# Databricks Reviews **Vendor:** Databricks Inc. **Category:** [Sistemi di Elaborazione e Distribuzione dei Big Data](https://www.g2.com/it/categories/big-data-processing-and-distribution) **Average Rating:** 4.6/5.0 **Total Reviews:** 789 ## About Databricks Databricks è una piattaforma unificata di dati e AI che aiuta le organizzazioni a costruire, governare e scalare pipeline di dati, analisi, machine learning, applicazioni AI e agenti. Più di 20.000 organizzazioni in tutto il mondo — tra cui adidas, AT&T, Bayer, Block, Mastercard, Rivian, Unilever e il 70% delle Fortune 500 — si affidano a Databricks per lavorare con dati aziendali e AI su larga scala. Con sede a San Francisco e oltre 30 uffici in tutto il mondo, Databricks offre una piattaforma unificata che include Agent Bricks, Lakeflow, Lakehouse, Lakebase, Genie e Unity Catalog. Fondata nel 2013 dai creatori originali di Apache Spark™, Delta Lake, MLflow e Unity Catalog, Databricks è costruita su un'architettura open lakehouse che unisce dati, analisi e AI. La piattaforma è utilizzata da ingegneri dei dati, data scientist, analisti, sviluppatori, team di machine learning, team di AI e utenti aziendali per collaborare lungo l'intero ciclo di vita dei dati e dell'AI. Le principali capacità di Databricks includono: - Ingegneria dei dati: costruire, automatizzare e gestire pipeline di dati batch, streaming e in tempo reale affidabili. - Analisi e business intelligence: eseguire analisi SQL, creare dashboard e consentire ai team aziendali di esplorare i dati. - Governance dei dati: scoprire, proteggere e gestire dati e asset AI tra team, cloud e carichi di lavoro. - Machine learning e AI: sviluppare modelli, costruire applicazioni AI generative e creare agenti AI di livello produttivo. - Applicazioni di dati: costruire e distribuire applicazioni guidate dai dati utilizzando dati aziendali governati. Disponibile su AWS, Azure e Google Cloud, Databricks aiuta le organizzazioni a lavorare tra i cloud, ridurre i silos di dati e semplificare la collaborazione tra team e strumenti. I clienti utilizzano Databricks per casi d'uso come personalizzazione del cliente, rilevamento delle frodi, manutenzione predittiva, analisi in tempo reale, cybersecurity, ricerca sanitaria, gestione del rischio finanziario, ottimizzazione della catena di approvvigionamento e decisioni potenziate dall'AI. Databricks è utilizzato in settori tra cui servizi finanziari, sanità e scienze della vita, retail, manifatturiero, energia e settore pubblico. Le organizzazioni utilizzano la piattaforma per modernizzare l'infrastruttura dei dati, accelerare l'adozione dell'AI e trasformare i dati aziendali in valore commerciale. ## Databricks Pros & Cons **What users like:** - Gli utenti elogiano la **facilità d'uso e le numerose funzionalità** di Databricks, migliorando le loro attività di elaborazione dati e apprendimento automatico. (192 reviews) - Gli utenti elogiano la **facilità d'uso** di Databricks, migliorando la loro esperienza complessiva con la sua interfaccia intuitiva. (155 reviews) - Gli utenti apprezzano le **integrazioni senza soluzione di continuità** di Databricks, migliorando l'elaborazione in tempo reale e supportando vari linguaggi di sviluppo. (141 reviews) - Gli utenti apprezzano la **collaborazione senza soluzione di continuità** offerta da Databricks, migliorando il lavoro di squadra sui progetti di dati con approfondimenti in tempo reale. (114 reviews) - Gli utenti apprezzano le **funzionalità analitiche integrate** di Databricks, migliorando le operazioni e fornendo approfondimenti completi sulla tecnologia. (113 reviews) - Scalability (111 reviews) - ML Integration (106 reviews) - Gli utenti apprezzano le **facili integrazioni** di Databricks, che si collegano senza problemi con l'infrastruttura cloud e migliorano la gestione dei dati. (102 reviews) - Machine Learning (97 reviews) - Gli utenti amano le **funzionalità efficaci di gestione dei dati** di Databricks, che semplificano i flussi di lavoro e migliorano le capacità decisionali. (87 reviews) **What users dislike:** - Gli utenti notano una significativa **curva di apprendimento** con Databricks, in particolare a causa delle sue modalità di autorizzazione e calcolo complesse. (78 reviews) - Gli utenti trovano Databricks **costoso** , soprattutto quando si gestiscono grandi quantità di dati, limitandone l'accessibilità per alcuni clienti. (71 reviews) - Gli utenti trovano la **ripida curva di apprendimento** di Databricks impegnativa, in particolare per coloro che sono nuovi agli strumenti di big data. (64 reviews) - Gli utenti trovano la **complessità** di Databricks impegnativa, specialmente con le funzionalità avanzate e i requisiti di configurazione iniziale. (45 reviews) - Gli utenti sperimentano un **processo di configurazione complesso** inizialmente, ma il supporto aiuta a semplificare l'esperienza nel tempo. (35 reviews) - Performance Issues (34 reviews) - Gli utenti affrontano **problemi di interfaccia utente non intuitiva** che portano a errori casuali e complicano l'esperienza per gli utenti non tecnici. (34 reviews) - Poor UI Design (33 reviews) - Gli utenti trovano le **funzionalità mancanti** in Databricks limitanti, ostacolando la produttività e complicando l'esperienza complessiva. (31 reviews) - Cost (29 reviews) ## Databricks Reviews ### 1. Databricks nel mio caso: Integrazioni multiple, interfaccia utente intuitiva e prestazioni affidabili **Rating:** 4.0/5.0 stars **Reviewed by:** Yelnur K. | Schedule Manager, Compagnie aeree/Aviazione, Mid-Market (51-1000 dip.) **Reviewed Date:** May 19, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è la sua parte di integrazioni. Sul posto di lavoro, integriamo il database con più fonti di dati. Inoltre, non posso completare la mia recensione senza menzionare il design UX e UI, che rende il flusso di lavoro complessivo intuitivo e veramente user-friendly. Per quanto riguarda la velocità dei processi, non ci ha mai deluso. Funziona come previsto. Rispetto ai prezzi di mercato, il prezzo del servizio è abbastanza affidabile per noi. C'è un centro assistenza di Databricks, se non riesci a trovare risposte alle tue domande, ci sono specialisti che possono assisterti con le tue richieste. Ad esempio, ricordo il caso in cui abbiamo avuto un problema durante il processo d'esame, ci hanno aiutato a risolvere questo problema. **Cosa non Le piace di Databricks?** Da non apprezzare la qualità dell'IA di Genie. Ragazzi, potrebbe essere migliorata, specialmente la parte del ragionamento. Inoltre, posso dire il caso in cui abbiamo avuto un problema con il processo d'esame. Gli specialisti ci hanno aiutato, ma ci ha causato qualche piccolo disagio. Bene, **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Nell'aviazione, utilizziamo questo software per l'analisi dei dati. Abbiamo automatizzato molti processi che i semplici strumenti di lavoro non possono gestire. Inoltre, ci integriamo con diversi strumenti (nomi che non posso menzionare per motivi di sicurezza). In particolare, ci aiuta ad analizzare la domanda dei passeggeri per rotta e stagione. Combiniamo e analizziamo grandi set di dati utilizzando questo software. In generale, un buon strumento. Il nostro team è soddisfatto. **Official Response from Sara Steffen:** > Grazie per il tuo feedback dettagliato. Siamo lieti di sapere che Databricks è stato fondamentale nell'automazione dei processi e nell'analisi di grandi dataset per le tue esigenze nel settore dell'aviazione. Prendiamo sul serio il tuo feedback su Genie AI e sui processi di supporto e siamo impegnati a fare miglioramenti in queste aree. ### 2. Lakebase - Good Option for Low Latency Data Serving with Databricks Integration **Rating:** 4.5/5.0 stars **Reviewed by:** Senthil K. | Associate Director, Mid-Market (51-1000 dip.) **Reviewed Date:** March 25, 2026 **Cosa Le piace di più di Databricks?** I have setup the lakebase which is in sync with lakehouse for enterpise application low latency access, we have enabled the below options - Lakebase using Postgres 17,HTTPS Data API is helping to access database in easier way from Databricks Apps - Integration sync between Lakehouse and Lakebase for API access - It has branching option to maintain schema or feature changes - Restore from previous point/time history - helps reducing recovery effort - Snapshots and backup support - Autoscaling compute and suspend option - Monitoring, logs and query metrics are giving visibility on active queries, performance and database health - OAuth access and postgres role based connection is helping better security and controlled access Lakebase pricing model with autoscaling and scale down option based on available compute pricing **Cosa non Le piace di Databricks?** Lakebase all postgress features not available, so we can't directly migrate any existing postgres directly to lakebase Scale down to zero not happens instantly faced some issues like disconnect from app for short time temporary pauses Custom admin operations in database postgres are limited and not posisble **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Lakebase helps serve near real-time inventory data,availability tracking and reducing out-of-stock situation Processed Lakehouse data can be served through Lakebase for customer buying pattern, product recommendation and promotion effectiveness Transactional sales data can be made available quickly for store level dashboards, helping business teams monitor sales trend usings web apps Near real-time operational data availability applications access low latency data for pricing, promotions for TPO-TPM integrations Also we integrated the AI to include the real time context Low latency **Official Response from Janelle Glover:** > Grazie per aver condiviso le tue esperienze positive con Genie, inclusa la sua capacità di colmare il divario tra i team aziendali e quelli dei dati, eliminare i silos di dati e migliorare la visibilità dei costi e delle prestazioni. Comprendiamo le tue preoccupazioni riguardo alle limitazioni della Modalità Agente e alla necessità di maggiore autonomia. Lavoreremo per affrontare queste aree al fine di migliorare la tua esperienza complessiva. ### 3. Piattaforma All-in-One Delta Lake che rende l'ETL veloce ed economico **Rating:** 5.0/5.0 stars **Reviewed by:** Kavipriya S. | Data Engineer, Tecnologia dell'informazione e servizi, Mid-Market (51-1000 dip.) **Reviewed Date:** May 27, 2026 **Cosa Le piace di più di Databricks?** Delta Lake + Workflows + Unity Catalog in un'unica piattaforma ha eliminato la necessità di unire strumenti separati per l'ingestione, la trasformazione e la governance. Come ingegnere dei dati, passo più tempo a costruire pipeline e meno tempo a gestire l'infrastruttura. L'esperienza del notebook e l'auto-scaling del cluster rendono l'iterazione su ETL complessi veloce ed economica. **Cosa non Le piace di Databricks?** I tempi di avvio del cluster e la prevedibilità dei costi sono ancora i maggiori punti di attrito per me. Gli avvii a freddo possono davvero rallentare il lavoro ad hoc, e i costi DBU necessitano di un monitoraggio attento per evitare spiacevoli sorprese. L'interfaccia utente dei flussi di lavoro è migliorata molto nel tempo, ma non sembra ancora così flessibile come gli orchestratori dedicati quando si ha a che fare con DAG più complessi. Tuttavia, vedo questi aspetti principalmente come elementi di rifinitura: il valore fondamentale della piattaforma li supera facilmente. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks affronta un importante problema di frammentazione nel nostro stack di ingegneria dei dati. In precedenza, ci affidavamo a strumenti separati per l'ingestione, la trasformazione, l'orchestrazione e la governance, ognuno con la propria curva di apprendimento, il sovraccarico di manutenzione e i potenziali punti di guasto. Ora, è tutto consolidato in un'unica piattaforma. In pratica, ci aiuta a eseguire pipeline ETL su larga scala che elaborano milioni di record ogni giorno, con Delta Lake che migliora l'affidabilità attraverso transazioni ACID, l'applicazione dello schema e il time travel per il debugging. Chiude anche il divario di collaborazione tra ingegneri dei dati e data scientist: noi costruiamo le pipeline e loro possono consumare gli stessi tavoli direttamente nei notebook senza duplicazione dei dati o problemi di sincronizzazione. Unity Catalog ha risolto un vecchio problema di governance centralizzando il controllo degli accessi tra i workspace. Nel complesso, il risultato è uno sviluppo delle pipeline più veloce, meno incidenti di produzione legati a problemi di qualità dei dati e molto meno codice "collante" da mantenere. Ciò che prima richiedeva settimane per essere costruito e stabilizzato ora richiede giorni. **Official Response from Jess Darnell:** > Siamo lieti di sapere che Databricks ha consolidato il tuo stack di ingegneria dei dati e migliorato l'affidabilità delle tue pipeline ETL. Comprendiamo il tuo feedback sui tempi di avvio dei cluster e sulla prevedibilità dei costi, e stiamo lavorando attivamente per ottimizzare questi aspetti della nostra piattaforma per offrire una migliore esperienza utente. ### 4. Analisi Self-Service e Prestazioni Autopilot Forti **Rating:** 4.0/5.0 stars **Reviewed by:** Bob K. | Data and Analytics Leader, Tecnologia dell'informazione e servizi, Enterprise (> 1000 dip.) **Reviewed Date:** May 27, 2026 **Cosa Le piace di più di Databricks?** La gestione delle autorizzazioni tra i diversi team di vendita e marketing è stata semplificata. Il catalogo ci ha permesso di proteggere facilmente i dati sensibili, consentendo comunque al nostro team e agli analisti di essere autonomi. La tracciabilità automatizzata a livello di colonna è stata estremamente utile per rintracciare come venivano calcolate le metriche di previsione del nostro pipeline. Mi piace la performance in modalità autopilota. Il mio team ha trascorso meno tempo nella manutenzione manuale del database. L'ottimizzazione predittiva gestiva automaticamente la compattazione dei file (Optimize) e ripuliva i vecchi file (Vacuum). Inoltre, il Liquid Clustering ha mantenuto le nostre tabelle di transazioni di vendita in rapida crescita efficienti senza richiedere di progettare e mantenere manualmente strategie di partizionamento complesse. Il supporto per formati aperti come Delta Lake e Apache Iceberg ha garantito che i nostri dati rimanessero portabili. Attraverso API aperte e Delta sharing, potevamo condividere in modo sicuro le intuizioni con partner commerciali esterni senza dover replicare e spostare enormi set di dati. Un'altra cosa, la piattaforma ha permesso al nostro team di ingegneria dei dati e agli analisti di collaborare in un unico luogo. Questo allineamento tra architettura tecnica e strategia aziendale ha reso più facile convertire i modelli di pipeline tecnici in valore commerciale. **Cosa non Le piace di Databricks?** Come sappiamo, gli strumenti di Vendite e Marketing cambiano frequentemente i loro schemi di dati, ad esempio aggiungendo o rinominando campi personalizzati in Salesforce. Quando si verificavano questi aggiornamenti, i nostri flussi di ingestione utilizzando auto loader o streaming strutturato fallivano e richiedevano riavvii manuali per adattarsi. Questo occasionalmente causava ritardi temporanei nell'aggiornamento dei nostri dashboard operativi. Tracciare l'attribuzione complessa e multi-touch del marketing e i percorsi dei clienti richiedeva operazioni di streaming stateful (come join e aggregazioni). Gestire i log degli eventi fuori ordine e i dati in ritardo in questi flussi si è rivelato altamente complesso e ha richiesto un'ingegneria personalizzata significativa per garantire che i risultati rimanessero accurati. Poiché le tabelle gestite da Unity Catalog non supportano l'accesso basato su percorso, abbiamo dovuto garantire che tutto il codice legacy e i sistemi esterni passassero all'uso di convenzioni di denominazione a tre namespace corrette, il che ha richiesto uno sforzo iniziale di refactoring per evitare errori di accesso ai dati. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** In Basware, il mio obiettivo principale era consentire ai team globali di vendita e marketing di ottimizzare le loro prestazioni, costruire previsioni di pipeline accurate e garantire una solida governance dei dati dei nostri clienti. Databricks ha servito come piattaforma fondamentale per aiutarci a raggiungere questi obiettivi. Abbiamo utilizzato Lakeflow Connect, in particolare il Salesforce Connector insieme ad altri metodi di ingestione per estrarre dati dal nostro CRM, dai sistemi di automazione del marketing e dai file locali nel lakehouse. Questo ci ha permesso di costruire una vista consolidata e unica del cliente. Lakeflow Spark Declarative Pipelines ci ha aiutato a organizzare i nostri dati grezzi di marketing e vendite in un'architettura Medallion. Ciò significa che potevamo trasformare i log di eventi di marketing semi-strutturati e i record CRM in dataset strutturati pronti per l'intelligenza aziendale e le previsioni. Per supportare il VP delle Operazioni di Vendita e Marketing e altri leader senior, abbiamo implementato spazi AI/BI genie. Questo ha permesso ai dirigenti di interrogare metriche di pipeline e tendenze di previsione usando il linguaggio naturale. Per i report standard, abbiamo utilizzato Partner connect per collegare direttamente le nostre tabelle Gold pulite a strumenti BI esterni. **Official Response from Jess Darnell:** > It's great to hear how Databricks has helped you optimize sales and marketing performance, build accurate pipeline forecasts, and ensure robust governance around customer data. We're committed to providing a platform that supports your business goals and enables efficient data management and analysis. Thank you for sharing your use case with us. ### 5. Potenti pipeline di telemetria a bassa latenza con tabelle di streaming e viste materializzate **Rating:** 4.0/5.0 stars **Reviewed by:** Jose P. | Head of Network Strategy, Telecomunicazioni, Enterprise (> 1000 dip.) **Reviewed Date:** May 26, 2026 **Cosa Le piace di più di Databricks?** In un ambiente telco che gestisce volumi di dati massicci da reti fisse e mobili (GPON, Core 4g/5g e RAN) ingerendo telemetria di frequenza non strutturata o semi-strutturata in modo incrementale dalle nostre funzioni virtualizzate come vEPC, vCPE o VHGW) con un setup minimo. Il mio team lavora a stretto contatto con le funzioni di rete virtualizzate e il Multi-access Edge Computing. Funzionalità come le Streaming Tables e le Materialized Views ci aiutano a costruire pipeline a bassa latenza che elaborano metriche di prestazioni di rete quasi in tempo reale, aiutandoci a monitorare gli indicatori di prestazione della rete (KPI) e l'efficienza della qualità del servizio (QoS). Poiché la competenza principale del mio team risiede nella progettazione di reti e nella virtualizzazione dei sistemi piuttosto che nell'amministrazione di database, l'Ottimizzazione Predittiva e il Clustering Liquido sono altamente vantaggiosi. Gestiscono autonomamente la manutenzione delle tabelle, la compattazione dei file e l'ottimizzazione del layout dei dati, liberando le nostre risorse per concentrarci sull'architettura di rete. **Cosa non Le piace di Databricks?