Avis et détails du produit Monte Carlo

Monte Carlo nous a permis de surveiller nos pipelines de données avec une clarté accrue. L'une de ses caractéristiques remarquables est sa capacité à détecter les erreurs avant qu'elles n'atteignent la production, réduisant ainsi considérablement les temps d'arrêt et garantissant l'intégrité des données.

Ce produit a également joué un rôle crucial dans le soutien de notre nouveau produit de données destiné aux clients. Ses capacités robustes de détection des erreurs et de reporting complet nous ont permis de lancer avec confiance, sachant que nos données étaient précises et fiables. Avis collecté par et hébergé sur G2.com.

La courbe d'apprentissage pour configurer les moniteurs et comprendre le système a été plus raide que prévu. Combinée au grand nombre de tables dans notre entrepôt, cela a été un processus de mise en œuvre laborieux. Certains de ces problèmes sont inévitables. À l'avenir, je suis curieux de savoir s'il existe un moyen plus efficace de configurer les moniteurs. Par exemple, dans notre cas, nous avons configuré exactement les mêmes règles pour plusieurs tables, la seule différence étant le nom du champ et quelques légères variations dans le SQL. Avis collecté par et hébergé sur G2.com.

J'aime la façon dont Monte Carlo apporte des informations sur la qualité des données aux personnes qui peuvent les corriger, les utilisateurs des sources de données. Je trouve également les seuils de ML utiles car ils permettent à Monte Carlo de gérer les alertes d'erreur, de sorte que l'équipe de la plateforme de données n'a pas à créer manuellement les seuils d'erreur. L'intégration avec Slack est un autre avantage, car elle offre un lieu centralisé pour les alertes et facilite leur envoi aux parties prenantes concernées. Monte Carlo est facile à utiliser, même si je n'ai pas géré l'installation initiale. Avis collecté par et hébergé sur G2.com.

J'ai des difficultés à intégrer Monte Carlo avec des agents d'IA. Ce serait formidable si les agents d'IA pouvaient interagir plus facilement avec Monte Carlo. Avis collecté par et hébergé sur G2.com.

J'aime Monte Carlo pour ses fonctionnalités d'IA qui gèrent automatiquement la création de limites lorsque vous sélectionnez une source à surveiller. La surveillance automatique des changements de schéma, des changements de métriques et de la fraîcheur est également excellente. J'apprécie son intégration avec Slack, permettant la création de flux de travail automatisés et tenant tout le monde informé de manière proactive. La fonctionnalité d'IA et la surveillance automatique font gagner beaucoup de temps en éliminant le besoin de penser manuellement aux limites ou de vérifier constamment les changements de schéma. La mise en place du système a été très facile, car tous les systèmes ont été connectés rapidement via des comptes administrateurs, prenant moins d'une journée. Avis collecté par et hébergé sur G2.com.

La principale chose que je n'aime pas à propos de Monte Carlo, c'est la façon dont vous devez sélectionner les tables. Nous faisons très attention aux tables et aux sources que nous voulons surveiller, et cela prend pas mal de temps. Ce n'est pas très facile de naviguer et de sélectionner ou désélectionner des tables à partir d'un schéma. Cela pourrait être amélioré à mon avis. Avis collecté par et hébergé sur G2.com.

La flexibilité et la réception d'alertes opportunes et fiables pour le volume, le schéma et la fraîcheur sont utiles. Pouvoir ajuster le modèle est excellent. Avis collecté par et hébergé sur G2.com.

Pas de désaccord, mais quelques points qui pourraient être améliorés :

1) Les tableaux de bord pourraient être améliorés pour fournir des informations plus exploitables, comme les tables échouant le plus fréquemment ou les 5 tables échouant le plus, sous quel schéma, échouant pour quelle raison, les moniteurs échouant fréquemment, etc.

2) Ce serait formidable si les mises à jour effectuées sur les alertes dans Monte Carlo pouvaient être intégrées dans les incidents de ServiceNow.

3) Des intégrations supplémentaires avec des fichiers seraient excellentes, par exemple si un fichier n'est pas arrivé, etc.

4) Si nous pouvions ajuster le modèle pour les alertes beaucoup plus tôt que 2 semaines, ce serait une avancée bienvenue.

5) Organiser des ateliers sur un environnement sandbox pour les équipes aiderait à engager plus de collègues pour comprendre et se familiariser avec Monte Carlo. Avis collecté par et hébergé sur G2.com.

Monte Carlo nous aide à garder un œil attentif sur notre entrepôt de données. Les exemples incluent la notification des changements majeurs de volume ou de fraîcheur, ce qui nous aide à anticiper les problèmes potentiels, et la lignée des tables / colonnes, qui nous permet de voir l'impact de tout changement sur les tables / rapports dépendants. Je suis sûr qu'il y a d'autres fonctionnalités utiles que nous n'avons pas encore explorées. Avis collecté par et hébergé sur G2.com.

Le coût a considérablement augmenté, ce qui signifie que nous avons dû surveiller moins de tables pour rester dans le budget. Nous aimerions plus de personnalisation sur les notifications car elles peuvent être assez verbeuses et la possibilité d'interagir avec les notifications dans GChat comme nous avions l'habitude de le faire dans Slack. Peut-être que quelques options supplémentaires autour des rapports Insight seraient également utiles. Avis collecté par et hébergé sur G2.com.

