas, permitiendo que tanto usuarios técnicos como no técnicos colaboren en un único entorno. Los cuadernos son intuitivos y soportan múltiples lenguajes como SQL, Python y R, lo que hace que la implementación y la experimentación sean fluidas. Lo uso frecuentemente para construir y gestionar flujos de datos, ejecutar transformaciones y desarrollar modelos de aprendizaje automático. La escalabilidad de la plataforma, los clústeres de autoescalado y las características gestionadas de Delta Lake hacen que el manejo de grandes conjuntos de datos sea eficiente. El soporte al cliente es generalmente útil y la plataforma sigue evolucionando con actualizaciones frecuentes que añaden aún más características útiles. Reseña recopilada por y alojada en G2.com.

Aunque Azure Databricks es potente, hay algunas áreas que podrían mejorarse. La configuración inicial y la configuración del entorno pueden ser un poco complejas para los nuevos usuarios, y los tiempos de inicio de los clústeres a veces pueden ser lentos. La estructura de precios también requiere un monitoreo cuidadoso: los costos pueden aumentar rápidamente si los clústeres no están optimizados o no se terminan automáticamente de manera adecuada. Aunque la interfaz es robusta, podría ser más amigable para principiantes, y el control de versiones de los cuadernos podría ser más fluido. El tiempo de respuesta del soporte al cliente puede variar dependiendo de la gravedad del problema. Aun así, una vez que te acostumbras al entorno, es una plataforma altamente capaz y confiable para cargas de trabajo diarias de datos y análisis. Reseña recopilada por y alojada en G2.com.

La plataforma gestiona el procesamiento de datos a gran escala con una suavidad impresionante, y su interfaz se vuelve bastante fácil de usar después de una breve curva de aprendizaje. Integrarla con otros servicios de Azure es sencillo, lo que acelera significativamente el proceso de implementación. Aprecio la variedad de características disponibles para ETL y análisis, lo que nos permite usarla regularmente para una variedad de cargas de trabajo diferentes. Cuando surgen problemas, la documentación y los recursos de soporte son generalmente suficientes para ayudar a resolver los problemas rápidamente. Reseña recopilada por y alojada en G2.com.

A veces, la plataforma puede parecer un poco complicada para los recién llegados, y puede llevar algún tiempo que los clústeres se inicien. Gestionar los costos no siempre es sencillo, y ciertas características requieren configuración adicional. Aunque el soporte generalmente es útil, los tiempos de respuesta pueden ser ocasionalmente lentos. Reseña recopilada por y alojada en G2.com.

Utilizo Azure Databricks para el procesamiento de datos, ETL y análisis en grandes conjuntos de datos. Me gusta su escalabilidad y la fácil colaboración en una plataforma unificada. Aprecio su rápido rendimiento, la integración perfecta con otros servicios de Azure y los cuadernos fáciles de usar. La configuración inicial fue muy fácil, especialmente con las directrices proporcionadas en el sitio web. Reseña recopilada por y alojada en G2.com.

Gestión de costos, tiempos de inicio rápidos para clústeres y una interfaz de usuario más intuitiva para principiantes. Reseña recopilada por y alojada en G2.com.

Azure Databricks es una gran plataforma que ofrece un entorno robusto para consultar grandes conjuntos de datos a través de Apache Spark. Aprecio especialmente lo fácil que es integrar con la cuenta de almacenamiento de Azure y los cuadernos, haciendo que el análisis de grandes datos sea eficiente y escalable. El control de versiones incorporado de Databricks, combinado con la integración fluida con GitHub, facilita la colaboración y la gestión del código. Es una de las mejores configuraciones con las que he trabajado. Reseña recopilada por y alojada en G2.com.

La configuración y el ajuste del clúster a veces es confusa y lleva mucho tiempo. Reseña recopilada por y alojada en G2.com.