** Le funzioni di rete virtualizzate, i router e l'hardware disaggregato subiscono frequentemente aggiornamenti software, che spesso introducono cambiamenti sottili negli schemi di output della telemetria. Quando si utilizza lo streaming strutturato o il caricatore automatico, queste variazioni di schema causano il fallimento delle nostre query di streaming, richiedendo un riavvio manuale del flusso per ripianificare lo schema. Quando dobbiamo aggiornare la logica di un KPI di rete complesso definito all'interno di una vista materializzata, qualsiasi modifica alla query innesca un ricalcolo completo della vista. Dato l'enorme volume dei dataset delle transazioni telecom, ciò può comportare costi di calcolo significativi. Facciamo affidamento su una varietà di strumenti di dati all'interno del nostro ecosistema ICT, non tutte le soluzioni presenti in Partner Connect supportano nativamente Unity Catalog. Questo può creare ostacoli di integrazione e governance quando cerchiamo di collegare determinati strumenti di analisi e preparazione dei dati di terze parti al nostro data lake sicuro. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Ingeriamo flussi continui di dati sulle prestazioni da funzioni di rete virtualizzate e livelli di trasporto tradizionali. Costruendo pipeline di streaming, possiamo monitorare core virtualizzati e router per identificare anomalie o degradi nel traffico di rete. Allineandosi con il mio interesse per l'AI di rete e l'apprendimento automatico, i nostri data scientist utilizzano la piattaforma per sviluppare modelli predittivi. Alleniamo modelli su guasti storici delle linee GPON/DSL, carichi delle torri cellulari mobili e modelli di utilizzo dei clienti per prevedere la congestione della rete, programmare la manutenzione proattiva e mitigare l'abbandono dei clienti tra i segmenti di clientela. Come evangelista dell'evoluzione tecnologica, utilizzo la piattaforma per colmare il divario tra i nostri team di ingegneria di rete principali e le unità aziendali. Collegando la semantica aziendale e stabilendo protocolli sicuri di condivisione Delta, forniamo agli analisti aziendali e ai decisori un accesso autogestito e regolamentato alle informazioni di rete senza rischiare la conformità alla sicurezza. **Official Response from Jess Darnell:** > È fantastico sapere come Databricks ti stia aiutando a ingerire e elaborare flussi continui di dati sulle prestazioni, sviluppare modelli predittivi e colmare il divario tra i team di ingegneria di rete e le unità aziendali. Siamo impegnati a fornire soluzioni che avvantaggino i nostri utenti in vari aspetti del loro lavoro. ### 6. Rendere i sistemi di dati meno disordinati con un approccio unificato Lakehouse **Rating:** 5.0/5.0 stars **Reviewed by:** Hunar M. | Data Analyst, Geospatial Intelligence - Data & Analytics, Enterprise (> 1000 dip.) **Reviewed Date:** May 21, 2026 **Cosa Le piace di più di Databricks?** L'ecosistema. Quello che mi piace di più di Databricks è come elimina gran parte del disordine abituale che si incontra nel lavoro con i dati. Invece di destreggiarsi tra strumenti separati per l'ingegneria, l'analisi e il ML—e poi spendere tempo extra per farli comunicare tra loro—porta tutto in un unico posto. Questo da solo riduce molto l'attrito e fa risparmiare tempo. Mi piace anche l'idea del Lakehouse perché sembra veramente pratica: non devi scegliere tra un data lake e un data warehouse. Puoi lavorare con un'unica configurazione unificata e ottenere comunque prestazioni quando ne hai bisogno. A livello quotidiano, è anche bello che diversi team possano collaborare nello stesso ambiente senza dover costantemente copiare dati o ricostruire pipeline. In generale, mantiene le cose più semplici e veloci, specialmente quando si sta iterando. **Cosa non Le piace di Databricks?** Quello che non mi piace di Databricks è che può sembrare un po' pesante quando stai solo cercando di fare qualcosa di semplice. C'è molto che accade sotto il cofano, e mentre questo è ottimo per la scalabilità, comporta anche una curva di apprendimento. Cose come cluster, configurazioni e impostazione dei lavori richiedono un po' di tempo per diventare familiari. Il costo è un'altra preoccupazione. L'uso può aumentare rapidamente se non lo si monitora attivamente, specialmente quando i team possono avviare il calcolo liberamente. E a volte, l'esperienza complessiva sembra un po' frammentata tra notebook, lavori e repository, piuttosto che essere un flusso unico e uniforme. Quindi, sì—è potente, ma richiede sicuramente disciplina per mantenere le cose pulite, efficienti e sotto controllo. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Quello che Databricks risolve davvero per me è l'attrito usuale che si presenta quando i sistemi di dati sono distribuiti su troppi strumenti. Invece di gestire un sistema per l'ingestione, un altro per l'archiviazione, un altro ancora per la trasformazione, e poi configurazioni separate per l'analisi e il ML, porta la maggior parte di tutto questo in un unico posto. Ciò significa che non devo continuare a spostare i dati o preoccuparmi costantemente che le cose vadano fuori sincrono. Da una prospettiva di architettura delle soluzioni, è un grande vantaggio perché semplifica il design complessivo. Piuttosto che mettere insieme una serie di sistemi, puoi costruire attorno a un'unica configurazione Lakehouse che supporta molteplici casi d'uso. È più facile da scalare, più facile da governare e, in generale, più facile da comprendere. Su base quotidiana, significa anche che passo meno tempo sull'infrastruttura e sull'impiantistica e più tempo a pensare a come progettare buoni modelli di dati e pipeline. E poiché tutti lavorano sugli stessi dati, c'è molta meno confusione e rifacimento tra i team. Nel complesso, rimuove molto rumore e mi permette di concentrarmi sulla costruzione di soluzioni di dati solide e scalabili. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi il nostro ecosistema e l'approccio Lakehouse utili per semplificare e unificare il tuo lavoro con i dati. Comprendiamo le tue preoccupazioni riguardo alla curva di apprendimento e ai costi, e stiamo lavorando continuamente per migliorare l'esperienza utente e fornire soluzioni convenienti. Grazie per aver condiviso con noi il tuo feedback dettagliato. ### 7. Databricks centralizza dati, analisi e IA **Rating:** 5.0/5.0 stars **Reviewed by:** Leonardo Q. | RPA Developer, Mid-Market (51-1000 dip.) **Reviewed Date:** May 16, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come centralizza l'ingegneria dei dati, l'analisi e l'IA in un'unica piattaforma, il che facilita molto il flusso di lavoro quotidiano. L'integrazione tra notebook, pipeline e elaborazione distribuita rende lo sviluppo più veloce e organizzato, specialmente in progetti con un grande volume di dati e automazioni. Un altro punto che considero molto forte è l'esperienza con Apache Spark, integrata in modo semplificato. Anche in scenari più complessi, le prestazioni sono generalmente eccellenti, permettendo di elaborare dati su larga scala con buona stabilità e scalabilità. Questo aiuta molto nelle integrazioni, ETL e analisi che, in altre soluzioni, richiederebbero molto più sforzo. **Cosa non Le piace di Databricks?** Nonostante mi piaccia molto la piattaforma, alcuni aspetti di Databricks possono ancora essere impegnativi. Il principale è il costo, specialmente in ambienti con elaborazione intensa o quando i cluster non sono ben ottimizzati. Senza un controllo più rigoroso dell'uso, le spese possono aumentare rapidamente. Un altro aspetto è la curva di apprendimento, che può essere elevata per i team che stanno iniziando nell'ecosistema dei dati distribuiti. Concetti legati a Spark, cluster, ottimizzazione e gestione delle risorse richiedono tempo di adattamento, soprattutto per chi proviene da strumenti più tradizionali. In UI/UX, sebbene l'interfaccia sia buona in generale, alcuni processi amministrativi e configurazioni più avanzate possono sembrare confusi all'inizio. In certi scenari, identificare problemi di performance o di permessi può anche richiedere una conoscenza più tecnica. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks ha aiutato principalmente a risolvere problemi legati alla centralizzazione, al processamento e all'analisi di grandi volumi di dati. In precedenza, molti processi erano distribuiti tra diversi strumenti, il che rendeva difficili le integrazioni, la manutenzione e la governance. Con Databricks, gran parte del flusso di ingegneria dei dati, analytics e IA può essere concentrata in un'unica piattaforma, portando più coerenza al lavoro quotidiano. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi utile per il tuo flusso di lavoro la centralizzazione dei dati, dell'analisi e dell'IA offerta da Databricks. Comprendiamo l'importanza dell'integrazione e della semplificazione, e siamo impegnati a fornire una piattaforma che soddisfi le tue esigenze. ### 8. Databricks semplifica l'elaborazione dei Big Data e la collaborazione tra i team **Rating:** 4.5/5.0 stars **Reviewed by:** Praveen M. | Associate Data Engineer, Tecnologia dell'informazione e servizi, Mid-Market (51-1000 dip.) **Reviewed Date:** May 07, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come semplifica l'elaborazione dei dati su larga scala e la collaborazione in un'unica piattaforma. L'integrazione con Spark e i servizi cloud rende la gestione dei big data molto più efficiente. Mi piace anche l'ambiente notebook, che facilita il lavoro di squadra su compiti di analisi e apprendimento automatico. **Cosa non Le piace di Databricks?** Una cosa che non mi piace di Databricks è che la piattaforma può sembrare complessa per i nuovi utenti, specialmente quando si gestiscono cluster e configurazioni. I costi possono anche diventare elevati con carichi di lavoro più grandi se le risorse non sono ottimizzate con attenzione. Sebbene le integrazioni e le funzionalità di intelligenza artificiale siano potenti, il processo di onboarding e la documentazione di supporto potrebbero essere più adatti ai principianti. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks aiuta a risolvere la sfida di elaborare e analizzare grandi quantità di dati in modo efficiente su un'unica piattaforma. Combina flussi di lavoro di ingegneria dei dati, analisi e AI, riducendo la necessità di utilizzare più strumenti separati. Questo migliora la collaborazione, accelera l'elaborazione dei dati e aiuta a generare intuizioni molto più rapidamente. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi Databricks utile per semplificare l'elaborazione di dati su larga scala e la collaborazione. La nostra integrazione con Spark e i servizi cloud è progettata per rendere la gestione dei big data più efficiente. ### 9. Perfetto per la collaborazione tra team e applicazioni intensive di dati **Rating:** 5.0/5.0 stars **Reviewed by:** Artemij V. | Data Science Lead, Piccola impresa (50 o meno dip.) **Reviewed Date:** May 04, 2026 **Cosa Le piace di più di Databricks?** L'UX è una delle parti più forti. L'esperienza del notebook è pulita e intuitiva, la collaborazione è semplice e passare tra esplorazione, sperimentazione e flussi di lavoro di produzione sembra senza soluzione di continuità. Ha abbastanza flessibilità per gli utenti avanzati pur essendo abbastanza accessibile da rendere veloce l'inserimento di nuovi membri del team. Le persone possono solitamente diventare produttive rapidamente senza passare settimane a imparare le peculiarità specifiche della piattaforma. Anche le integrazioni sono eccellenti. Funziona senza problemi con l'ecosistema cloud più ampio e si connette bene con fonti di dati, strumenti di orchestrazione, infrastruttura di servizio dei modelli e sistemi esterni. Questa interoperabilità rende molto più facile passare dal prototipo alla pipeline distribuita senza dover ricostruire costantemente connettori o gestire codice di colla. Le prestazioni sono state costantemente forti, specialmente quando si lavora con carichi di lavoro distribuiti e ingegneria delle caratteristiche su larga scala. L'ottimizzazione di Spark, la gestione dei cluster e l'infrastruttura gestita riducono significativamente il sovraccarico operativo, il che mi permette di concentrarmi maggiormente sullo sviluppo e l'analisi dei modelli piuttosto che sulla regolazione dell'ambiente. Per la sperimentazione iterativa, i tempi di avvio e la reattività complessiva sono sensibilmente migliori rispetto a molte piattaforme gestite alternative. **Cosa non Le piace di Databricks?** Un'area in cui Databricks potrebbe migliorare è il prezzo. La piattaforma offre capacità solide, ma i costi possono aumentare rapidamente per carichi di lavoro ad alta frequenza o in tempo reale. Per casi d'uso che coinvolgono pipeline di tick a bassa latenza in esecuzione continua, dati di mercato in streaming o riaddestramento iterativo dei modelli, il prezzo può diventare piuttosto elevato rispetto all'infrastruttura consumata. A volte sembra che ci sia un premio significativo per la comodità e l'orchestrazione gestita, il che può rendere l'ottimizzazione dei costi una considerazione costante. L'integrazione dell'IA è un'altra area che sembra ancora un po' disomogenea. Sebbene ci sia una chiara spinta verso il posizionamento della piattaforma come ambiente AI/ML end-to-end, alcune delle nuove funzionalità focalizzate sull'IA sembrano più aggiunte all'ecosistema che miglioramenti profondamente integrati nel flusso di lavoro. In pratica, ci sono ancora casi in cui strumenti personalizzati o framework esterni offrono maggiore flessibilità e trasparenza, in particolare per lo sviluppo di modelli specializzati, la sperimentazione e i casi d'uso di inferenza in tempo reale. Ci può anche essere una certa complessità nel regolare i cluster e gestire i costi in modo efficiente su larga scala. Sebbene le astrazioni siano utili, ottenere il miglior rapporto prestazioni-costo a volte richiede una conoscenza più approfondita della piattaforma di quanto la posizione "completamente gestita" possa implicare. Nel complesso, la piattaforma è molto forte tecnicamente, ma il prezzo per carichi di lavoro sempre attivi e intensivi di dati e la maturità di alcune capacità native dell'IA sono le due aree principali in cui mi piacerebbe vedere miglioramenti. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve una delle sfide più grandi nel lavoro moderno con i dati: unire l'accesso ai dati, l'elaborazione su larga scala e lo sviluppo collaborativo in un unico ambiente. Per il mio lavoro, il vantaggio più grande è la collaborazione in tempo reale. Permette a più persone di lavorare sugli stessi dataset, notebook e pipeline senza l'usuale attrito degli strumenti frammentati o delle incoerenze ambientali. Ciò accelera significativamente la sperimentazione, l'iterazione e la condivisione della conoscenza tra i progetti, specialmente quando si lavora rapidamente sullo sviluppo di modelli o sull'analisi di dati in rapido cambiamento. Risolve anche la sfida dell'accesso e dell'elaborazione dei dati su scala. Lavorare con dataset transazionali e di serie temporali ad alto volume richiede un'infrastruttura che possa elaborare grandi quantità di dati in modo efficiente senza un costante sovraccarico operativo. Databricks astrae gran parte di quella complessità, rendendo possibile concentrarsi sull'analisi, l'ingegneria delle caratteristiche e lo sviluppo dei modelli piuttosto che spendere tempo nella gestione dell'infrastruttura. Il beneficio pratico è un ciclo di iterazione più veloce. Posso passare dall'esplorazione dei dati grezzi alla sperimentazione e al deployment dei modelli molto più rapidamente, il che è particolarmente prezioso quando si lavora su analisi in tempo reale, pipeline di previsione e sistemi ML orientati alla produzione dove la velocità di iterazione influisce direttamente sui risultati. Nel complesso, riduce l'attrito ingegneristico e rende il lavoro collaborativo su larga scala con i dati significativamente più efficiente, il che si traduce in uno sviluppo più rapido, una migliore sperimentazione e un deployment più affidabile dei prodotti dati. **Official Response from Jess Darnell:** > Apprezziamo la tua recensione approfondita di Databricks e siamo lieti di sapere che la piattaforma è stata fondamentale per abilitare la collaborazione tra team e applicazioni intensive di dati per il tuo lavoro. Il tuo feedback sui prezzi e sull'integrazione dell'IA è prezioso, e ci stiamo impegnando continuamente per migliorare questi aspetti al fine di fornire un'esperienza più fluida ai nostri utenti. ### 10. Il codice Genie e l'assistente in linea hanno aumentato drasticamente la mia produttività nel debugging **Rating:** 4.5/5.0 stars **Reviewed by:** Shyam s. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Il codice Genie e l'Assistente inline sono stati gli strumenti più utili per me nel mio progetto. Mi hanno aiutato a fare il debug di una base di codice di 2k linee e hanno spiegato chiaramente perché non stavo ottenendo dati accurati. Ha anche fornito una query da eseguire nel mio sistema sorgente (SQLMI). Eseguendo lo script di discrepanza in parallelo sulla sorgente e sul target, sono stato in grado di fare il debug dell'intero codice molto più velocemente e migliorare la mia produttività. In generale, ha ridotto il mio tempo di lavoro da circa 8 ore a circa 1 ora. **Cosa non Le piace di Databricks?** In Delta Sharing, non esiste un permesso di SELECT a livello di catalogo, e a volte penso che averlo sarebbe utile. Inoltre, quando utilizzo il codice Genie all'interno di una VM, può rendere il sito web non reattivo a volte. Questi sono aspetti che potrebbero essere migliorati. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** In uno dei nostri progetti di migrazione per l'elaborazione delle richieste, il cliente aveva bisogno di una disponibilità dei dati quasi in tempo reale per le applicazioni a valle. In precedenza, l'architettura utilizzava Amazon Redshift come data warehouse, con Jasper e Sisense che consumavano i dati per reportistica e analisi. Tuttavia, quella configurazione non supportava in modo efficiente lo streaming in tempo reale o quasi in tempo reale, il che portava a ritardi nella disponibilità dei dati per i sistemi a valle. Dopo aver migrato la piattaforma a Databricks, siamo stati in grado di migliorare sostanzialmente l'architettura della pipeline dei dati. Abbiamo implementato lo streaming insieme a pipeline ETL ottimizzate, riducendo il ciclo di aggiornamento dei dati a circa 30 minuti. Abbiamo anche creato una vista dedicata che conserva i dati dall'esecuzione precedente, in modo che i sistemi a valle abbiano sempre un dataset coerente disponibile mentre l'esecuzione della pipeline successiva è ancora in corso. Prima, avevamo difficoltà con cicli di aggiornamento ritardati e una capacità limitata di soddisfare le esigenze di dati quasi in tempo reale nella nostra architettura basata su Redshift. Dopo il passaggio a Databricks, abbiamo abilitato un'elaborazione ETL più veloce e migliorato la disponibilità dei dati quasi in tempo reale. Di conseguenza, abbiamo ridotto il tempo di aggiornamento ETL a circa 30 minuti e abilitato l'accesso quasi in tempo reale per strumenti a valle come Jasper e Sisense. Anche l'affidabilità è migliorata perché la vista stabile continua a servire i dati dell'esecuzione precedente durante gli aggiornamenti della pipeline. Infine, l'architettura complessiva è diventata più semplice consolidando le capacità di elaborazione e analisi all'interno di Databricks. Nel complesso, Databricks ci ha aiutato a costruire una piattaforma di elaborazione dati quasi in tempo reale più scalabile ed efficiente, migliorando significativamente la tempestività e l'affidabilità delle analisi per il flusso di lavoro di elaborazione delle richieste. **Official Response from Janelle Glover:** > Grazie per aver condiviso come l'architettura di Databricks ti sta beneficiando. Abbiamo progettato la nostra piattaforma per affrontare le sfide della gestione dei dati strutturati e non strutturati, ed è fantastico sapere che sta avendo un impatto positivo sui tuoi flussi di lavoro di analisi e apprendimento automatico. ### 11. La Piattaforma Dati Unificata Che Effettivamente Fornisce **Rating:** 5.0/5.0 stars **Reviewed by:** Janakiraman K. | Data Engineer, Enterprise (> 1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Databricks ha trasformato il modo in cui il nostro team gestisce i flussi di lavoro dei dati end-to-end. Alcuni punti salienti: UI/UX: L'interfaccia del notebook è intuitiva e l'editor SQL appare raffinato, il che consente di passare tra Python, SQL e Scala nello stesso spazio di lavoro senza continui cambi di contesto. Integrazioni: I connettori nativi per Azure, Unity Catalog e Delta Sharing significano che passiamo meno tempo sull'infrastruttura. Lakehouse Federation ci permette di interrogare fonti esterne senza spostare i dati, il che è stato un vantaggio inaspettato. Prestazioni: L'auto-ottimizzazione di Delta Lake e il clustering liquido hanno ridotto notevolmente i tempi delle nostre query. Il motore Photon su aggregazioni pesanti è un punto di svolta per dashboard quasi in tempo reale. Prezzi/ROI: Il modello DBU richiede un po' di tempo per abituarsi, ma consolidare il nostro data warehouse, ETL e strumenti ML in un'unica piattaforma ha ridotto significativamente la nostra spesa complessiva per l'infrastruttura. Supporto/Onboarding: Databricks Academy e la documentazione integrata hanno reso più veloce l'inserimento di nuovi ingegneri. Il forum della comunità è sorprendentemente attivo per domande di nicchia. AI/Intelligenza: Genie (AI/BI) consente agli utenti aziendali di porre domande in inglese semplice e ottenere risultati accurati, riducendo le richieste ad hoc al nostro team di dati in modo significativo. Databricks Assistant all'interno dei notebook accelera anche la generazione di codice e il debugging. **Cosa non Le piace di Databricks?** Sebbene Databricks sia potente, ci sono punti di attrito reali che vale la pena menzionare: UI/UX: L'interfaccia può sembrare opprimente per i nuovi utenti, la navigazione tra Workspaces, Catalogs e SQL Warehouses non è sempre intuitiva. L'organizzazione di cartelle e notebook potrebbe essere più strutturata di default. Integrazioni: Alcuni connettori di terze parti richiedono ancora configurazioni manuali e codice personalizzato. Lakehouse Federation è promettente ma occasionalmente incoerente con alcuni sistemi sorgente, necessitando di ulteriori risoluzioni dei problemi. Prestazioni: I tempi di avvio dei cluster rimangono un punto dolente, i cold start sui cluster interattivi possono interrompere i flussi di lavoro frenetici. Il calcolo serverless aiuta ma non è ancora disponibile universalmente su tutte le funzionalità. Prezzi/ROI: Il modello di prezzo basato su DBU manca di trasparenza per i team più recenti. È facile accumulare costi imprevisti senza politiche di cluster e monitoraggio attenti. Un calcolatore dei costi più semplice aiuterebbe significativamente. Supporto/Onboarding: I tempi di risposta del supporto aziendale possono essere lenti per i ticket non critici. Per problemi architetturali complessi, arrivare all'esperto giusto spesso richiede più escalation. AI/Intelligenza: Genie funziona bene per le query standard ma fatica con logiche complesse multi-tabella o terminologia specifica del dominio senza un significativo affinamento. L'Assistente Databricks all'interno dei notebook occasionalmente genera suggerimenti API obsoleti o errati. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Ecco una risposta naturale e guidata dalla storia seguendo il formato "prima/dopo/risultato": Prima di Databricks, il nostro panorama dei dati era frammentato e strumenti separati per ETL, warehousing e ML significavano pipeline duplicate, definizioni di dati incoerenti e un notevole carico di lavoro ingegneristico solo per mantenere l'infrastruttura. Unificazione dei Dati: Abbiamo lottato con dati isolati attraverso più sistemi sorgente. Ora, con Unity Catalog e l'architettura Medallion (Bronzo/Argento/Oro), abbiamo un unico livello governato di cui tutte le squadre si fidano, riducendo lo sforzo di riconciliazione dei dati di quasi il 40%. Affidabilità delle Pipeline: Costruire e mantenere pipeline guidate dai metadati richiedeva framework personalizzati. Lakeflow e Delta Live Tables di Databricks ci hanno fornito capacità incrementali e di carico completo pronte all'uso, riducendo significativamente il tempo di sviluppo delle pipeline. Analisi Self-Service: I team aziendali dipendevano costantemente dagli ingegneri per le query ad hoc. Con Genie (AI/BI), gli stakeholder possono ora porre domande in inglese semplice contro tabelle d'oro curate, riducendo le richieste di dati ad hoc al nostro team in modo evidente settimana dopo settimana. Controllo dei Costi del Cloud: In precedenza gestivamo cluster sempre attivi senza visibilità sulla spesa. Il calcolo serverless e le politiche dei cluster ora ci permettono di dimensionare correttamente i carichi di lavoro, risultando in una riduzione misurabile dei costi dell'infrastruttura. Onboarding Più Veloce: I nuovi ingegneri impiegavano settimane per diventare produttivi. Con Databricks Assistant, modelli di notebook e documentazione centralizzata di Unity Catalog, il tempo di avvio è diminuito considerevolmente. In generale: Databricks ha essenzialmente sostituito 3-4 strumenti separati con una piattaforma coesa; il ROI non è solo nei risparmi sui costi, ma nella velocità e nella fiducia con cui ora forniamo prodotti di dati all'azienda. **Official Response from Janelle Glover:** > Siamo felici di sapere che trovi Databricks prezioso per l'ingegneria dei dati, l'analisi e il machine learning. Grazie per aver condiviso il tuo feedback! ### 12. Ambiente scalabile e tutto-in-uno con una certa curva di apprendimento **Rating:** 5.0/5.0 stars **Reviewed by:** Antonio V. | Data & AI Consultant, Mid-Market (51-1000 dip.) **Reviewed Date:** April 28, 2026 **Cosa Le piace di più di Databricks?** Mi piace Databricks per la sua scalabilità e l'ambiente tutto-in-uno per l'ingegneria dei dati, l'analisi e il machine learning. Mi permette di elaborare grandi set di dati in modo efficiente mantenendo i flussi di lavoro organizzati in un'unica piattaforma. La scalabilità è molto preziosa perché mi consente di gestire volumi di dati in crescita e carichi di lavoro complessi senza problemi di prestazioni. Man mano che i progetti si espandono, la piattaforma può scalare le risorse in modo efficiente. **Cosa non Le piace di Databricks?** Alcune funzionalità possono avere una curva di apprendimento, specialmente per i nuovi utenti che lavorano con configurazioni avanzate o gestione dei cluster. L'interfaccia potrebbe anche essere più intuitiva in alcune aree. L'installazione è stata relativamente semplice per le funzionalità principali, ma alcune impostazioni avanzate come l'ottimizzazione del cluster, i permessi e le integrazioni hanno richiesto più tempo e conoscenze tecniche. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve le principali sfide di gestione e analisi dei dati gestendo in modo efficiente grandi set di dati, semplificando i processi ETL e centralizzando i flussi di lavoro. La sua scalabilità mi consente di gestire volumi di dati in crescita senza problemi di prestazioni, garantendo che le risorse si espandano in modo efficiente man mano che i progetti crescono. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi Databricks scalabile e apprezzi il suo ambiente tutto-in-uno per l'ingegneria dei dati, l'analisi e il machine learning. Comprendiamo che alcune funzionalità possono avere una curva di apprendimento e stiamo lavorando continuamente per migliorare l'usabilità e l'intuitività della piattaforma. ### 13. Prestazioni con Spark e notebook collaborativi che rendono il flusso di dati più efficiente **Rating:** 5.0/5.0 stars **Reviewed by:** Homero F. | Professor particular, Mid-Market (51-1000 dip.) **Reviewed Date:** April 19, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più è la performance nell'elaborazione di grandi volumi di dati con Spark, i notebook collaborativi che facilitano il lavoro di squadra e le integrazioni con AWS e strumenti di BI, che rendono tutto il flusso di dati più efficiente. **Cosa non Le piace di Databricks?** Il costo può essere alto a seconda dell'uso e alcune parti dell'interfaccia, come la configurazione dei cluster e dei lavori, non sono così intuitive all'inizio. Inoltre, la curva di apprendimento può essere un po' elevata per i nuovi utenti. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve problemi di elaborazione di grandi volumi di dati, integrazione di diverse fonti e sviluppo di modelli di IA in un unico ambiente. Questo migliora il nostro flusso di lavoro, riduce il tempo di elaborazione e centralizza tutto sulla piattaforma. Le integrazioni con AWS e altri strumenti facilitano l'implementazione, e il supporto insieme alla documentazione aiutano nell'adattamento. Inoltre, le risorse di IA permettono di creare, addestrare e testare modelli in modo più rapido ed efficiente. **Official Response from Jess Darnell:** > Grazie per il tuo feedback positivo! ### 14. Analisi Unificate Potenti con Governance Senza Soluzione di Continuità e Scalabilità Senza Sforzo **Rating:** 4.5/5.0 stars **Reviewed by:** Akhil S. | Senior Data Engineer, Enterprise (> 1000 dip.) **Reviewed Date:** April 16, 2026 **Cosa Le piace di più di Databricks?** Ciò che mi piace di più di Databricks è il suo potente e unificato ecosistema di analisi. Funzionalità come Unity Catalog e Metastore rendono la gestione dei dati e il controllo degli accessi senza soluzione di continuità, mentre l'architettura Lakehouse combina il meglio dei data lake e dei data warehouse. Il supporto per PySpark, dbutils e gli spazi di lavoro collaborativi rendono lo sviluppo efficiente, e il calcolo serverless semplifica la scalabilità senza sovraccarico infrastrutturale. **Cosa non Le piace di Databricks?** Quello che non mi piace di Databricks è il tempo di avvio lento dei cluster multiuso, che può interrompere il flusso di lavoro e ridurre la produttività. Inoltre, l'integrazione con Git può sembrare un po' lenta a volte, specialmente durante i commit o la sincronizzazione, rendendo il controllo delle versioni meno fluido del previsto. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve la sfida di gestire i flussi di lavoro dei dati end-to-end fornendo una piattaforma unificata per l'ingegneria dei dati, la scienza dei dati e l'analisi. Consente un'elaborazione dei dati senza interruzioni, trasformazione e sviluppo di modelli all'interno di un unico ambiente. Questo mi avvantaggia semplificando il mio flusso di lavoro sia come ingegnere dei dati che come scienziato dei dati, riducendo la necessità di passare tra strumenti diversi. Inoltre, la sua integrazione con Azure Data Factory consente un'orchestrazione e un'attivazione fluide dei lavori per ambienti superiori, rendendo le distribuzioni più efficienti e affidabili. **Official Response from Jess Darnell:** > Siamo lieti di sapere che Databricks sta semplificando i tuoi flussi di lavoro dati e fornendo un'integrazione senza soluzione di continuità con Azure Data Factory. Prendiamo nota delle tue preoccupazioni riguardo ai tempi di avvio lenti e all'integrazione con Git, e siamo impegnati a ottimizzare questi aspetti per garantire un'esperienza più fluida per i nostri utenti. Il tuo contributo ci aiuta a dare priorità ai miglioramenti che si allineano con le esigenze dei nostri utenti. ### 15. Piattaforma collaborativa e senza soluzione di continuità che si adatta per l'ingegneria dei dati e il machine learning **Rating:** 4.0/5.0 stars **Reviewed by:** Krish G. | student, Piccola impresa (50 o meno dip.) **Reviewed Date:** April 15, 2026 **Cosa Le piace di più di Databricks?** La capacità di Databricks di integrare tutto senza problemi è ciò che trovo più attraente. Quando si lavora su progetti reali, fa davvero una grande differenza non dover passare tra diversi strumenti per l'ingegneria dei dati, l'analisi e il machine learning. L'elemento collaborativo è molto degno di nota. I team possono collaborare facilmente senza che le cose diventino disordinate grazie alla sensazione fluida e dinamica dei notebook. Per lavori significativi sui dati, assomiglia quasi esattamente a Google Docs. Mi piace anche molto come gestisce in modo efficiente grandi quantità di dati senza farli sembrare difficili. Anche quando si lavora con grandi set di dati, la piattaforma sembra user-friendly e può essere scalata quando necessario. Inoltre, ha perfettamente senso dal punto di vista dell'AI/ML. Sei in grado di costruire, **Cosa non Le piace di Databricks?** Databricks può inizialmente sembrare un po' opprimente, il che è qualcosa che non mi piace. Cluster, notebook, lavori, flussi di lavoro: c'è molto in corso, e se sei nuovo, ci vuole un po' di tempo per capire veramente come tutto funzioni insieme. Il controllo dei costi è un altro svantaggio. È indubbiamente potente, ma le spese potrebbero aumentare rapidamente se non si presta attenzione all'uso dei cluster o alle impostazioni di auto-scaling. Per mantenere tutto sotto controllo, è necessario esercitare un po' di autocontrollo e tenere d'occhio le cose. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Il problema della frammentazione nel flusso di lavoro dei dati e dell'IA è principalmente risolto da Databricks. In passato, l'archiviazione dei dati, l'elaborazione, l'analisi e il machine learning venivano solitamente eseguiti utilizzando strumenti diversi, e farli cooperare tutti era spesso difficile e richiedeva molto tempo. Databricks elimina gran parte dell'attrito combinando tutto in un'unica piattaforma. Questo rende il processo di sviluppo molto più fluido per me. Non devo preoccuparmi dei problemi di compatibilità o perdere tempo a passare da un ambiente all'altro. Posso eseguire trasformazioni, pulire i dati e creare modelli tutto in un unico luogo, il che riduce il tempo di configurazione e mantiene l'organizzazione. Affronta anche la difficoltà di gestire enormi quantità di dati. Posso fare affidamento sulle sue capacità di calcolo distribuito per gestire carichi di lavoro impegnativi piuttosto che preoccuparmi dell'infrastruttura o dell'ottimizzazione delle prestazioni da zero. Questo mi permette di concentrarmi meno sulla gestione delle risorse e più sulla ricerca di una soluzione al vero problema. La collaborazione è un altro problema importante che risolve. Condividere codice, risultati ed esperimenti può diventare disorganizzato in ambienti di team. Poiché tutto è consolidato con Databricks, è più semplice lavorare insieme, monitorare i cambiamenti e mantenere l'allineamento. Tutto considerato, mi aiuta riducendo la complessità, risparmiando tempo e permettendomi di concentrarmi maggiormente sullo sviluppo di soluzioni—che siano analisi, modelli di machine learning o pipeline di dati—invece di gestire il sovraccarico di mantenere numerosi strumenti e piattaforme. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi l'integrazione senza soluzione di continuità e le funzionalità collaborative di Databricks interessanti. Comprendiamo che la piattaforma possa sembrare inizialmente complessa, ma offriamo risorse complete e supporto per aiutare gli utenti a prendere confidenza. Per quanto riguarda il controllo dei costi, consigliamo di sfruttare la nostra documentazione e le migliori pratiche per ottimizzare l'uso dei cluster e le impostazioni di auto-scaling. Il tuo feedback è apprezzato e siamo impegnati a migliorare continuamente l'esperienza utente! ### 16. Databricks come Data Engineer Pratico: Risolvere Sfide Reali di ETL, Governance e Lakehouse **Rating:** 5.0/5.0 stars **Reviewed by:** KAVIN P. | Data Engineer, Tecnologia dell'informazione e servizi, Mid-Market (51-1000 dip.) **Reviewed Date:** April 08, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Il problema più importante che Databricks risolve è quello di lavorare con grandi volumi di dati e mantenere la coerenza. In precedenza, c'erano processi separati per l'ingegneria dei dati, l'analisi e le operazioni di machine learning, che richiedevano strumenti separati e rendevano difficile per me gestirli, ma ora sono tutti in un unico posto. Un altro problema critico risolto da Databricks è quello dell'elaborazione di grandi volumi di dati. Utilizzando Spark e il calcolo distribuito, consente di eseguire compiti che erano estremamente lenti sui sistemi legacy con cui lavoravo. Questo ha aiutato ad accelerare la mia pipeline, anche se a volte si verificano ritardi. La collaborazione è anche un altro problema che Databricks affronta. Più utenti possono collaborare sullo stesso notebook o set di dati. La collaborazione in precedenza era confusa, e ora è facile e buona e facile e facilmente comprensibile e principalmente facile condividere notebook e risorse. La scalabilità è un altro problema risolto da Databricks; non è necessario prestare attenzione alla gestione dell'infrastruttura. La scalabilità del cluster dipende dai requisiti dell'utente, risparmiando tempo. In precedenza, era necessario prestare maggiore attenzione alla configurazione dell'infrastruttura. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi la natura tutto-in-uno e l'interconnessione di Databricks vantaggiosa per la gestione dei dati, aiutando il tuo team a risparmiare tempo. Apprezziamo il tuo feedback sui vantaggi dell'utilizzo dei notebook e sull'efficienza nella gestione dei big data. ### 17. Spazio di lavoro unificato di Databricks che semplifica la collaborazione e i flussi di lavoro complessi sui dati **Rating:** 4.0/5.0 stars **Reviewed by:** Neeraj Kumar N. | AI Data Specialist | Transcription & Annotation Expert | AI Model Training at Sigma AI, Mid-Market (51-1000 dip.) **Reviewed Date:** April 12, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve la sfida di gestire l'elaborazione di dati su larga scala, l'analisi e il machine learning in un unico posto. Per me, elimina il fastidio di gestire strumenti e infrastrutture separati. Ne traggo beneficio lavorando in modo più efficiente, collaborando facilmente con il mio team e trasformando dati complessi in informazioni utili più rapidamente, con meno sovraccarico operativo complessivo. **Official Response from Jess Darnell:** > Siamo lieti di sapere che trovi il workspace unificato e le funzionalità di collaborazione di Databricks preziosi per il tuo lavoro. Comprendiamo le tue preoccupazioni riguardo ai costi e alla complessità, e stiamo lavorando continuamente per migliorare in questi aspetti. ### 18. Piattaforma dati affidabile con supporto potente per pipeline **Rating:** 4.5/5.0 stars **Reviewed by:** Chandhuru B. | Data Engineer, Tecnologia dell'informazione e servizi, Mid-Market (51-1000 dip.) **Reviewed Date:** April 06, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks sta risolvendo il problema della costruzione e gestione di pipeline di dati su larga scala senza tanto sforzo manuale. Aiuta con l'ingestione affidabile, l'evoluzione dello schema e l'orchestrazione, in modo che i team possano elaborare i dati più velocemente e mantenere le pipeline più stabili anche quando i file di origine cambiano. Per me, ciò significa meno tempo speso a correggere lavori interrotti e più tempo a concentrarmi sulla trasformazione e l'utilizzo dei dati. Mi avvantaggia anche rendendo più facile gestire i flussi di lavoro batch e streaming su un'unica piattaforma, il che è particolarmente utile quando i dati continuano a cambiare. **Official Response from Janelle Glover:** > Siamo lieti di sapere che trovi Databricks una piattaforma affidabile per l'ingegneria dei dati, l'analisi e il machine learning. Comprendiamo la frustrazione con Auto Loader quando si ha a che fare con dati di origine che cambiano frequentemente. Stiamo lavorando continuamente per migliorare l'accuratezza dell'inferenza dello schema e la gestione di JSON annidati o dati semi-strutturati per ridurre al minimo le correzioni manuali e la manutenzione per i nostri utenti. ### 19. Adoro Databricks e le sue funzionalità e Unity Catalog per una governance semplificata **Rating:** 4.5/5.0 stars **Reviewed by:** Prashant N. | Data Engineer, Enterprise (> 1000 dip.) **Reviewed Date:** May 26, 2026 **Cosa Le piace di più di Databricks?** In Databricks, mi piacciono molto le nuove funzionalità come Gennie, l'Assistente Databricks, gli agenti e il meccanismo di attivazione degli eventi. Inoltre, la funzionalità Unity Catalog è incredibile. Avere un unico posto per tutte le fonti rende le cose molto più facili, e UC aiuta a gestire le tabelle in modo più organizzato. **Cosa non Le piace di Databricks?** Niente di speciale da non gradire, ma c'è una funzione per saltare a un comando particolare. La funzione in sé va bene, ma è posizionata proprio accanto al notebook, il che rende facile cliccarci accidentalmente, interrompendo così il mio flusso di lavoro. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Lo sto usando nel mio progetto per l'elaborazione dei dati e l'analisi della qualità dei dati. Con Databricks e le sue funzionalità, sto costruendo agenti nello spazio Genie. Usando UC, gestisco tutte le tabelle gestite ed esterne in un unico posto. **Official Response from Jess Darnell:** > Siamo felici di sapere che stai apprezzando le nuove funzionalità come Gennie, Databricks Assistant, gli agenti e il meccanismo di attivazione degli eventi, così come la funzionalità Unity Catalog. Apprezziamo il tuo feedback! ### 20. Databricks: Piattaforma Unificata per l'Elaborazione e l'Analisi dei Dati **Rating:** 5.0/5.0 stars **Reviewed by:** Banu Prakash M. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 02, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks ci aiuta a gestire grandi set di dati e a costruire pipeline di dati. Semplifica l'elaborazione, la trasformazione e l'analisi dei dati utilizzando Spark e SQL, tutto in un unico posto. Risolve il problema dell'elaborazione lenta dei dati distribuita tra i sistemi, gestendo automaticamente l'infrastruttura e facilitando la collaborazione e la sperimentazione. **Official Response from Janelle Glover:** > Siamo entusiasti di sapere che Databricks è stato utile per gestire grandi set di dati e semplificare l'elaborazione e l'analisi dei dati per te. Apprezziamo il tuo feedback sulla gestione dei costi e esploreremo modi per migliorare la visibilità dei costi e fornire strumenti di monitoraggio migliori. ### 21. Un affidabile cavallo di battaglia per l'ingegneria dei dati e l'analisi **Rating:** 5.0/5.0 stars **Reviewed by:** Supriya M. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 31, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks mi aiuta a risolvere i complessi fallimenti delle pipeline ETL e i persistenti problemi di qualità dei dati nell'analisi della catena di approvvigionamento unificando l'elaborazione batch e streaming dai sistemi SAP con Delta Live Tables. Rimuove anche molti dei mal di testa legati alla gestione dell'infrastruttura grazie ai cluster auto-scalabili, così posso concentrarmi sulla scrittura di codice per carichi di lavoro multi-terabyte invece di preoccuparmi costantemente delle dimensioni del cluster. Per i miei progetti di dati di produzione, Databricks accelera i cicli di sviluppo da settimane a giorni tramite notebook collaborativi e pipeline DLT, consentendo reportistica Power BI più veloce e decisioni dei portatori di interesse. Unity Catalog centralizza la governance tra le fonti Azure e SAP, prevenendo la deriva dello schema che affliggeva i precedenti laghi basati su Hive. **Official Response from Janelle Glover:** > Grazie per aver evidenziato i vantaggi dell'approccio della piattaforma unificata e le funzionalità di risparmio di tempo di Databricks. Comprendiamo le vostre preoccupazioni riguardo alla gestione dei costi e alla curva di apprendimento, e stiamo lavorando continuamente per semplificare il nostro modello di prezzi e migliorare l'esperienza di onboarding per i nuovi membri del team. È fantastico sentire come Databricks stia aiutando a risolvere i complessi fallimenti delle pipeline ETL e ad accelerare i cicli di sviluppo per i vostri progetti di dati di produzione. ### 22. Tutto-in-Uno Potente con Spazio per Chiarezza sui Prezzi **Rating:** 4.5/5.0 stars **Reviewed by:** Thoufeeq A. | DevOps Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 02, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks consolida più strumenti in un'unica piattaforma, rendendola potente e conveniente. Posso gestire i permessi con la sicurezza a livello di riga ed eseguire facilmente esperimenti per selezionare i migliori modelli, tutto in un unico posto. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Databricks. Comprendiamo le tue preoccupazioni riguardo al calcolatore dei prezzi e prenderemo in considerazione il tuo feedback per migliorare la chiarezza della nostra documentazione. ### 23. Databricks Lakehouse Powerhouse con Unity Catalog e Fast Photon SQL **Rating:** 4.0/5.0 stars **Reviewed by:** Vidhyadar R. | Data Engineer, Enterprise (> 1000 dip.) **Reviewed Date:** April 01, 2026 **Cosa Le piace di più di Databricks?** 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. **Cosa non Le piace di Databricks?** 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. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Risolve il problema di avere dati sparsi ovunque. Adoro poter passare da SQL a Python nello stesso posto, e la velocità di elaborazione è eccezionale. È stato un punto di svolta per costruire rapidamente i nostri modelli finanziari senza il solito ritardo. **Official Response from Janelle Glover:** > Apprezziamo il tuo feedback sui vantaggi di Databricks, come la gestione centralizzata dei dati e la possibilità di lavorare con SQL e Python in un unico ambiente. Comprendiamo le tue preoccupazioni riguardo ai costi e alla curva di apprendimento, e stiamo lavorando attivamente per migliorare la piattaforma per soddisfare meglio le tue esigenze. ### 24. Ingegneria dei Dati, Scienza e Analisi Unificate in un'unica Piattaforma Collaborativa **Rating:** 4.5/5.0 stars **Reviewed by:** Sivabalan A. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 02, 2026 **Cosa Le piace di più di Databricks?** Ciò che apprezzo di più di Databricks è la sua capacità di unificare l'ingegneria dei dati, la scienza dei dati e l'analisi su un'unica piattaforma. L'ambiente collaborativo—soprattutto i notebook e i flussi di lavoro integrati—rende molto più facile per i team con diversi livelli di competenza lavorare insieme senza continui cambi di contesto. Un altro punto di forza è l'integrazione con strumenti popolari e servizi cloud ampiamente utilizzati sul mercato oggi, il che facilita lo spostamento dei dati tra di essi. Le funzionalità di monitoraggio delle prestazioni e di pianificazione dei lavori aiutano a mantenere la visibilità sui pipeline, e il supporto di Delta Lake per una gestione affidabile dei dati è stato anche molto utile. **Cosa non Le piace di Databricks?** La gestione dei costi è un'area che potrebbe essere migliorata. Sebbene Databricks offra opzioni di autoscaling e cluster flessibili, è facile che l'uso delle risorse aumenti inaspettatamente, specialmente con grandi set di dati e lavori di lunga durata. Mantenere i costi prevedibili richiede spesso un'attenta supervisione e una solida comprensione del modello di prezzo della piattaforma. Inoltre, alcune delle funzionalità più avanzate, come i controlli di accesso dettagliati e l'orchestrazione di lavori più complessi, possono sembrare meno intuitive. La documentazione è ampia, ma occasionalmente lascia lacune che finiscono per richiedere tentativi ed errori. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks affronta diverse sfide chiave nei flussi di lavoro dei dati moderni, in particolare riguardo alla scalabilità, all'affidabilità dei dati e all'analisi collaborativa. Uno dei principali problemi che risolve è la gestione e l'elaborazione di dataset su larga scala in modo efficiente. Sfruttando il framework di calcolo distribuito di Apache Spark, Databricks consente pipeline ETL parallelizzate e trasformazioni di dati su larga scala che sarebbero impraticabili su infrastrutture tradizionali. Un'altra sfida è garantire la coerenza e l'affidabilità dei dati attraverso le pipeline. Con Delta Lake, Databricks fornisce uno storage conforme a ACID, tabelle versionate e applicazione dello schema, il che riduce gli errori nei dati e semplifica la governance dei dati. Questo è particolarmente vantaggioso quando più team lavorano su diverse fasi delle pipeline di dati contemporaneamente. Databricks aiuta anche a risolvere il problema dei flussi di lavoro frammentati per data scientist e ingegneri. Il suo ambiente unificato supporta più linguaggi (Python, SQL, R, Scala) e include l'apprendimento automatico integrato con MLFlow, rendendo più facile collaborare e passare dalla preparazione dei dati all'analisi e all'apprendimento automatico in un unico posto. **Official Response from Janelle Glover:** > È fantastico sapere come Databricks stia aiutando a risolvere le sfide di scalabilità, affidabilità dei dati e analisi collaborative per il tuo team. Apprezziamo il tuo feedback sulla gestione dei costi e sull'usabilità delle funzionalità avanzate. Stiamo lavorando continuamente per migliorare la trasparenza dei prezzi e migliorare l'esperienza utente per tutte le nostre funzionalità. ### 25. Piattaforma All-in-One che ci aiuta a iterare rapidamente e a distribuire con fiducia **Rating:** 5.0/5.0 stars **Reviewed by:** Vijayaramuprawin V. | Sr. Cloud and DevOps Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 01, 2026 **Cosa Le piace di più di Databricks?** Utilizziamo Databricks quotidianamente come nostra piattaforma dati principale per costruire ed eseguire pipeline attraverso un'architettura a medaglione, dall'estrazione dei dati da SAP e Arkieva fino ai dataset pronti per la reportistica. L'esperienza con i notebook è intuitiva, il set di funzionalità è enorme e gli Asset Bundles hanno reso la nostra storia di CI/CD con Azure DevOps davvero solida. L'integrazione con i servizi cloud è stata fluida, e una volta impostate le cose, funzionano semplicemente. La curva di apprendimento può essere ripida per i nuovi membri del team, specialmente per quanto riguarda Unity Catalog e DABs, e i costi possono aumentare se non si tiene sotto controllo la configurazione dei cluster. Il supporto è decente e la documentazione è abbastanza forte da non dover aprire spesso un ticket. Nel complesso, è una piattaforma potente che fa molto sotto un unico tetto, ed è difficile immaginare il nostro flusso di lavoro di ingegneria dei dati senza di essa. **Cosa non Le piace di Databricks?** Il costo può aumentare rapidamente se non si presta attenzione alle dimensioni del cluster e alle configurazioni dei lavori, quindi ci vuole un po' di impegno per mantenere tutto ottimizzato. Inoltre, la curva di apprendimento per i nuovi membri del team può essere ripida, specialmente per quanto riguarda elementi come i pacchetti di asset, il catalogo Unity e la corretta configurazione dei componenti CI/CD. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks sta risolvendo il problema dei dati frammentati sparsi su più sistemi come SAP e Arkieva fornendoci un'unica piattaforma unificata per estrarre, trasformare e servire tutto. Ciò significa che i nostri team aziendali ottengono dati puliti, affidabili e pronti per i report senza dover gestire una serie di strumenti separati, e possiamo distribuire e gestire tutto in modo coerente attraverso gli ambienti con fiducia. **Official Response from Janelle Glover:** > Siamo lieti di sapere che Databricks è stato fondamentale per semplificare il tuo flusso di lavoro di ingegneria dei dati e fornire una piattaforma potente per le tue esigenze. Apprezziamo il tuo feedback sulla curva di apprendimento e sulle considerazioni sui costi, e stiamo lavorando continuamente per migliorare in questi aspetti. ### 26. Flussi di lavoro dati semplificati e collaborativi con prestazioni potenti **Rating:** 5.0/5.0 stars **Reviewed by:** Dharun T. | Senior Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 01, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come semplifica l'intero flusso di lavoro dei dati integrando elaborazione, analisi e machine learning in un'unica piattaforma. L'ambiente collaborativo dei notebook rende facile condividere codice, contesto e ragionamenti con i membri del team, aiutando tutti a rimanere allineati. Inoltre, offre ottime prestazioni su grandi set di dati mentre astrae la maggior parte della gestione dei cluster, permettendomi di concentrarmi sulla risoluzione del problema piuttosto che sulla gestione dell'infrastruttura. Inoltre, il controllo centralizzato degli accessi e la chiara visibilità sull'uso dei dati supportano una governance responsabile dei dati, offrendo un solido equilibrio tra potenza e facilità d'uso. **Cosa non Le piace di Databricks?** Databricks ha alcuni svantaggi, anche se molti di essi sembrano più compromessi che veri e propri aspetti negativi. La mia preoccupazione principale è il costo: se i cluster non sono gestiti con attenzione, le spese possono aumentare rapidamente, anche se la piattaforma può scalare molto efficacemente quando è configurata correttamente. C'è anche una vera curva di apprendimento con Spark e i concetti di calcolo distribuito, e il debug o l'ottimizzazione delle prestazioni possono essere più complessi rispetto a strumenti più semplici. Infine, poiché è un servizio gestito, si rinuncia a un certo controllo a basso livello rispetto ai sistemi auto-ospitati, ma il vantaggio è che si elimina gran parte del lavoro operativo e infrastrutturale. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Poiché il mio cliente ha bisogno di codice sicuro e riutilizzabile, Databricks ci aiuta a scrivere Python in modo efficiente applicando i principi OOP e i design pattern. Inoltre, rende semplice estendere la funzionalità nel tempo e costruire codice personalizzato che interagisce con API e database. **Official Response from Janelle Glover:** > Siamo lieti di sapere che trovi Databricks una piattaforma potente e snella per flussi di lavoro collaborativi sui dati. Comprendiamo le preoccupazioni riguardo alla gestione dei costi e alla curva di apprendimento associata ai concetti di calcolo distribuito. Lavoriamo continuamente per migliorare la nostra piattaforma e fornire risorse per aiutare gli utenti a ottimizzare il loro utilizzo e superare le sfide. ### 27. Databricks: Soluzione Completa per Dati e Analisi **Rating:** 5.0/5.0 stars **Reviewed by:** FABIN P. | Senior Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** April 01, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è che riunisce tutto in un unico posto, rendendo facile lavorare sui dati, costruire modelli e gestire i flussi di lavoro. Aiuta i team a collaborare facilmente in tempo reale. Funziona anche molto velocemente con grandi quantità di dati utilizzando Apache Spark, e funzionalità come l'automazione e Delta Lake rendono la gestione dei big data molto più semplice. **Cosa non Le piace di Databricks?** Una cosa che non mi piace di Databricks è che può essere costoso, specialmente per carichi di lavoro grandi. A volte l'interfaccia e la configurazione possono sembrare complesse per i principianti. Inoltre, gestire i cluster e le configurazioni può richiedere un certo sforzo se non si ha molta familiarità con esso. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks risolve il problema di gestire grandi quantità di dati in modo efficiente. Porta l'ingegneria dei dati, l'analisi e il machine learning in un'unica piattaforma. Questo elimina la necessità di utilizzare più strumenti. Aiuta a elaborare i dati più velocemente utilizzando Apache Spark. Rende più facile la collaborazione per i team. Semplifica la costruzione e la gestione delle pipeline di dati. Migliora l'affidabilità dei dati con funzionalità come Delta Lake. Riduce il lavoro manuale attraverso l'automazione. Risparmia tempo e sforzi nelle attività quotidiane. In generale, mi aiuta a lavorare più velocemente e in modo più efficiente con i dati. **Official Response from Janelle Glover:** > Siamo lieti di sapere che Databricks è stato fondamentale per semplificare il tuo flusso di lavoro di ingegneria dei dati e fornire una piattaforma potente per le tue esigenze. Apprezziamo il tuo feedback sulla curva di apprendimento e sulle considerazioni sui costi, e stiamo lavorando continuamente per migliorare in questi aspetti. ### 28. Dal Caos di Hive al Catalogo di Unità - Vale Ogni DBU **Rating:** 5.0/5.0 stars **Reviewed by:** Balakumaran R. | Data Team Lead, Enterprise (> 1000 dip.) **Reviewed Date:** March 31, 2026 **Cosa Le piace di più di Databricks?** Unity Catalog è stato il singolo valore aggiunto più grande per la nostra migrazione aziendale. Siamo passati da un'architettura Hive Metastore a Unity Catalog e abbiamo ottenuto governance centralizzata, tracciamento della lineage e controllo degli accessi dettagliato su tutti i nostri asset di dati senza dover integrare strumenti di terze parti. Per un'organizzazione multi-dominio (finanza, produzione, catena di approvvigionamento, approvvigionamento), avere un unico catalogo che applica una denominazione e permessi coerenti attraverso i livelli bronzo, argento, oro e platino ci ha risparmiato settimane di lavoro manuale sulle policy. UI/UX: L'esperienza del notebook con Spark SQL e PySpark inline, combinata con il browser dei file del workspace, rende semplice per il nostro team sviluppare e testare trasformazioni in modo iterativo. L'editor SQL per query ad-hoc contro le tabelle di Unity Catalog è pulito e reattivo. Integrazioni: Il supporto nativo per Delta Lake significa che non gestiamo conversioni di formato. L'integrazione con Azure Key Vault tramite secret scopes (dbutils.secrets.get) mantiene le credenziali fuori dal codice. L'integrazione ADF per l'orchestrazione nel nostro ambiente V1 è stata senza problemi, e i Databricks Asset Bundles (DAB) per il deployment V2 ci offrono un percorso CI/CD pulito con configurazioni databricks.yml mirate a dev/qa/prod senza scripting personalizzato. Prestazioni: Passare a CTE rispetto a viste temporanee nei nostri notebook Gold ha ridotto notevolmente la pressione sulla memoria del cluster. La possibilità di dimensionare correttamente i cluster per ambiente (1 worker per dev, 3 per produzione) con nodi Standard_D4ds_v5 mantiene i costi prevedibili pur mantenendo le prestazioni per i nostri carichi di lavoro ETL batch. Prezzi/ROI: Il modello di calcolo pay-as-you-go abbinato a cluster in modalità di sicurezza per singolo utente significa che non stiamo sovrapponendo le risorse. Consolidare il nostro livello ETL, di governance e di BI in un'unica piattaforma ha eliminato le licenze per strumenti separati di catalogazione, orchestrazione e qualità dei dati. AI/Intelligenza (Genie): Genie Spaces è stata una vittoria inaspettata. I nostri analisti aziendali in finanza e catena di approvvigionamento possono porre domande in linguaggio naturale contro tabelle Gold/Platinum curate senza scrivere SQL. Ha ridotto il numero di richieste di report ad-hoc che arrivano al team dei dati, offrendo agli utenti di dominio un percorso self-service che rispetta comunque i permessi di Unity Catalog. Supporto/Onboarding: La documentazione è completa e l'approccio basato sulle competenze per l'apprendimento (bundle, Unity Catalog, lavori, SQL) si adatta bene a come il nostro team lavora effettivamente. L'onboarding di nuovi ingegneri all'architettura V2 ha richiesto circa la metà del tempo rispetto a V1 perché le convenzioni della piattaforma (architettura medaglione, asset bundle, denominazione del catalogo) sono ben documentate e coerenti. **Cosa non Le piace di Databricks?** UI/UX: L'editor del notebook sembra ancora indietro rispetto agli IDE dedicati. Nessuna ricerca nativa su più file, supporto limitato per il refactoring e l'interfaccia utente dell'integrazione git è goffa per i team che gestiscono dozzine di notebook attraverso pacchetti di flussi di lavoro. Abbiamo finito per fare tutto lo sviluppo reale in VS Code e trattare lo spazio di lavoro Databricks come un obiettivo di distribuzione, il che aggiunge attrito. Il browser dei file dello spazio di lavoro non gestisce bene le strutture delle cartelle quando hai più di 50 notebook organizzati per dominio: non ci sono filtri, tag o preferiti. Integrazioni: I Databricks Asset Bundles (DAB) sono un passo avanti, ma la documentazione presenta lacune per distribuzioni complesse multi-bundle. Gestiamo un bundle Global_Utilities condiviso da cui dipendono altri bundle di flussi di lavoro, e far funzionare in modo affidabile i riferimenti tra bundle attraverso gli obiettivi dev/qa/prod ha richiesto molti tentativi ed errori. L'integrazione ADF-to-Databricks funziona, ma il debug delle esecuzioni di pipeline fallite significa saltare tra l'interfaccia di monitoraggio ADF e le esecuzioni di job Databricks senza una vista unificata. Una stretta integrazione tra orchestrazione e monitoraggio del calcolo farebbe risparmiare ore di risoluzione dei problemi. Prestazioni: I tempi di avvio a freddo dei cluster rimangono un punto dolente per i flussi di lavoro di sviluppo. Avviare un cluster a nodo singolo Standard_D4ds_v5 richiede 4-7 minuti, il che interrompe il flusso quando si sta iterando sulla logica del notebook. Il calcolo serverless aiuta ma non è ancora disponibile per tutti i tipi di carico di lavoro, e il premio di costo è difficile da giustificare per ambienti di sviluppo/test. Prezzi/ROI: Il modello di prezzo DBU è opaco per la pianificazione della capacità. Stimare i costi mensili per un progetto con oltre 30 job programmati, cluster di sviluppo interattivi e query SQL warehouse richiede la costruzione di fogli di calcolo personalizzati perché gli strumenti di gestione dei costi integrati non forniscono una previsione chiara per flusso di lavoro o dominio. Siamo stati sorpresi da picchi di costo da job che sono durati più del previsto senza un modo semplice per impostare avvisi di budget per job. Supporto/Onboarding: I tempi di risposta del supporto aziendale sono incoerenti. Problemi critici con i permessi di Unity Catalog durante la nostra migrazione hanno richiesto 3-5 giorni lavorativi per la triage iniziale, il che ha bloccato la nostra timeline di distribuzione. I forum della comunità sono utili per modelli comuni, ma per i casi limite di Unity Catalog (lineage cross-catalog, eredità complessa dei permessi), la base di conoscenza è scarsa. AI/Intelligenza: Genie è promettente ma ancora grezzo per l'uso in produzione. Ha difficoltà con join su più di 3-4 tabelle, a volte genera SQL errato contro il nostro livello Gold, e non c'è un modo semplice per curare o correggere le sue risposte per migliorare l'accuratezza nel tempo. I nostri utenti aziendali si sono entusiasmati, l'hanno provato, hanno ottenuto risposte sbagliate su domande moderatamente complesse e hanno perso fiducia. Un ciclo di feedback in cui gli esperti di dominio possono segnalare e correggere gli output di Genie lo renderebbe veramente pronto per la produzione. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Frammentazione della Governance dei Dati → Catalogo Unificato Abbiamo avuto difficoltà con un ambiente Hive Metastore dove la proprietà delle tabelle, il controllo degli accessi e la tracciabilità erano gestiti attraverso un insieme di documentazione manuale e script personalizzati. Dopo aver implementato Unity Catalog, ora abbiamo una governance centralizzata su 4 livelli di catalogo (bronzo, argento, oro, platino) che coprono 6 domini aziendali. Ciò che richiedeva un data steward a tempo pieno per essere tracciato manualmente è ora applicato automaticamente attraverso permessi a livello di catalogo e tracciabilità. Questo ha ridotto il nostro tempo di provisioning degli accessi da giorni a meno di un'ora per richiesta. Logica ETL Isolata → Architettura Medallion Standardizzata Prima di Databricks, i nostri pipeline ETL erano incoerenti — team diversi scrivevano trasformazioni in modo diverso, senza utilità o modelli condivisi. Abbiamo costruito un framework standardizzato (Batch_Utilities.py) con funzioni riutilizzabili per la validazione degli schemi, operazioni di merge, controlli di qualità dei dati e gestione delle colonne di audit. Ogni notebook in tutti i domini ora segue la stessa struttura a 7 celle. Questo ha ridotto il tempo di sviluppo di nuovi notebook da 2-3 giorni a circa 4 ore, e l'onboarding di un nuovo sviluppatore al modello richiede un solo pomeriggio invece di una settimana. Fallimenti Costosi di Aggiornamento dei Report → Orchestrazione Affidabile dei Pipeline Avevamo problemi ricorrenti con i report Power BI che estraevano dati obsoleti o incompleti perché i lavori a monte fallivano silenziosamente. Con Databricks Jobs e il tracciamento dei pipeline basato su metadati (stato del pipeline, timestamp di inizio/fine registrati per esecuzione), ora intercettiamo i fallimenti al livello di trasformazione prima che si propaghino ai report. I problemi di freschezza dei dati dei report sono diminuiti di circa l'80%, e il nostro team finanziario ha smesso di programmare riunioni di "verifica dei dati" che consumavano 3-4 ore a settimana. Caos di Distribuzione Multi-Ambiente → Pacchetti di Asset Distribuire notebook tra dev, QA e produzione comportava copie manuali di file e modifiche di configurazione specifiche per l'ambiente — soggetto a errori e lento. I Pacchetti di Asset di Databricks ci hanno fornito configurazioni databricks.yml dichiarative con sostituzione delle variabili per target. Una distribuzione che richiedeva 45 minuti di passaggi manuali ora viene eseguita in meno di 5 minuti tramite CLI. Distribuiamo con fiducia perché la stessa definizione del pacchetto è convalidata prima di arrivare in produzione. Gap di Analisi Self-Service → Genie + Livello Platinum Gli analisti aziendali nella catena di approvvigionamento e nella finanza erano completamente dipendenti dal team dei dati per qualsiasi analisi ad hoc. Costruendo tabelle Platinum denormalizzate ottimizzate per il reporting e esponendole tramite Genie Spaces, abbiamo abilitato le query self-service in linguaggio naturale. L'adozione iniziale ha ridotto le richieste di report ad hoc al team dei dati di circa il 30%, liberando capacità ingegneristica per lo sviluppo di nuove funzionalità. Visibilità dei Costi → Calcolo Dimensionato Correttamente Stavamo sovra-provisionando i cluster perché non avevamo una chiara visione dell'utilizzo effettivo. Standardizzando sui nodi Standard_D4ds_v5 con conteggi di lavoratori specifici per ambiente (1 per dev/QA, 3 per produzione) e modalità di sicurezza per singolo utente, abbiamo ridotto la nostra spesa mensile per il calcolo di circa il 25% rispetto al modello di cluster condiviso che gestivamo in V1. **Official Response from Janelle Glover:** > Apprezziamo il tuo feedback dettagliato sulla tua esperienza con Databricks. È fantastico sapere che Unity Catalog, UI/UX, integrazioni, prestazioni, Genie e supporto/onboarding hanno avuto un impatto positivo sulla migrazione della tua impresa. Comprendiamo le aree di miglioramento che hai menzionato e le prenderemo in considerazione per futuri miglioramenti. ### 29. Databricks: Piattaforma Intuitiva e Unificata con Integrazioni Senza Soluzione di Continuità e Supporto Rapido **Rating:** 5.0/5.0 stars **Reviewed by:** Sabareeswar K. | Data Engineer, Enterprise (> 1000 dip.) **Reviewed Date:** April 01, 2026 **Cosa Le piace di più di Databricks?** Come ingegnere dei dati, Databricks è diventata la mia piattaforma di riferimento per il lavoro sui dati end-to-end. La facilità d'uso è eccezionale: i notebook, le Delta Live Tables e Genie hanno tutte interfacce intuitive che riducono significativamente il tempo di apprendimento. L'implementazione è stata fluida grazie all'eccellente documentazione e al supporto clienti reattivo che risolve effettivamente i problemi rapidamente. Lo uso quotidianamente, e il numero di funzionalità, da Unity Catalog a AI/BI Genie, continua a crescere. L'integrazione con l'archiviazione cloud, gli strumenti BI e i framework ML è senza soluzione di continuità, rendendola una vera piattaforma unificata. **Cosa non Le piace di Databricks?** Una sfida è la mancanza di trasparenza dei costi a livello di lavoro granulare; è difficile individuare esattamente quale pipeline o notebook stia aumentando il consumo di DBU senza investire in un monitoraggio personalizzato. I cluster con scalabilità automatica, sebbene potenti, possono far lievitare i costi durante la notte se non configurati attentamente con limiti adeguati. Inoltre, i livelli del magazzino SQL possono essere confusi da scegliere in anticipo, rendendo difficile la pianificazione del budget per i team. Un cruscotto di allocazione dei costi integrato per lavoro o utente sarebbe un enorme miglioramento per la gestione quotidiana dei costi. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks ha eliminato i silos tra i nostri team di ingegneria dei dati, analisi e ML. In precedenza, gestivamo più strumenti per l'ingestione, la trasformazione e la reportistica. Ora tutto si trova in un unico lakehouse. Genie, in particolare, è stato un cambiamento radicale: gli stakeholder aziendali possono porre domande in linguaggio naturale direttamente sui nostri dati senza scrivere SQL, il che riduce drasticamente i colli di bottiglia delle richieste ad-hoc per il nostro team di ingegneria. Il processo decisionale è più veloce, i dati sono più democratizzati e abbiamo ridotto significativamente i costi generali della nostra pipeline di reportistica. **Official Response from Janelle Glover:** > È fantastico sapere che Databricks ha aiutato a eliminare i silos tra i tuoi team di ingegneria dei dati, analisi e ML. Siamo lieti che Genie sia stato un punto di svolta per i tuoi stakeholder aziendali. Comprendiamo anche le sfide che hai menzionato riguardo alla trasparenza dei costi e ai cluster di auto-scaling. Stiamo lavorando continuamente per migliorare la nostra piattaforma e prenderemo in considerazione i tuoi suggerimenti per futuri miglioramenti. ### 30. Databricks rende i flussi di lavoro dei dati end-to-end veloci, collaborativi e facili **Rating:** 5.0/5.0 stars **Reviewed by:** Karuppusamy V. | Technical Lead, Enterprise (> 1000 dip.) **Reviewed Date:** March 31, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come semplifica l'intero flusso di lavoro dei dati. Invece di passare tra diversi strumenti per l'elaborazione dei dati, l'analisi e il machine learning, tutto è disponibile in un unico posto. L'ambiente notebook rende la collaborazione davvero fluida, sembra naturale lavorare con i compagni di squadra, condividere codice e spiegare la logica senza sforzi extra. Un'altra cosa che apprezzo è la performance. Lavorare con grandi set di dati può essere solitamente doloroso, ma Databricks lo gestisce in modo efficiente in background. Non devi preoccuparti troppo di gestire i cluster o ottimizzare tutto manualmente, funziona semplicemente la maggior parte delle volte, il che ti permette di concentrarti di più sulla risoluzione del problema reale piuttosto che sulla gestione dell'infrastruttura. Quello che spicca anche è il modo in cui gestisce la governance e l'organizzazione dei dati. Con funzionalità come il controllo centralizzato degli accessi e una migliore visibilità sull'uso dei dati, diventa molto più facile gestire i dati in modo responsabile, specialmente nei progetti più grandi. Nel complesso, offre un buon equilibrio tra potenza e facilità d'uso, ed è per questo che mi piace lavorarci. **Cosa non Le piace di Databricks?** Una cosa che non mi piace particolarmente di Databricks è che può diventare costoso piuttosto rapidamente, specialmente se i cluster non sono gestiti correttamente. Se dimentichi di terminare i cluster o esegui carichi di lavoro pesanti senza ottimizzazione, i costi possono aumentare senza molta visibilità all'inizio. Per i team che stanno ancora imparando o sperimentando, questo può diventare una preoccupazione. Un altro svantaggio è che il debug può a volte sembrare un po' complicato, in particolare quando si lavora con lavori distribuiti. Gli errori non sono sempre chiari e rintracciare i problemi su più nodi può richiedere più tempo rispetto a lavorare in un ambiente locale più semplice. Richiede un certo livello di esperienza per comprendere rapidamente e risolvere i problemi. Inoltre, sebbene la piattaforma sia potente, ha una certa curva di apprendimento per i principianti. Concetti come la configurazione dei cluster, la pianificazione dei lavori e la governance dei dati non sono sempre molto intuitivi all'inizio. Ci vuole un po' di tempo pratico prima di sentirsi completamente a proprio agio nel navigare e utilizzare tutto in modo efficiente. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Ciò che Databricks risolve veramente è il problema di gestire dati su larga scala senza rendere il processo eccessivamente complesso. In passato, lavorare con big data significava affrontare diversi strumenti, gestire l'infrastruttura e spendere molto tempo solo per impostare le cose. Databricks semplifica tutto ciò portando l'ingegneria dei dati, l'analisi e il machine learning in un unico posto, così l'attenzione si sposta più verso la risoluzione di problemi aziendali reali invece di gestire i sistemi. Affronta anche problemi di prestazioni e scalabilità. Quando si lavora con enormi volumi di dati, i sistemi tradizionali spesso faticano o rallentano. Databricks gestisce questo in modo efficiente in background, permettendo ai carichi di lavoro di scalare senza molto sforzo manuale. Per me, questo significa che posso elaborare grandi set di dati più velocemente ed eseguire trasformazioni o query senza preoccuparmi costantemente dell'ottimizzazione delle prestazioni. Un altro grande problema che risolve è la collaborazione e la gestione dei dati. In molti progetti, i team lottano con il controllo delle versioni, la gestione degli accessi e il mantenimento della coerenza dei dati. Databricks rende più facile collaborare, tracciare le modifiche e controllare chi può accedere a cosa. Questo mi aiuta a lavorare più agevolmente con gli altri, riduce gli errori e garantisce che i dati che sto utilizzando siano affidabili e ben governati. **Official Response from Janelle Glover:** > Siamo lieti di sapere che trovi Databricks una piattaforma completa ed efficiente per gestire i flussi di lavoro dei dati. Comprendiamo le tue preoccupazioni riguardo alla gestione dei costi e alla curva di apprendimento per i principianti, e condivideremo il tuo feedback con il nostro team per ulteriori revisioni. ### 31. Databricks unifica dati, analisi e ML per flussi di lavoro scalabili nel Lakehouse **Rating:** 5.0/5.0 stars **Reviewed by:** Harshavarthini G. | Data Architect, Enterprise (> 1000 dip.) **Reviewed Date:** March 31, 2026 **Cosa Le piace di più di Databricks?