Recensioni e Dettagli del Prodotto Databricks

What I like best about Databricks is its powerful and unified analytics ecosystem. Features like Unity Catalog and Metastore make data governance and access control seamless, while the Lakehouse architecture combines the best of data lakes and warehouses. PySpark support, dbutils, and collaborative workspaces make development efficient, and serverless compute simplifies scaling without infrastructure overhead. Recensione raccolta e ospitata su G2.com.

What I dislike about Databricks is the slow startup time of all-purpose clusters, which can interrupt workflow and reduce productivity. Additionally, Git integration can feel a bit sluggish at times, especially during commits or syncing, making version control less seamless than expected. Recensione raccolta e ospitata su G2.com.

i am working as a Data management specialist and using databricks regularly for handling data pipelines, large scale data processing, and governance tasks, i like most is that databricks provides a single unified platform for data engineering , analytics and AI , instead of using multiple tools. everything is available in one place, the lakehouse architecture is very useful because it combines data warehouse and data lake capabilities, so we can manage both structured and unstructured data efficiently. performance is very strong, especially with apache spark, it can process very large datasets quickly. i also like the collaborative notebooks where teams can work together using SQL, python or scala. Recensione raccolta e ospitata su G2.com.

one issue is that it has a steep learning curve, especially for new users who are not familiar with spark or distributed systems. cost management can also be challenging , it clustered are not optimized properly it can become expensive, sometimes too many features and configuration can makes it complex to manage for smaller teams. sometimes the platform feel complex. with many feature and configuration which can be difficult for smaller teams to manages. it it a powerful platform, but complexity and cost control are the main challenges in daily use. Recensione raccolta e ospitata su G2.com.

Databricks' ability to seamlessly integrate everything is what I find most appealing. When working on actual projects, it really makes a big difference that you don't have to switch between several tools for data engineering, analysis, and machine learning.

The collaborative element is very noteworthy. Teams may easily collaborate without things becoming messy thanks to the notebooks' fluid and dynamic feel. For significant data work, it resembles Google Docs almost exactly.

I also really like how efficiently it manages large amounts of data without making it seem difficult. Even when working with large datasets, the platform feels user-friendly and can be scaled up when necessary.

Additionally, it makes perfect sense from an AI/ML standpoint. You are able to construct, Recensione raccolta e ospitata su G2.com.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things. Recensione raccolta e ospitata su G2.com.

Credo che l'aspetto più attraente di Databricks risieda nella sua natura tutto-in-uno, che rende la gestione dei dati più semplice. In precedenza, quando utilizzavo diversi strumenti per attività legate ai dati, l'esperienza non era eccezionale, ma qui tutto sembra essere interconnesso e semplice.

La capacità di utilizzare i notebook, specialmente quando si lavora con PySpark, è un altro vantaggio di Databricks che mi piace molto. Lo strumento consente di eseguire rapidamente modifiche senza preparazioni eccessive. Ha anche un impatto positivo sul processo di collaborazione tra il mio team, che può lavorare simultaneamente sui propri progetti e monitorare il progresso complessivo. Tuttavia, il controllo delle versioni a volte può apparire un po' poco chiaro a mio avviso.

In termini di prestazioni, Databricks mi sembra efficiente nel gestire grandi quantità di dati e operare senza ritardi. Il ridimensionamento del cluster avviene automaticamente, permettendo a me e al mio team di risparmiare tempo a livello di infrastruttura. Pertanto, è facile poiché non sono necessarie pianificazioni e aggiustamenti aggiuntivi.

Ci sono piccoli problemi con l'interfaccia utente, che a volte funziona lentamente, ma nel complesso, grazie ad altri aspetti come i metodi semplici per implementare e integrare le cose, mi incoraggia a utilizzare Databricks frequentemente. Recensione raccolta e ospitata su G2.com.

Un aspetto di Databricks che non mi piace è la sua interfaccia utente. Man mano che si utilizza lo strumento per più tempo, spostarsi tra notebook e cluster diventa a volte fastidioso.

L'altro problema sono i costi che possono sommarsi rapidamente se non stiamo attenti. Cluster non necessari potrebbero essere in esecuzione per un periodo più lungo del necessario e senza che io o il mio team ne siamo a conoscenza, aumentando così i costi nei nostri progetti.

C'è anche la complessità del debug degli errori, che a volte è difficile poiché comporta uno sforzo extra per cercare di capire dove le cose potrebbero essere andate storte, soprattutto quando si tratta di pipeline complesse.

A volte, ci sono alcune discrepanze riguardo al servizio clienti che ci portano in una direzione in cui non dovremmo essere. Recensione raccolta e ospitata su G2.com.

Quello che mi piace di più di Databricks è come unisce l'ingegneria dei dati, l'analisi e il machine learning in un unico spazio di lavoro unificato. Trovo la collaborazione molto più facile con i notebook condivisi, e l'integrazione senza soluzione di continuità con gli strumenti di big data mi fa risparmiare tempo. Semplifica i flussi di lavoro complessi offrendo comunque potenti capacità quando ne ho bisogno. Recensione raccolta e ospitata su G2.com.

