Monte Carlo Reseñas y Detalles del Producto

Los monitores de aprendizaje automático integrados que rastrean la frescura, el volumen y los cambios de esquema son fantásticos. Realmente aprecio cómo estas funciones funcionan directamente desde el primer momento. Reseña recopilada por y alojada en G2.com.

Para ser completamente honesto, esta es la mejor herramienta que he utilizado para la observabilidad de datos y verificaciones de calidad de datos a gran escala. Sin embargo, si tuviera que mencionar un inconveniente, sería las características adicionales que vienen con las integraciones. Por ejemplo, MC intenta mostrar trazas de nuestra integración de Airflow en varias áreas, pero he notado que la información no siempre es precisa en algunos lugares. He observado un problema similar con la integración de dbt también. Reseña recopilada por y alojada en G2.com.

He encontrado que el linaje de campo es mucho más útil de lo que imaginaba originalmente. La escala de importancia de la tabla también es muy agradable de ver. Nos ha permitido adelantarnos a las alertas de calidad de datos antes de que nuestros interesados se den cuenta de que algo está mal. Encuentro que es especialmente fácil de navegar y rastrear los modelos más importantes. Hay una función que te avisa si una consulta ha cambiado según el número de caracteres en una consulta, lo cual es realmente agradable. Reseña recopilada por y alojada en G2.com.

Realmente desearía que hubiera una manera de posponer los monitores y alertas de la misma manera, ya que a veces puede volverse abrumador. Reseña recopilada por y alojada en G2.com.

Monte Carlo nos ha permitido monitorear nuestras canalizaciones de datos con mayor claridad. Una de sus características destacadas es su capacidad para detectar errores antes de que lleguen a producción, reduciendo significativamente el tiempo de inactividad y asegurando la integridad de los datos.

Este producto también desempeñó un papel crucial en el apoyo a nuestro nuevo producto de datos orientado al cliente. Sus capacidades robustas de detección de errores e informes exhaustivos nos permitieron lanzar con confianza, sabiendo que nuestros datos eran precisos y confiables. Reseña recopilada por y alojada en G2.com.

La curva de aprendizaje para configurar los monitores y entender el sistema fue más pronunciada de lo esperado. Combinado con el gran número de tablas en nuestro almacén, fue un proceso de implementación laborioso. Algunos de estos problemas son inevitables. En el futuro, tengo curiosidad por saber si hay una manera más eficiente de configurar los monitores. Por ejemplo, en nuestro caso configuramos las mismas reglas exactas para múltiples tablas, con la única diferencia siendo el nombre del campo y algunas ligeras variaciones en el SQL. Reseña recopilada por y alojada en G2.com.

Me gusta cómo Monte Carlo lleva las ideas sobre la calidad de los datos a las personas que pueden corregirlas, los usuarios de las fuentes de datos. También encuentro útiles los umbrales de ML porque permiten que Monte Carlo maneje las alertas de error, de modo que el equipo de la plataforma de datos no tenga que crear los umbrales de error manualmente. La integración con Slack es otra ventaja, ya que ofrece un lugar centralizado para las alertas y facilita enviarlas a las partes interesadas adecuadas. Monte Carlo es fácil de usar, aunque no me encargué de la configuración inicial. Reseña recopilada por y alojada en G2.com.

Estoy teniendo dificultades para integrar Monte Carlo con agentes de IA. Sería genial si los agentes de IA pudieran interactuar de manera más fluida con Monte Carlo. Reseña recopilada por y alojada en G2.com.

Me gusta Monte Carlo por sus características de IA que manejan automáticamente la creación de límites cuando seleccionas una fuente para ser monitoreada. El monitoreo automático de cambios de esquema, cambios de métricas y frescura también es excelente. Aprecio su integración con Slack, que permite la creación de flujos de trabajo automatizados y mantiene a todos informados de manera proactiva. La característica de IA y el monitoreo automático ahorran mucho tiempo al eliminar la necesidad de pensar manualmente en los límites o de verificar constantemente los cambios de esquema. Configurar el sistema fue muy fácil, ya que todos los sistemas se conectaron rápidamente a través de cuentas de administrador, tomando menos de un día. Reseña recopilada por y alojada en G2.com.

Lo principal que no me gusta de Monte Carlo es cómo necesitas seleccionar las tablas. Somos muy cuidadosos con las tablas y fuentes que queremos monitorear, y eso lleva bastante tiempo. No es muy fácil navegar y seleccionar o deseleccionar tablas de un esquema. Eso podría mejorarse en mi opinión. Reseña recopilada por y alojada en G2.com.