** Databricks è particolarmente utile perché riunisce ingegneria dei dati, analisi e machine learning in un'unica piattaforma unificata, riducendo la necessità di gestire più strumenti separati. Costruito su Apache Spark, può elaborare rapidamente enormi set di dati e scalare senza problemi man mano che i carichi di lavoro crescono, rendendolo una scelta forte per i casi d'uso di big data. Supporta anche notebook collaborativi dove i team possono lavorare insieme in linguaggi come Python e SQL, il che facilita la collaborazione efficace tra data scientist e ingegneri. Con la sua architettura lakehouse alimentata da Delta Lake, Databricks combina la flessibilità dei data lake con l'affidabilità dei data warehouse, contribuendo a garantire una migliore coerenza e prestazioni dei dati. Inoltre, si integra con strumenti come MLflow per semplificare il ciclo di vita del machine learning da un capo all'altro, dalla sperimentazione al deployment. In generale, Databricks semplifica i flussi di lavoro complessi dei dati, migliora le prestazioni e aiuta le organizzazioni a costruire soluzioni scalabili di dati e AI in modo più efficiente. **Cosa non Le piace di Databricks?** Databricks ha alcune limitazioni, anche se molte di esse sembrano più compromessi che veri e propri aspetti negativi. Un inconveniente frequentemente citato è il costo: sebbene la piattaforma sia flessibile e scalabile, le spese possono aumentare rapidamente se i cluster non vengono gestiti con attenzione. Allo stesso tempo, quel costo spesso riflette la sua capacità di gestire carichi di lavoro molto grandi in modo efficiente quando è ottimizzato correttamente. Un'altra considerazione è la curva di apprendimento, soprattutto per i principianti che non hanno familiarità con Apache Spark o i sistemi distribuiti. Quella complessità può essere impegnativa all'inizio, ma porta anche il vantaggio di potenti capacità una volta che ci si sente a proprio agio con essa. Alcuni utenti trovano anche che il debug e l'ottimizzazione delle prestazioni siano meno diretti rispetto a strumenti più semplici; tuttavia, Databricks offre funzionalità di monitoraggio e ottimizzazione dettagliate che possono rendere questi compiti più facili nel tempo. Infine, poiché è una piattaforma gestita, può esserci una sensazione di controllo ridotto rispetto ai sistemi completamente autogestiti. In cambio, elimina gran parte dell'onere operativo che deriva dalla gestione dell'infrastruttura. Nel complesso, sebbene queste aree possano essere viste come gli aspetti "meno utili", sono spesso bilanciate dalla scalabilità, integrazione e guadagni di produttività della piattaforma. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks aiuta a risolvere la sfida dei dati frammentati e dei flussi di lavoro disconnessi attraverso diversi settori aziendali fornendo una piattaforma unificata di lakehouse. Nel mio ruolo di ingegnere dei dati, questo mi permette di consolidare i dati da diverse fonti in un unico sistema affidabile utilizzando Apache Spark per l'elaborazione scalabile e Delta Lake per garantire la qualità e la coerenza dei dati. Questo riduce significativamente la complessità delle pipeline, migliora l'affidabilità e consente una consegna più rapida di dati puliti e governati ai team a valle. Di conseguenza, sono in grado di supportare i casi d'uso di analisi e apprendimento automatico in modo più efficiente, riducendo al minimo il sovraccarico operativo e migliorando la produttività complessiva dell'organizzazione. **Official Response from Janelle Glover:** > Grazie per aver condiviso le tue esperienze positive con Databricks. È fantastico sapere che la capacità della piattaforma di unire ingegneria dei dati, analisi e machine learning in un'unica piattaforma unificata sta beneficiando la tua organizzazione. Comprendiamo i compromessi e le sfide che hai menzionato e stiamo lavorando continuamente su queste parti della nostra piattaforma. ### 32. Databricks semplifica l'ETL end-to-end con Unity Catalog e il debugging potenziato dall'IA **Rating:** 4.5/5.0 stars **Reviewed by:** Dinesh Sundar S. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 30, 2026 **Cosa Le piace di più di Databricks?** Ciò che mi colpisce è come Databricks semplifichi il ciclo di vita ETL end-to-end. L'integrazione costante di nuove funzionalità nella piattaforma ha ridotto notevolmente l'attrito nell'acquisizione di dati da una vasta gamma di sistemi sorgente. Unity Catalog (UC) è stato anche un punto di svolta per l'amministrazione dei dati. Offre uno strato di governance centralizzato e robusto che rende la gestione di ambienti complessi molto più intuitiva e facile da controllare. Sono particolarmente colpito dagli aggiornamenti recenti guidati dall'AI. Genie Code è diventato una parte essenziale del mio flusso di lavoro; ha migliorato notevolmente la mia velocità di debug e si sta già dimostrando una risorsa preziosa nel mio attuale progetto di migrazione UC. Nel complesso, il modo in cui Databricks fonde l'ingegneria dei dati tradizionale con l'intelligenza assistita sembra davvero all'avanguardia. **Cosa non Le piace di Databricks?** Sebbene Auto Loader sia potente, ci sono ancora lacune notevoli nel Lakehouse Data Pipeline (LDP) riguardo all'inferenza dello schema. Al momento, quando inferSchema è abilitato, lo schema inferito si applica solo al primo livello della gerarchia. Nei dataset complessi con campi multi-nidificati, la mancanza di un'inferenza dello schema profonda crea un sovraccarico manuale e rende più difficile costruire e mantenere pipeline CDC in streaming. Lakeflow Connect sembra un passo nella giusta direzione, ma la libreria di connettori nativi sembra ancora incompleta rispetto ad alcuni concorrenti. E mentre le funzionalità AI (come Genie) sono promettenti e davvero interessanti, sembrano ancora essere in una fase di "sviluppo"—a volte mancano della coerenza necessaria per ambienti di produzione ad alto rischio. Mi piacerebbe vedere queste capacità evolvere da "extra innovativi" a strumenti robusti e pronti per la produzione. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Il Problema: Silos di Dati e Operazioni di Supporto Inefficienti In molte organizzazioni, la conoscenza istituzionale critica finisce per essere dispersa in sistemi disconnessi come MySQL (strutturato), Jira (transazionale) e Confluence (non strutturato). Quando le informazioni sono frammentate in questo modo, i team di supporto faticano a trovare risposte rapide e accurate per i ticket in arrivo. Il risultato è un MTTR (Tempo Medio di Risoluzione) più elevato e un sacco di sforzi manuali e ripetitivi. La Soluzione: Una "Piattaforma di Intelligenza" Unificata Databricks affronta questo problema fungendo da tessuto unico che connette questi silos. Nel mio lavoro, mi concentro sull'utilizzo del Lakehouse Data Pipeline (LDP) per ingerire e unificare queste diverse fonti in un unico ambiente governato. Come questo avvantaggia il mio progetto: Uso Databricks per un'ingestione senza soluzione di continuità, centralizzando i dati da MySQL, Jira e Confluence per costruire una "Base di Conoscenza" completa senza dover gestire strumenti ETL multipli e disparati. Mi affido anche all'integrazione nativa dell'IA. Con Mosaic AI Vector Search, posso convertire i dati unificati in embedding direttamente all'interno della piattaforma, il che mi consente di costruire un Agente di Automazione AI per il nostro sistema di ticketing. Infine, supporta la soluzione automatizzata. L'agente può eseguire il matching vettoriale sui ticket appena creati rispetto all'intera base di conoscenza storica e quindi proporre soluzioni accurate e contestualizzate agli ingegneri immediatamente. L'Impatto Il più grande vantaggio per noi è la velocità operativa. Databricks ha trasformato i nostri dati da un archivio passivo in un motore "intelligente" attivo. Riduce il tempo trascorso in ricerche manuali e ci aiuta ad automatizzare la prima linea di supporto, migliorando l'accuratezza delle risoluzioni dei ticket riducendo il carico sui nostri team tecnici. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Databricks! Siamo lieti di sapere che la semplificazione del ciclo di vita ETL end-to-end della nostra piattaforma e il Unity Catalog sono stati rivoluzionari per la tua amministrazione dei dati. Apprezziamo il tuo feedback sugli aggiornamenti guidati dall'AI e siamo entusiasti di sapere che Genie ha migliorato il tuo flusso di lavoro. Siamo impegnati a migliorare continuamente la nostra piattaforma per offrire un'esperienza lungimirante ai nostri utenti. ### 33. Databricks veloce e senza interruzioni per pipeline di Big Data e analisi in un unico posto **Rating:** 4.5/5.0 stars **Reviewed by:** Demetrius A. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 31, 2026 **Cosa Le piace di più di Databricks?** Quello che amo di più di Databricks è quanto tutto sia veloce e connesso. Rispetto ad altre piattaforme, gestisce pipeline di big data pesanti senza alcuna difficoltà. Ma la parte migliore è quanto sia facile utilizzare quei dati una volta elaborati. Che io debba costruire un rapido dashboard analitico o addestrare modelli di machine learning personalizzati specifici per i nostri dati, tutto si connette senza problemi. Elimina semplicemente il mal di testa di spostare i dati e ti permette di fare tutto in un unico posto. **Cosa non Le piace di Databricks?** Se dovessi scegliere cosa non mi piace, si riduce principalmente al costo e a quanto possa essere complesso. Innanzitutto, può diventare costoso molto rapidamente. Se non stai attento a gestire i tuoi cluster di calcolo e a spegnerli quando hai finito, le bollette possono aumentare senza che te ne accorga. In secondo luogo, a volte può sembrare eccessivo per compiti più semplici. Poiché è costruito per gestire grandi quantità di dati, dover scavare tra complicati registri di errore quando qualcosa si rompe può essere un vero mal di testa rispetto all'uso di strumenti più leggeri. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Il problema principale che Databricks mi aiuta a risolvere nella mia attività è la performance. Prima dovevamo aspettare ore affinché le pipeline venissero eseguite in ADF, e ora possiamo completarle in pochi minuti. **Official Response from Janelle Glover:** > Siamo entusiasti di sapere che trovi Databricks veloce e senza soluzione di continuità per gestire pipeline di big data e analisi. Comprendiamo le tue preoccupazioni riguardo ai costi e alla complessità, e stiamo lavorando continuamente per ottimizzare questi aspetti della nostra piattaforma per affrontare queste sfide. ### 34. Piattaforma ML Unificata Che Rimuove l'Atrito dell'Infrastruttura **Rating:** 5.0/5.0 stars **Reviewed by:** Hirlekha M. | AI/ ML Technical Lead, Mid-Market (51-1000 dip.) **Reviewed Date:** March 30, 2026 **Cosa Le piace di più di Databricks?** L'esperienza della piattaforma unificata è davvero difficile da battere: avere MLflow per il tracciamento degli esperimenti, Unity Catalog per la governance, la ricerca vettoriale e gli endpoint serverless tutti in un unico posto elimina gran parte dell'attrito infrastrutturale. Le pipeline di ingegneria delle caratteristiche e il deployment dei modelli sembrano coesi piuttosto che assemblati insieme. Il flusso di lavoro ibrido SQL warehouse + notebook rende anche facile il passaggio tra l'ingegneria dei dati e il lavoro di ML senza cambiare strumenti. **Cosa non Le piace di Databricks?** Gli endpoint serverless presentano alcune difficoltà — l'inizializzazione del contesto Spark si comporta diversamente rispetto ai cluster interattivi, il che può causare errori silenziosi se non si presta attenzione a dove si inizializzano le cose. La latenza di avvio a freddo sui serverless è anche evidente per gli endpoint di produzione a basso traffico. La documentazione su alcune delle funzionalità più recenti (come le configurazioni degli indici di ricerca vettoriale) tende a essere in ritardo rispetto al comportamento effettivo del prodotto, quindi si finisce per fare molti tentativi ed errori. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Utilizziamo Databricks per consolidare lo sviluppo di modelli di ML, l'ingegneria delle caratteristiche e il deployment per una piattaforma di carte e pagamenti — un lavoro che in precedenza richiedeva di destreggiarsi tra strumenti separati per l'elaborazione dei dati, l'addestramento e il servizio. L'ambiente unificato significa che i nostri ingegneri di ML possono passare dai dati di transazione grezzi a un modello di previsione del churn distribuito senza lasciare la piattaforma. Il tracciamento di MLflow mantiene gli esperimenti riproducibili e Unity Catalog ci fornisce la storia della governance dei dati di cui il nostro cliente bancario ha bisogno. Ha ridotto significativamente la quantità di coordinamento necessario che accompagna le pipeline di ML multi-strumento. **Official Response from Janelle Glover:** > È fantastico sapere come Databricks abbia semplificato i tuoi flussi di lavoro di ML e ridotto il sovraccarico di coordinamento. Apprezziamo il tuo feedback sui punti di accesso serverless e sulla documentazione, e ci impegneremo a risolvere questi problemi per migliorare la tua esperienza con la nostra piattaforma. ### 35. Lakebase: Alimentare i dati e l'IA insieme **Rating:** 5.0/5.0 stars **Reviewed by:** Ajay P. | Manager - Data, AI & Automation, Piccola impresa (50 o meno dip.) **Reviewed Date:** September 08, 2024 **Cosa Le piace di più di Databricks?** Utilizzo Lakebase all'interno di Databricks come base per le nostre soluzioni AI, dove modelli di dati e applicazioni lavorano insieme senza problemi. Lakebase fornisce una base dati unificata per costruire AI direttamente su dati coerenti e in tempo reale. Mi piacciono anche gli Agent Bricks in Databricks perché ci aiutano a costruire rapidamente agenti AI intelligenti e automatizzare i flussi di lavoro utilizzando quei dati. La facilità di configurazione è stata un grande vantaggio per noi, poiché è stato estremamente facile iniziare. **Cosa non Le piace di Databricks?** Agentbricks ha bisogno di un'integrazione più nativa per ridurre la configurazione manuale e accelerare l'automazione del flusso di lavoro. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks - Lakebase ci aiuta a unire dati e AI su un'unica piattaforma, riducendo la complessità ed evitando spostamenti di dati. Agent Bricks ci consente di costruire rapidamente agenti AI intelligenti e automatizzare i flussi di lavoro utilizzando dati in tempo reale. **Official Response from Jess Darnell:** > Siamo entusiasti di sapere che trovi Lakebase semplice da usare e ricco di funzionalità per lo sviluppo di pipeline di dati e AI. È fantastico sapere che è stato utile nell'implementazione di GenAI e nell'integrazione con diverse fonti tramite LakeFlow. ### 36. Da 1 Ora a 10 Minuti: Come Databricks Ha Modernizzato il Nostro Flusso di Lavoro **Rating:** 4.5/5.0 stars **Reviewed by:** Mukundan R. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 30, 2026 **Cosa Le piace di più di Databricks?** Usavamo ADF per ottenere dati da SQL Server e poi lavorarci su in Databricks prima di inserirli in Salesforce. L'intero processo richiedeva più di un'ora perché ADF aggiungeva lavoro extra. Ora tutto avviene all'interno di Databricks. Trasformiamo i dati grezzi in Databricks e li inseriamo in Salesforce tutto in un unico posto. Questo ha reso l'intero processo molto più veloce, ora richiede 10 minuti. Questo è un miglioramento rispetto a quello che avevamo con ADF. Delta Lake è stato anche davvero utile. Ci aiuta a tenere traccia dei cambiamenti e a tornare indietro se qualcosa va storto. Possiamo vedere cosa è successo prima. Correggere gli errori facilmente. Delta Lake assicura anche che i dati siano buoni prima di entrare nel pipeline. Impedisce ai dati di entrare e causare problemi successivamente in Salesforce. Questo rende l'intero processo più affidabile e più facile da gestire. **Cosa non Le piace di Databricks?** Databricks è davvero bravo in quello che fa.. A volte ci vuole un po' per avviare e far funzionare il cluster.. L'interfaccia utente è lenta a volte. Questo può essere fastidioso quando abbiamo fretta di fare le cose per Salesforce. I connettori Salesforce in Databricks possono essere un po' complicati da usare. Spesso devono essere configurati correttamente e non funzionano come ci aspettiamo. Questo significa che dobbiamo lavorare quando cerchiamo di risolvere i problemi o tenere d'occhio le pipeline, in Databricks per Salesforce. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Sta risolvendo i nostri problemi di prestazioni e affidabilità, permettendoci di estrarre, trasformare e caricare i dati in Salesforce tutto in un unico posto senza ADF. Questo flusso di lavoro unificato ha ridotto il nostro tempo di esecuzione da 1 ora a 10 minuti, permettendoci di completare i lavori più velocemente e aggiornare i dati di Salesforce in tempo. Con le funzionalità di delta lake come le transazioni ACID e il time travel, i nostri dati sono più accurati e più facili da recuperare quando qualcosa va storto. **Official Response from Janelle Glover:** > Siamo lieti di sapere che Databricks è stato in grado di migliorare significativamente il tuo flusso di lavoro riducendo il tempo di esecuzione. È fantastico sapere che Delta Lake è stato utile nel mantenere l'accuratezza dei dati e nel fornire opzioni di recupero più semplici. Comprendiamo le tue preoccupazioni riguardo al tempo di configurazione del cluster e alla velocità dell'interfaccia utente, così come le sfide con i connettori Salesforce. Apprezziamo il tuo feedback e lo condivideremo con il nostro team per ulteriori miglioramenti. ### 37. Databricks: Ricco di funzionalità, facile da usare e mantiene tutto in un'unica piattaforma **Rating:** 5.0/5.0 stars **Reviewed by:** Sivabalan A. | Technical Lead - Data Engineering, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Tra le varie piattaforme con cui ho lavorato, Databricks si distingue come un ambiente veramente coeso. Sembra meno un insieme di funzionalità scollegate e più uno spazio di lavoro unificato, uno che può evolversi insieme ai team che lo utilizzano. L'interfaccia è abbastanza intuitiva da abbassare la barriera d'ingresso, pur offrendo la profondità e la potenza necessarie per l'ingegneria pesante. Uno dei suoi punti di forza maggiori è come consolida il ciclo di vita dei dati. Riunendo ingegneria, data science e analisi SQL sotto un unico tetto, aiuta a dissolvere i silos che spesso portano a "data drift" e incomprensioni tra i dipartimenti. In pratica, semplifica anche l'infrastruttura sottostante, sostituendo una dozzina di strumenti specializzati (e talvolta in conflitto) con una singola, più chiara fonte di verità. Oltre a "mantenere le cose pulite", la piattaforma brilla anche quando si tratta di trasparenza collaborativa. Con notebook ed esperimenti condivisi in tempo reale, il divario tra un'idea iniziale sui dati e un modello pronto per la produzione può essere drasticamente ridotto. Inoltre, il suo impegno per gli standard aperti come Delta Lake significa che non sei rinchiuso in una scatola nera proprietaria: stai costruendo su una base che si allinea con la direzione della comunità dei dati più ampia. Nel complesso, raggiunge un raro equilibrio: un involucro raffinato e facile da usare attorno ad alcuni dei motori di calcolo distribuito più potenti disponibili oggi. **Cosa non Le piace di Databricks?