Una cosa che non mi piace di Databricks è che può sembrare costoso, specialmente per progetti o team più piccoli. Trovo anche che la configurazione dei cluster e la gestione dei costi siano a volte un po' complesse. L'interfaccia, sebbene potente, può essere opprimente per i principianti, e il debug dei lavori distribuiti non è sempre così semplice come vorrei. Recensione raccolta e ospitata su G2.com.

Quello che mi piace di più di Databricks è come unisce l'ingegneria dei dati, l'analisi e il machine learning in un unico spazio di lavoro pulito. Risparmia tempo, facilita la collaborazione e aiuta i team a muoversi più velocemente con grandi quantità di dati. Recensione raccolta e ospitata su G2.com.

Quello che non mi piace di Databricks è che Auto Loader può diventare frustrante quando i dati di origine cambiano frequentemente, specialmente se i nomi delle colonne o i tipi di dati cambiano senza preavviso.

Ad esempio, un campo come customer_id può improvvisamente arrivare come cust_id, o una colonna che era precedentemente una stringa può iniziare ad arrivare come un intero, il che può causare una deriva dello schema e interrompere l'elaborazione a valle.

Trovo anche scomodo quando l'inferenza dello schema non è completamente accurata, come quando i dati JSON annidati o semi-strutturati vengono letti in modo errato, perché richiede poi correzioni manuali extra e manutenzione per mantenere le pipeline funzionanti senza intoppi. Recensione raccolta e ospitata su G2.com.

Mi piace che Databricks porti tutto in un unico posto, rendendo non necessario l'uso di strumenti diversi per l'elaborazione dei dati, l'analisi e il lavoro con le pipeline. Gestisce bene i grandi volumi di dati e non dobbiamo preoccuparci di gestire manualmente i cluster. Inoltre, Databricks gestisce bene la collaborazione e la sperimentazione, rendendo facile provare nuove cose. Recensione raccolta e ospitata su G2.com.

Dal mio punto di vista, l'area che può essere migliorata è la gestione dei costi. Se i cluster non vengono monitorati attentamente, i costi possono aumentare più rapidamente del previsto. Un miglioramento che potrebbe aiutare è una maggiore visibilità sui costi a un livello più dettagliato. Anche più avvisi integrati o raccomandazioni quando i costi iniziano ad aumentare inaspettatamente sarebbero utili. Recensione raccolta e ospitata su G2.com.

L'approccio della piattaforma unificata è ciò che apprezzo di più. Avere notebook, pipeline di ingegneria dei dati, flussi di lavoro ML e analisi SQL tutti in un unico posto fa risparmiare un sacco di tempo invece di destreggiarsi tra più strumenti. I notebook collaborativi rendono facile condividere il lavoro con i compagni di squadra, e la gestione dei cluster è diventata molto più fluida nel tempo. L'integrazione con Delta Lake è anche un grande vantaggio per mantenere i nostri dati affidabili e coerenti. Recensione raccolta e ospitata su G2.com.

Il costo può sfuggire di mano piuttosto rapidamente se non si presta attenzione alle dimensioni del cluster e al tempo di attività. Non è sempre ovvio come ottimizzare la spesa, e il modello di prezzo sembra complesso. La curva di apprendimento per i nuovi membri del team è anche più ripida di quanto vorrei, specialmente per le persone che non sono già familiari con Spark. A volte l'interfaccia utente può sembrare lenta quando si lavora con notebook più grandi, e il debug dei fallimenti dei lavori potrebbe essere più semplice. Recensione raccolta e ospitata su G2.com.

Mi piace che Databricks sia una potenza tutto-in-uno dove posso svolgere più lavori in un unico posto. È potente per gestire dati da più fonti e averli in un unico UC per gestire i permessi con sicurezza a livello di riga. Apprezzo anche che posso creare esperimenti, eseguire più modelli e selezionare il migliore dai log, cosa che era difficile su altre piattaforme. Una volta imparata la configurazione, è stato facile e comodo lavorarci. Recensione raccolta e ospitata su G2.com.

Trovo difficile usare la calcolatrice per determinare i prezzi degli endpoint di servizio CPU perché la documentazione non lo spiega esplicitamente. Menziona solo che 1 concorrenza equivale a 1 DBU sulla pagina di Azure, il che non è chiaro. Il calcolatore dei prezzi ha un'unica opzione per gli endpoint di servizio, etichettata come media con quattro DBU, ma manca di opzioni separate per GPU o CPU e la loro concorrenza, rendendo difficile capire come funzioni correttamente. Inizialmente, ho anche trovato molto difficile imparare Databricks e gestire le distribuzioni degli spazi di lavoro, anche se col tempo è diventato più facile. Recensione raccolta e ospitata su G2.com.

Apprezzo molto come la piattaforma unisce i data lake e i data warehouse in un unico luogo. Rende la gestione dei dati molto più semplice, e le prestazioni SQL sono molto veloci grazie al motore Photon. Mi piacciono anche i notebook collaborativi perché mi permettono di lavorare con SQL e Python senza problemi in un unico ambiente. Recensione raccolta e ospitata su G2.com.

Il costo può essere elevato e il sistema di fatturazione DBU è piuttosto complesso da monitorare. Ho anche scoperto che c'è una curva di apprendimento significativa quando si tratta di Spark e della configurazione dei cluster. Per compiti più piccoli e veloci, il tempo di configurazione e il sovraccarico tecnico possono a volte sembrare un po' eccessivi. Recensione raccolta e ospitata su G2.com.