La flexibilidad y recibir alertas oportunas y confiables para Volumen, Esquema y Frescura es útil. Poder ajustar el modelo es genial. Reseña recopilada por y alojada en G2.com.

No es que no me guste, pero hay un par de cosas que se pueden mejorar:

1) Los paneles pueden ser mejores al proporcionar más información procesable, como las tablas que fallan con más frecuencia o las 5 tablas que más fallan, bajo qué esquema, por qué razón fallan, monitores que fallan frecuentemente, etc.

2) Sería genial si cualquier actualización realizada en las alertas de Monte Carlo pudiera fluir hacia los incidentes de ServiceNow.

3) Serían geniales integraciones adicionales con archivos, como si un archivo no ha llegado, etc.

4) Si pudiéramos tener el modelo ajustado para alertas mucho antes de 2 semanas, sería un movimiento bienvenido.

5) Realizar talleres en un entorno de pruebas para los equipos ayudaría a involucrar a más compañeros para entender y familiarizarse con Monte Carlo. Reseña recopilada por y alojada en G2.com.

Me gusta la integración de Slack de Monte Carlo, donde recibimos alertas a través de Slack, que actúa como un punto único para verificar todos los problemas. Esta integración ahorra mucho tiempo. La configuración inicial no fue tan difícil porque un representante de Monte Carlo nos guió a través del proceso y nos proporcionó una transferencia de conocimiento detallada sobre cómo usar mejor la herramienta. Reseña recopilada por y alojada en G2.com.

Algunas de las reglas son demasiado sensibles, generando muchas alertas donde al final no tomamos ninguna acción. Hay margen para mejorar aquí. Tal vez debería haber una correlación entre diferentes alertas de tablas, de modo que si hay columnas similares en otras tablas, entonces sus reglas deberían ser importadas; en lugar de entrenar la nueva alerta desde cero cada vez. Reseña recopilada por y alojada en G2.com.

Monte Carlo nos ayuda a mantener un control cercano sobre nuestro almacén de datos. Los ejemplos incluyen notificarnos sobre cambios importantes en el volumen o la frescura, lo que nos ayuda a adelantarnos a posibles problemas, y el linaje de tablas/columnas, que nos permite ver el impacto de cualquier cambio en las tablas/informes dependientes. Estoy seguro de que hay otras características útiles que aún no hemos explorado. Reseña recopilada por y alojada en G2.com.

El costo ha aumentado considerablemente, lo que significa que hemos tenido que monitorear menos tablas para mantenernos dentro del presupuesto. Nos gustaría más personalización en las notificaciones ya que pueden ser bastante verbosas y la capacidad de interactuar con las notificaciones en GChat como solíamos tener en Slack. Quizás algunas opciones más en los informes de Insight también serían útiles. Reseña recopilada por y alojada en G2.com.

Me gusta que no tengamos que escribir nuestras propias reglas de DQ desde cero y que esté organizado en una interfaz fácil de usar. El panel de control de calidad de datos es una herramienta muy útil para mostrar a los ejecutivos y demostrar el ROI del software. Reseña recopilada por y alojada en G2.com.

Puede ser complicado y abrumador entender el proceso en su totalidad sobre qué monitorear, cuándo alertar y qué prioridad asignar. La puntuación de popularidad no siempre coincide con lo que el negocio considera nuestros datos más importantes y usar la etiqueta de activo clave no permite la granularidad para ajustar cuán importante es un activo. Las características de IA podrían necesitar algo de trabajo ya que a menudo ofrecen sugerencias que no son del todo útiles. Reseña recopilada por y alojada en G2.com.

Me gusta la función avanzada de Monte Carlo en la observabilidad de datos, que viene con herramientas predefinidas útiles como el monitor de frescura y volumen. También aprecio la capacidad de personalizarlas con SQL personalizado. El monitor de frescura nos ayuda a asegurar que recibimos datos de nuestros sistemas de origen/ascendentes y que nuestros productos de datos descendentes se actualizan como se espera. Si no, recibimos alertas, lo que nos permite solucionar problemas y realizar correcciones rápidamente. Configurar Monte Carlo fue fácil con la documentación oficial, utilizando el método Monitor-como-código con configuraciones YAML, lo cual es útil para que los desarrolladores lo mantengan en un repositorio Git. Reseña recopilada por y alojada en G2.com.

Desearía que hubiera más opciones de personalización con las alertas de Monte Carlo para escribir nuestros propios mensajes, de modo que cuando se envíen a las partes interesadas como los propietarios de productos de datos o los propietarios de sistemas fuente, puedan obtener un mejor contexto de la alerta. Reseña recopilada por y alojada en G2.com.