** La suddivisione del "Grande Compito" Quando Genie elabora un grande volume di dati, spesso finisce per inviare una grande quantità di JSON al browser in modo che possa rendere quelle tabelle e visualizzazioni. Sovraccarico di memoria: I browser (e in particolare Chrome) possono essere veri divoratori di memoria. Se una risposta di Genie include un set di risultati molto grande o un piano di esecuzione massiccio, l'uso della RAM può aumentare rapidamente, il che può portare a quel familiare blocco "Non Risponde". Il ritardo del "DOM": Ogni riga in una tabella e ogni linea di codice diventa un elemento che il browser deve tenere traccia. Mentre scorri o digiti, il browser deve ridisegnare migliaia di questi elementi. Quando il compito è troppo grande, il thread principale del browser può rimanere bloccato nel rendering, e la tua digitazione inizia a sembrare che sia in ritardo di qualche secondo. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Hai centrato il motivo principale per cui Databricks sta conquistando così tanti team di dati: stanno riducendo la "tassa di integrazione". Nella maggior parte delle aziende, puoi facilmente perdere circa il 30% del tuo tempo solo spostando dati tra lo strumento di "archiviazione", lo strumento di "elaborazione" e lo strumento di "BI". La Dashboard AI/BI è un ottimo esempio di questo cambiamento più ampio: da una "collezione di strumenti" a una piattaforma più unificata. Ciò che è iniziato come un semplice livello di visualizzazione si è evoluto in un sistema "Compound AI". Ecco come è diventato così utile: L'integrazione "Ask Genie": Non sei più limitato a fissare un grafico statico. A partire dal 2026, ogni dashboard pubblicata include di default un pulsante "Ask Genie". Se un stakeholder nota un picco in un grafico a linee, non deve chiamarti; può fare clic con il tasto destro sul grafico e chiedere, "Genie, perché questo calo di martedì?" e utilizzerà la modalità Agente per rintracciare il responsabile. Velocità diretta al magazzino: Poiché vive all'interno di Databricks, non c'è bisogno di "estrarre" dati su un server BI separato. Interroga i dati dove già risiedono (Unity Catalog), il che significa che la dashboard rimane aggiornata come l'ultima esecuzione ETL. Creazione assistita dall'AI: Puoi costruire interi widget semplicemente descrivendo ciò che desideri. Invece di trascinare campi, puoi digitare, "Mostrami un grafico a imbuto della nostra conversione di vendite per regione," e genera il SQL e la visualizzazione per te. Governance profonda: Poiché è integrato, le tue politiche di sicurezza (sicurezza a livello di riga, tag) seguono automaticamente i dati. Non devi ricreare permessi in uno strumento separato come Tableau o Power BI. **Official Response from Janelle Glover:** > Grazie per aver evidenziato i vantaggi di Databricks nella riduzione della "tassa di integrazione" e nell'ottimizzazione del movimento dei dati tra strumenti di archiviazione, elaborazione e BI. Siamo lieti di sapere quanto il Dashboard AI/BI e Genie siano stati preziosi nel fornire velocità diretta al magazzino e nella creazione assistita dall'AI. ### 38. Codice Genie di Databricks - AI applicata agentica per il ciclo di vita SDL end-to-end **Rating:** 4.5/5.0 stars **Reviewed by:** Senthil K. | Senior Cloud Solution Architect - Accenture Data & AI (Applied Intelligence), Enterprise (> 1000 dip.) **Reviewed Date:** October 03, 2023 **Cosa Le piace di più di Databricks?** Codice Genie 1) Il Codice Genie ha automatizzato i nostri processi ETL, riducendo lo sforzo manuale e aumentando l'efficienza. Con l'SDL di Agentic, abbiamo implementato pipeline CI/CD per aggiornamenti e distribuzioni più rapidi e senza interruzioni. 2) Il Codice Genie ha semplificato le complesse mappature STTM, migliorando l'accuratezza e la velocità. Gli aggiornamenti in tempo reale di Agentic hanno garantito che le regolazioni delle mappature fossero effettuate dinamicamente per allinearsi ai dati delle transazioni in cambiamento. 3) Abbiamo definito test unitari automatizzati utilizzando SKILL.md, garantendo che le trasformazioni dei dati siano validate prima della distribuzione. Questo ha ridotto gli errori e garantito la qualità dei dati, aumentando la fiducia nelle nostre analisi. 4) Utilizzando Skills.md, abbiamo aggiunto estensioni personalizzate al Codice Genie, come l'integrazione di dati di terze parti per report arricchiti. Questa agilità ci ha permesso di adattarci rapidamente alle esigenze aziendali e di fornire nuove capacità. 5) L'SDL di Agentic ha abilitato l'elaborazione dei dati in tempo reale, fornendo analisi immediate per il processo decisionale. I nostri team di marketing e vendite ora agiscono su dati freschi istantaneamente, migliorando i tempi di risposta e l'efficienza complessiva. **Cosa non Le piace di Databricks?** Spero che possa essere migliorato nel prossimo aggiornamento - Il debug dei problemi nei flussi di lavoro complessi può richiedere molto tempo a causa della visibilità limitata nelle trasformazioni dei dati intermedie. Genie Code manca di meccanismi avanzati di recupero degli errori, rendendo difficile la gestione dei fallimenti nei pipeline di dati su larga scala. Con l'aumento del volume dei dati, le prestazioni di Genie Code possono degradarsi, richiedendo significative regolazioni manuali per garantire un funzionamento fluido su larga scala. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** 1) Elaborazione scalabile - Basato sull'architettura di Databricks basata su Spark, Genie Code gestisce ed espande efficacemente l'elaborazione di set di dati massicci, garantendo prestazioni anche con volumi di dati in aumento. 2) Genie Code automatizza i flussi di lavoro ETL end-to-end, dall'estrazione dei dati alla trasformazione e al caricamento, semplificando le operazioni sui dati ed eliminando le attività manuali. 3) Collaborazione in tempo reale - Genie Code consente la collaborazione in tempo reale tra i team utilizzando notebook condivisi, facilitando ai professionisti dei dati la costruzione e il perfezionamento collettivo dei flussi di lavoro. **Official Response from Aunalisa Arellano:** > È fantastico sapere che la piattaforma di intelligenza dei dati di Databricks ti sta aiutando con la piattaforma unificata di lakehouse, l'orchestrazione dei flussi di lavoro, le integrazioni e la condivisione dei dati. Siamo impegnati a fornire soluzioni che soddisfino le esigenze della tua azienda. ### 39. Piattaforma Unificata di Databricks: SQL Veloce, Pipeline Semplificate e AI Consapevole del Contesto **Rating:** 5.0/5.0 stars **Reviewed by:** Deeraj R. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** L'esperienza della piattaforma unificata è ciò che mi tiene su Databricks. Avere notebook, pipeline, magazzini SQL, ML e governance tutto in un unico posto sotto Unity Catalog significa che non devo costantemente mettere insieme cinque strumenti diversi solo per portare a termine il lavoro. Lakeflow Pipelines (precedentemente DLT) rende semplice costruire pipeline con architettura a medaglione, e il motore Photon offre veri guadagni di prestazioni sui carichi di lavoro SQL senza richiedere modifiche al codice. Aggiunte recenti come Genie Code e agenti in background dimostrano anche che prendono sul serio l'AI agentica—non sembra un copilota aggiunto, perché può effettivamente comprendere il contesto dei tuoi dati attraverso Unity Catalog. Il calcolo serverless è stato un altro grande miglioramento della qualità della vita, poiché non devo più aspettare l'avvio del cluster quando voglio solo eseguire query rapide e ad hoc. **Cosa non Le piace di Databricks?** La gestione dei costi può essere complicata: le DBU si accumulano rapidamente se non si presta attenzione alle dimensioni del cluster e all'auto-scaling del magazzino. Il modello di prezzo non è sempre trasparente, specialmente quando si mescolano calcoli serverless e classici. Unity Catalog è potente, ma la configurazione iniziale e la migrazione dall'HMS legacy possono essere dolorose, in particolare per le grandi organizzazioni con anni di oggetti del metastore Hive esistenti. La documentazione è generalmente buona, ma a volte è in ritardo rispetto al rilascio di nuove funzionalità. Inoltre, l'interfaccia utente del workspace può sembrare lenta a volte, specialmente quando si lavora con un gran numero di asset. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Prima di Databricks, il nostro stack di dati era frammentato: strumenti separati per ETL, analisi, ML e governance. Ciò significava un costante cambio di contesto, dati duplicati e lacune nella governance. Databricks consolida tutto questo in un'unica piattaforma lakehouse. Delta Lake ci offre transazioni ACID affidabili sul data lake, Unity Catalog gestisce la tracciabilità e il controllo degli accessi in tutto il sistema, e i magazzini SQL permettono ai nostri analisti di essere autonomi senza bisogno di un prodotto di data warehouse separato. Ha ridotto significativamente il tempo di sviluppo delle pipeline e ha reso la governance dei dati qualcosa che possiamo effettivamente applicare in modo coerente invece di sperare per il meglio. **Official Response from Janelle Glover:** > Siamo lieti di sapere che stai apprezzando l'esperienza della piattaforma unificata e trovando valore nei Lakeflow Pipelines, nel motore Photon e nel Genie Code. Comprendiamo le tue preoccupazioni riguardo alla gestione dei costi e alla trasparenza dei prezzi, così come le sfide con la configurazione iniziale e l'interfaccia utente del workspace. Il tuo feedback è prezioso e sarà condiviso con il nostro team per ulteriori miglioramenti. ### 40. Piattaforma Databricks All-in-One con Forte Governance, Prestazioni Veloci di Spark e Genie **Rating:** 5.0/5.0 stars **Reviewed by:** Sabareeswara S. | Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** La piattaforma all-in-one elimina la dispersione degli strumenti. Unity Catalog ti offre governance, tracciabilità e possibilità di scoperta senza dover aggiungere un catalogo separato. L'interfaccia del notebook è pulita e rende veloce l'iterazione su PySpark. Genie è la caratteristica AI di spicco: trasforma tabelle curate in interfacce in linguaggio naturale per gli utenti aziendali, e l'SDK ti permette di configurarlo in modo programmatico affinché rimanga manutenibile. DLT gestisce bene l'orchestrazione delle pipeline. Le prestazioni sui carichi di lavoro Spark sono solide, specialmente con Photon. Le integrazioni con Airflow, S3 e l'ecosistema più ampio sono semplici. Per il ROI, consolidare ciò che richiedeva più strumenti in una sola piattaforma si ripaga da sé in termini di riduzione della complessità. **Cosa non Le piace di Databricks?** Il prezzo può essere difficile da prevedere. I costi di calcolo aumentano rapidamente se non si presta attenzione alle dimensioni del cluster e alla selezione degli SKU, e non è sempre ovvio quale livello di carico di lavoro sia effettivamente necessario fino a quando non si vede la fattura. L'IDE del notebook, sebbene funzionale, è ancora indietro rispetto a un vero editor per il refactoring, la navigazione multi-file e i flussi di lavoro di revisione del codice. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** La consolidazione degli strumenti è la più grande. Prima, avresti bisogno di sistemi separati per l'ingestione, la trasformazione, l'archiviazione, la governance e la distribuzione, ciascuno con la propria curva di apprendimento, sovraccarico di manutenzione e problemi di integrazione. Databricks collassa tutto questo in un'unica piattaforma. Unity Catalog risolve il problema della governance dei dati fornendoti tracciabilità, controllo degli accessi e possibilità di scoperta in un unico posto invece di gestire i permessi attraverso sistemi disconnessi. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Databricks! Siamo lieti di sapere che trovi utili Delta Live Tables, Unity Catalog e Genie. Apprezziamo anche il tuo feedback sui prezzi e condivideremo i tuoi commenti con il nostro team. ### 41. Databricks continua a rimuovere gli ostacoli con una forte governance e strumenti di intelligenza artificiale intuitivi **Rating:** 4.5/5.0 stars **Reviewed by:** Praveenkumar S. | Solutions Architect, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come le sue funzionalità abbiano costantemente soddisfatto le esigenze in evoluzione dei team di ingegneria. Nel corso degli anni, l'ho visto crescere da una solida piattaforma dati a uno spazio di lavoro che semplifica realmente il modo in cui costruiamo e gestiamo soluzioni di dati e AI. Unity Catalog è stato uno dei miglioramenti più grandi per noi: avere un unico posto per gestire permessi e lineage ha eliminato molti passaggi manuali che eravamo soliti gestire separatamente tra i sistemi. Genie AI e BI sono diventati parte del mio flusso di lavoro regolare; poter generare SQL o esplorare dataset attraverso conversazioni naturali aiuta i team a ottenere risposte più velocemente, specialmente quando siamo sotto pressione. La capacità Apps ha aggiunto un valore inaspettato permettendoci di creare e condividere strumenti interni semplificati direttamente all'interno della piattaforma, eliminando la necessità di creare infrastrutture aggiuntive. E con Lakebase, siamo stati in grado di supportare più casi d'uso in stile transazionale senza perdere la flessibilità di un lago, il che ha reso alcune pipeline molto più facili da mantenere. Complessivamente, questi miglioramenti hanno rimosso molta frizione dal lavoro quotidiano e hanno reso la piattaforma qualcosa che mi piace davvero usare mentre continua a evolversi. **Cosa non Le piace di Databricks?** Quello che non mi piace di Databricks è che alcune delle nuove esperienze di intelligenza artificiale, in particolare Genie per la generazione di codice, possono sembrare instabili a volte e possono perdere il contesto durante sessioni di sviluppo più lunghe. Interrompe il mio flusso di lavoro quando l'assistente non riesce a mantenere la logica precedente o a mantenere la continuità attraverso più iterazioni. Ho anche notato una lacuna nei connettori nativi per alcuni sistemi aziendali come DFS, condivisioni SMB o sistemi sorgente basati su Windows, e piattaforme come DB2 su AS/400, su cui molti clienti fanno ancora affidamento. Anche se Databricks continua ad espandere il suo ecosistema, la mancanza di connettività diretta in queste aree spesso significa che abbiamo bisogno di middleware aggiuntivo o pipeline personalizzate per colmare il divario. Nessuno di questi è un ostacolo insormontabile, ma sono aree in cui l'esperienza altrimenti fluida della piattaforma può ancora sembrare un po' incompleta. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks ci ha aiutato a risolvere diverse sfide di lunga data nel modo in cui gestiamo e forniamo dati e AI. Prima di adottare le sue capacità più recenti, ci trovavamo ad affrontare una governance frammentata, dataset duplicati e un grande sforzo manuale per mantenere coerenti permessi e lineage tra diversi sistemi. Unity Catalog ha migliorato questo aspetto offrendoci un unico luogo per gestire la sicurezza e la proprietà, riducendo la confusione tra i team e diminuendo notevolmente il lavoro di rifacimento durante gli audit. Inoltre, spendevamo una quantità significativa di tempo ad aiutare i team a esplorare i dati o a redigere query. Con Genie AI e BI, ora possono generare SQL, riassunti e approfondimenti visivi in modo più indipendente. Di conseguenza, il tempo dalla domanda a una risposta utilizzabile si è ridotto, specialmente quando lavoriamo sotto cicli di consegna stretti. Un altro punto dolente era costruire piccoli strumenti interni attorno ai nostri dati. Configurare infrastrutture separate o ambienti di hosting creava un sovraccarico non necessario. Con Databricks Apps, ora possiamo costruire e condividere questi strumenti all'interno della piattaforma stessa, il che risparmia tempo di configurazione e riduce la manutenzione continua. Infine, abbiamo avuto difficoltà a supportare carichi di lavoro che necessitavano sia della flessibilità di un lago che dell'affidabilità di un database. Lakebase ha aiutato a colmare quel divario consentendo operazioni in stile transazionale direttamente sui nostri dati del lago, il che ha semplificato diverse pipeline e ridotto il numero di sistemi che dobbiamo mantenere. Nel complesso, Databricks ci ha spostato dal gestire più strumenti disconnessi a lavorare in un ambiente più unificato e prevedibile. Questo cambiamento ha accelerato la consegna, ridotto il sovraccarico operativo e migliorato la chiarezza dei nostri flussi di lavoro. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Databricks! Siamo entusiasti di sapere che la nostra piattaforma è stata in grado di soddisfare costantemente le esigenze in evoluzione dei tuoi team di ingegneria e di semplificare le tue soluzioni di dati e AI. Apprezziamo il tuo feedback su Unity Catalog, Genie e Lakebase, e siamo impegnati a migliorare e far evolvere continuamente la nostra piattaforma per offrire un'esperienza utente fluida e piacevole. ### 42. Esplorazione dati self-service veloce e governata con Databricks Genie **Rating:** 3.5/5.0 stars **Reviewed by:** Yuvashree M. | Senior Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Come data engineer, utilizzo Databricks Genie per interagire con i dati in linguaggio naturale, pur continuando a fare affidamento sugli stessi tavoli governati, metriche e modelli semantici che il mio team ha costruito. Invece di passare direttamente ai notebook SQL per ogni richiesta esplorativa, io o gli utenti aziendali possiamo formulare domande in linguaggio semplice e lasciare che Genie le traduca in query strutturate e consapevoli del catalogo. Questo mantiene il self-service veloce ma anche sicuro e governato. **Cosa non Le piace di Databricks?