J'aime le fait que nous n'ayons pas à écrire nos propres règles de DQ à partir de zéro et que cela soit organisé dans une interface utilisateur conviviale. Le tableau de bord de la qualité des données est un outil très utile pour montrer aux dirigeants et prouver le retour sur investissement du logiciel. Avis collecté par et hébergé sur G2.com.

Il peut être compliqué et accablant de comprendre le processus dans son ensemble sur ce qu'il faut surveiller, quand alerter et quelle priorité assigner. Le score de popularité ne correspond pas toujours à ce que l'entreprise considère comme nos données les plus importantes et l'utilisation de l'étiquette d'actif clé ne permet pas la granularité nécessaire pour ajuster l'importance d'un actif. Les fonctionnalités d'IA pourraient être améliorées car elles offrent souvent des suggestions qui ne sont pas entièrement utiles. Avis collecté par et hébergé sur G2.com.

J'aime la fonctionnalité avancée de Monte Carlo en matière d'observabilité des données, qui est accompagnée d'outils prédéfinis utiles comme le moniteur de fraîcheur et de volume. J'apprécie également la possibilité de les personnaliser avec du SQL personnalisé. Le moniteur de fraîcheur nous aide à nous assurer que nous recevons les données de nos systèmes en amont/source et que nos produits de données en aval sont actualisés comme prévu. Sinon, nous recevons une alerte, ce qui nous permet de dépanner et d'effectuer des corrections rapidement. La mise en place de Monte Carlo a été facile grâce à la documentation officielle, en utilisant la méthode Monitor-as-code avec des configurations YAML, ce qui est utile pour les développeurs afin de maintenir dans un dépôt Git. Avis collecté par et hébergé sur G2.com.

Je souhaite qu'il y ait plus de possibilités de personnalisation avec les alertes Monte Carlo pour rédiger nos propres messages, afin que lorsqu'elles sont envoyées aux parties prenantes comme les propriétaires de produits de données ou les propriétaires de systèmes sources, ils puissent obtenir un meilleur contexte de l'alerte. Avis collecté par et hébergé sur G2.com.

La profondeur des moniteurs est excellente. Les fonctionnalités ML prêtes à l'emploi sont formidables et détectent des changements qui passeraient normalement complètement inaperçus. En plus de cela, nous pouvons configurer nos propres moniteurs personnalisés pour des règles commerciales très spécifiques que nous devons vérifier. C'est un excellent mélange de détection automatisée et de contrôle manuel. Avis collecté par et hébergé sur G2.com.

Comme nous voulons une couverture sur tous nos actifs, les alertes que nous recevons peuvent devenir assez bruyantes. On a l'impression que nous échangeons une couverture complète contre un canal très occupé. Je pense que cela pourrait être amélioré en rendant la configuration du moniteur un peu plus intuitive. Il peut être difficile de déterminer comment régler au mieux les tolérances pour éviter les faux positifs, et quelques exemples en ligne ou de meilleurs guides seraient d'une grande aide pour réduire le bruit. Avis collecté par et hébergé sur G2.com.

J'aime que Monte Carlo fonctionne immédiatement. Une fois le jeu de données connecté, il le surveille automatiquement pour détecter les problèmes de base, ce qui est déjà d'une grande aide pour attraper les erreurs. J'apprécie également la possibilité de créer une surveillance personnalisée pour prévenir les régressions sur les problèmes découverts. Cela aide à découvrir les problèmes avant qu'ils n'affectent les clients ou d'autres systèmes. Il est précieux que je puisse surveiller des tonnes de jeux de données à la fois et recevoir des signaux sur les problèmes via Slack ou email. La capacité d'enquêter directement dans Monte Carlo facilement est géniale. De plus, la configuration initiale a été super facile. Avis collecté par et hébergé sur G2.com.

Monte Carlo est un peu cher, et il pourrait fournir plus de conseils sur la façon d'améliorer la couverture de surveillance pour guider les juniors. Avis collecté par et hébergé sur G2.com.

J'aime que Monte Carlo soit relativement facile à configurer et s'intègre bien avec les plateformes de données existantes. Les moniteurs alimentés par l'IA sont extrêmement précieux pour détecter des anomalies de données inattendues, et les fonctionnalités d'alerte nous aident à résoudre de manière proactive les problèmes avant qu'ils n'affectent nos parties prenantes commerciales. Avis collecté par et hébergé sur G2.com.

Les moniteurs alimentés par l'IA prêts à l'emploi peuvent être un peu bruyants au début, nécessitant du temps et des efforts pour ajuster la sensibilité des alertes. Il est nécessaire de désactiver certains tableaux ou moniteurs pour éviter d'être alerté pour des anomalies mineures et des faux positifs. De plus, bien que la valeur du produit soit présente, le modèle de tarification peut être un peu élevé, surtout pour les petites équipes qui commencent tout juste leur parcours de données. Il serait utile de voir des structures de tarification plus flexibles ou des niveaux pour les entreprises de petite à moyenne taille. Avis collecté par et hébergé sur G2.com.