** Stabilità del laptop durante il multitasking Il mio laptop può bloccarsi o diventare visibilmente lento quando lavoro con più schede e dashboard di Genie contemporaneamente, specialmente durante query più pesanti o visualizzazioni più impegnative. Questo danneggia l'esperienza utente complessiva e può rallentare lo sviluppo iterativo e l'analisi. Latenza con modelli di dati complessi Con schemi molto ampi o modelli semantici più complessi, Genie a volte seleziona join subottimali o un livello di granularità eccessivamente ampio/stretto. Di conseguenza, devo ancora rivedere l'SQL generato e ottimizzarlo da solo. In questo senso, rimane un assistente utile piuttosto che un motore di query completamente autonomo. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** In un progetto recente, l'azienda voleva capire un calo nel valore a vita del cliente (CLV) in una regione specifica. Un product manager ha utilizzato Genie per esplorare le tendenze del CLV per regione e coorte, escludendo i rimborsi, direttamente da una dashboard AI/BI. Da quella conversazione, ho catturato la logica principale, l'ho integrata in una pipeline Delta Live Table e l'ho programmata come un lavoro ricorrente. Questo ha ridotto le richieste ad hoc di circa il 30-40% e ha permesso un accesso continuo e autonomo alle informazioni sul CLV mentre mi concentravo sull'ottimizzazione delle prestazioni e delle regole di qualità dei dati. Nel complesso, Genie mi aiuta a dialogare con i miei dati in linguaggio naturale, migliora la rapidità con cui scopriamo le informazioni e supporta migliori pratiche di qualità dei dati—anche se lavorare su molte schede supportate da Genie può affaticare l'hardware locale e talvolta rallentare il flusso di lavoro. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con l'utilizzo di Genie per l'esplorazione autonoma dei dati. Ci scusiamo per i problemi di stabilità e latenza che hai notato. Il nostro team sta lavorando attivamente per affrontare queste preoccupazioni e migliorare l'esperienza utente. ### 43. Databricks Genie gestisce le migrazioni di Unity Catalog con una guida contestuale **Rating:** 4.0/5.0 stars **Reviewed by:** Nandhini E. | Senior Data Architect, Enterprise (> 1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** La comprensione contestuale di Unity Catalog da parte di Databricks Genie è davvero impressionante. Durante una complessa migrazione di UC, navigando tra namespace a tre livelli, percorsi di volume, modalità di sicurezza ed esecuzione SQL guidata da widget, Genie ha ragionato sui dettagli invece di ricorrere a risposte generiche. Parla davvero il linguaggio della migrazione UC, il che riduce notevolmente il botta e risposta e rende la risoluzione dei problemi più diretta. In generale, la piattaforma è potente per gestire il lavoro di ingegneria dei dati su larga scala attraverso pipeline basate su Python, Scala e notebook, tutto in un unico posto. **Cosa non Le piace di Databricks?** La mia più grande frustrazione con Genie è la mancanza di memoria persistente della sessione. In un progetto di migrazione a lungo termine con oltre 60 casi di test e molteplici componenti interconnessi, dover ristabilire il contesto ad ogni sessione crea un vero sovraccarico. Genie ha anche difficoltà con il ragionamento tra componenti: gestisce bene i singoli notebook, ma tracciare problemi attraverso più livelli di un framework è ancora in gran parte uno sforzo manuale. Occasionalmente, le risposte sembrano eccessivamente caute quando ciò che è necessario è una risposta più diretta e sicura. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Stiamo usando Databricks per eseguire una migrazione completa di Unity Catalog per un ampio framework di ingestione automatizzato, spostandoci dal vecchio Hive Metastore e aggiornando anche l'ambiente di runtime. Databricks fornisce una piattaforma unificata dove il lavoro di migrazione, il testing e la validazione possono avvenire tutti in un unico posto. Durante il testing, Genie in particolare ha aiutato ad accelerare l'analisi delle cause principali, ad esempio, ha individuato perché un notebook di estrazione dati non riusciva a risolvere i riferimenti alle tabelle gestite da UC e ha identificato che l'aggiunta di un'istruzione USE CATALOG era la soluzione. Quel tipo di assistenza mirata e consapevole del contesto riduce direttamente il tempo di indagine durante migrazioni complesse. **Official Response from Janelle Glover:** > È fantastico sapere che Databricks sta aiutando a semplificare i tuoi processi di migrazione e test di Unity Catalog. Apprezziamo il tuo esempio specifico di come l'assistenza contestuale di Genie abbia direttamente ridotto il tempo di indagine durante migrazioni complesse. Apprezziamo anche il tuo feedback sull'efficienza e prenderemo in considerazione i tuoi commenti per miglioramenti futuri. ### 44. Guidare l'innovazione dell'IA e dei dati con una piattaforma unificata di Databricks **Rating:** 4.5/5.0 stars **Reviewed by:** Ajay Kumar P. | Associate Consultant-Data Engineer, Piccola impresa (50 o meno dip.) **Reviewed Date:** August 09, 2023 **Cosa Le piace di più di Databricks?** Uso Databricks per ETL, Reporting e AI, e apprezzo che funzioni come una soluzione unificata per tutte le esigenze di dati e AI. Rende più facile tracciare i dati e creare approfondimenti, aiutandoci a gestire i silos di dati. Mi piace il Unity Catalog perché ci aiuta a gestire e governare i dati in un unico posto. Mi piace anche usare AgentBricks come sistema multi-agente per creare applicazioni AI da PDF e altri documenti. Trovo Genie prezioso perché permette agli utenti aziendali di fare domande in linguaggio naturale e ottenere risposte esatte. L'installazione iniziale di Databricks è stata molto facile, rendendo la transizione fluida. **Cosa non Le piace di Databricks?** Penso che il flusso di lavoro potrebbe essere migliorato aggiungendo più trigger allo stesso pipeline, poiché al momento, se vogliamo programmare lo stesso pipeline più volte al giorno, dobbiamo clonarlo per ogni volta. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Utilizzo Databricks per eliminare i silos di dati e rendere facile il tracciamento dei dati e la creazione di approfondimenti. Unity Catalog gestisce la governance dei dati, AgentBricks sviluppa applicazioni AI e Genie fornisce risposte utilizzando il linguaggio naturale su dati strutturati. **Official Response from Aunalisa Arellano:** > Siamo entusiasti di sapere che la piattaforma Databricks Intelligence sta fornendo valore affrontando i problemi di governance dei dati e semplificando la gestione dei dati. Il tuo feedback sulla necessità di flussi di lavoro più robusti è stato preso in considerazione, e siamo impegnati a migliorare continuamente la nostra piattaforma per soddisfare meglio le esigenze di Data Engineer, ML Engineer e Analisti. ### 45. La modalità agente di Genie Code ha reso la nostra migrazione a Databricks veloce e accurata. **Rating:** 4.0/5.0 stars **Reviewed by:** Dharun T. | Senior Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 26, 2026 **Cosa Le piace di più di Databricks?** Genie Code (Agente Assistente di Databricks) — Attualmente sto lavorando alla migrazione dei carichi di lavoro esistenti da ADF e SQLMI a Databricks. Come parte di questo, devo convertire le stored procedure e i flussi di dati ADF in notebook Databricks. Inizialmente, abbiamo rifattorizzato tutto il codice manualmente, ma una volta che la Modalità Agente è stata disponibile in anteprima, abbiamo provato a usarla per convertire le stored procedure e i flussi di dati in codice PySpark di Databricks. Sono rimasto impressionato dalla precisione: ha gestito circa il 90% della conversione del codice senza errori, a parte alcuni aggiustamenti di gestione dei casi e simili. Inoltre, Lakeflow Connect mi ha aiutato a collegare i dati di SharePoint e SFTP a Databricks più facilmente. **Cosa non Le piace di Databricks?** Non è un problema grave, ma nel mio progetto il cliente ci ha chiesto di generare descrizioni di tabelle e colonne utilizzando l'IA in Unity Catalog. Per ogni ambiente, queste descrizioni variano, e ho circa 300 tabelle solo nella zona Bronze. Dover cliccare su ogni tabella e generare descrizioni AI una per una richiede molto tempo, e i risultati non sono coerenti tra gli ambienti. Sarebbe molto più efficiente se avessimo un'opzione per generare descrizioni a livello di schema, e se ci fossero uno schema informativo o tabelle di sistema che memorizzassero le descrizioni di tabelle e colonne come metadati. In questo modo, potremmo facilmente replicarle tra gli ambienti. In alcuni casi, i clienti hanno anche documentazione del sistema sorgente che potremmo sfruttare per generare descrizioni di tabelle e colonne più accurate. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Uno dei miei scenari principali era migrare tutte le procedure memorizzate esistenti e i flussi di dati ADF nei notebook di Databricks. Farlo manualmente ha richiesto più di 6 ore per completare sia lo sviluppo che la validazione. Successivamente, abbiamo utilizzato Agent Mode Preview e convertito oltre 80 procedure memorizzate di media/alta complessità e oltre 20 flussi di dati ADF in notebook di Databricks. Questo ha risparmiato più di 100 ore e ha anche generato script di validazione per ciascuna tabella per completare i test unitari. Oltre all'Agent Assistant, abbiamo anche utilizzato un volume esterno. In precedenza, ci affidavamo alla libreria Azure per l'elaborazione dei file nello storage ADLS, ma abbiamo incontrato problemi di limitazione della velocità, non potevamo elaborare in parallelo e a volte il lavoro si interrompeva. Dopo aver creato un volume esterno puntato al contenitore ADLS richiesto, abbiamo ottenuto un'elaborazione parallela e letture e scritture più veloci, invece di utilizzare codice Python personalizzato. **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Genie e Lakeflow Connect in Databricks! Siamo felici di sapere che ha reso il tuo processo di migrazione veloce e accurato. ### 46. Databricks: Una Vera Piattaforma Unificata di Analisi e AI Che Aumenta Velocità e Affidabilità **Rating:** 5.0/5.0 stars **Reviewed by:** Amit D. | Data Architect, Enterprise (> 1000 dip.) **Reviewed Date:** March 26, 2026 **Cosa Le piace di più di Databricks?** Quello che mi piace di più di Databricks è come finalmente abbia realizzato ciò che ogni ingegnere dei dati/professionista dei dati desiderava: una vera piattaforma unificata di analisi e AI. Ricordo di aver lavorato con cinque strumenti diversi solo per ottenere una singola pipeline dall'ingestione al reporting. Databricks ha unificato tutto in un unico ambiente, e questo ha cambiato tutto per me. Delta Lake è stato il primo grande passo avanti. Quando è arrivato intorno al 2020, le transazioni ACID e il time-travel hanno immediatamente eliminato il dolore operativo che consideravamo "normale". Se un lavoro corrompeva una tabella, potevo tornare a una versione precedente in pochi secondi invece di passare ore a ripristinare i backup. Solo quella affidabilità ha evitato molteplici fallimenti a valle. Prima che Delta esistesse, le nostre pipeline si basavano pesantemente su modelli di sovrascrittura perché non c'era un modo affidabile per applicare aggiornamenti o gestire in sicurezza i dati in arrivo in ritardo. Le sovrascritture erano lente, costose e rischiose — specialmente per tabelle grandi. Un singolo fallimento durante la sovrascrittura poteva lasciare la tabella in uno stato incoerente e parzialmente scritto. L'elaborazione richiedeva più tempo, i costi di calcolo aumentavano e il recupero spesso significava ricostruire manualmente le partizioni da zero. Il ROI è diventato evidente non appena abbiamo utilizzato Databricks end-to-end. Poiché una piattaforma gestisce ingestione → trasformazione → ML → BI → governance, abbiamo ritirato intere categorie di strumenti legacy e ridotto drasticamente il sovraccarico operativo. Poi è arrivato Genie — e ha trasformato davvero il mio lavoro quotidiano. Una volta avevo bisogno di un modulo PySpark per i controlli di qualità dei dati. Genie ha generato la logica completa — controlli nulli, validazione dello schema, aggregazioni — in pochi secondi. Invece di passare 30 minuti a scrivere codice di base, ho passato 3 minuti a perfezionare la logica. Ha spostato il mio focus dalla sintassi alle decisioni. Le integrazioni sono un altro punto di forza. Collegare Databricks a S3, SQL Server e soprattutto Power BI è stato senza soluzione di continuità. Pubblicare tabelle Delta direttamente nei modelli BI ha eliminato la necessità di estratti fragili e ha accelerato gli aggiornamenti. Unity Catalog ha reso tutto ancora più pulito con permessi e lineage coerenti. Le prestazioni sono costantemente forti quando conta — join pesanti, funzioni di finestra, pipeline multi-stage o carichi di lavoro in streaming. Il calcolo serverless inizia istantaneamente e i carichi di lavoro si scalano in modo prevedibile anche sotto pressione. Infine, l'onboarding mi ha sorpreso. Funzionalità come il calcolo serverless, le query in linguaggio naturale, i suggerimenti di codice generati dall'AI e i commenti automatici rendono Databricks intuitivo anche per gli ingegneri nuovi a Spark. Sembra che la piattaforma ti aiuti attivamente a imparare. In breve: Databricks mi permette di lavorare più velocemente, recuperare istantaneamente, integrare senza problemi e scalare con fiducia — tutto in un unico posto. È la rara piattaforma che migliora sia la velocità che l'affidabilità allo stesso tempo. **Cosa non Le piace di Databricks?** Ciò che mi piace meno di Databricks è la visibilità e la prevedibilità dei costi. Anche come ingegnere esperto, può essere difficile ottenere una visione chiara e in tempo reale di quanto costerà un flusso di lavoro prima di eseguirlo. Photon vs. runtime standard, comportamento di autoscaling, operazioni pesanti di shuffle, DBU: questi possono accumularsi rapidamente e le sorprese sui costi accadono a meno che non si monitori e si ottimizzi attivamente tutto. Una semplice configurazione errata della pipeline può raddoppiare silenziosamente la tua spesa. Un'altra sfida è il ritmo rapido di nuove funzionalità e cambiamenti. Databricks innova incredibilmente velocemente, il che è fantastico, ma significa anche che le funzionalità possono arrivare prima che la documentazione, le migliori pratiche o i modelli di governance siano completamente maturi. A volte la funzionalità si comporta diversamente tra runtime o fornitori di cloud, e rimanere aggiornati su tutto richiede un apprendimento continuo e un refactoring. Questo può creare attriti nel team e debito tecnico. In breve: Databricks è eccezionale, ma il modello di costo non è sempre trasparente e il rapido rilascio delle funzionalità può introdurre complessità operative che i team devono gestire attivamente. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Business: Prima di adottare Databricks, il nostro ambiente di analisi aerospaziale — in particolare per quanto riguarda il monitoraggio della salute dei motori dei clienti — soffriva degli stessi problemi che molte organizzazioni ingegneristiche tradizionali affrontano. Avevamo più sistemi disconnessi che gestivano l'ingestione di telemetria, l'elaborazione dei codici di errore, l'analisi della flotta e la previsione della manutenzione. I dati dai sensori del motore (FADEC, vibrazioni, termiche, sistemi di olio) arrivavano in formati diversi e richiedevano un pesante lavoro manuale solo per normalizzare. Le pipeline si basavano su riscritture complete perché la nostra configurazione legacy non supportava aggiornamenti o dati in ritardo, il che rendeva l'elaborazione lenta e costosa. Abbiamo lottato con l'ingestione lenta della telemetria del motore, set di dati incoerenti tra i team di ingegneria e lunghi tempi di risposta per i modelli di rilevamento delle anomalie. Sfida architettonica: Prima di utilizzare Databricks, operavamo in un panorama di dati frammentato. Avevamo più sistemi, livelli di archiviazione disconnessi e una forte dipendenza da lavori ETL basati su riscritture perché la nostra vecchia piattaforma dati non poteva supportare aggiornamenti, dati in ritardo o garanzie ACID. Ciò significava che le pipeline erano lente, soggette a errori e costose. Il rollback di dati errati poteva richiedere ore e le incoerenze dei dati tra i team erano comuni. Abbiamo lottato con sistemi isolati, pipeline lente, dati inaffidabili e alti costi operativi. Abbiamo lottato con riscritture manuali e dati incoerenti — ma ora possiamo usare Delta Lake con ACID e time-travel, che ha portato a: Rollback istantaneo da scenari di corruzione dei dati Elaborazione incrementale affidabile invece di riscritture complete Dati coerenti consumati tra team di ingegneria, BI e ML Questo ha ridotto la nostra finestra di elaborazione della pipeline di telemetria da ore a meno di 30 minuti per un batch giornaliero a livello di flotta. Abbiamo lottato con più strumenti e architetture duplicate — ma ora abbiamo un unico Lakehouse unificato, che ha portato a: Una piattaforma unica per ingestione → trasformazione → ML → BI → governance Rimozione di 3–5 strumenti legacy (scheduler ETL, estratti BI, infrastruttura ML legacy) Minori costi di manutenzione e licenza Abbiamo lottato con cicli di sviluppo lenti — ma ora possiamo sfruttare Genie per l'ingegneria assistita dall'AI, che ha portato a: Creazione più veloce del 70–80% di moduli PySpark Generazione automatica di controlli di schema, controlli nulli e logica DQ Più tempo dedicato alle decisioni, meno al codice boilerplate Ad esempio, un modulo di qualità dei dati che richiedeva 30 minuti ora richiede 2–3 minuti per essere strutturato. Abbiamo lottato con una governance incoerente — ma ora Unity Catalog ci dà visibilità end-to-end, che ha portato a: Onboarding più veloce (ridotto da giorni a minuti) Permessi centralizzati, lineage e audit trail Allineamento più forte alla conformità Abbiamo lottato per scalare pipeline e carichi di lavoro ML — ma ora usiamo calcolo distribuito + Photon, che ha portato a: Grandi join e operazioni di finestra eseguite fino a 10 volte più velocemente Gestione stabile di dataset su scala terabyte Prestazioni prevedibili anche sotto carichi di lavoro pesanti **Official Response from Janelle Glover:** > Grazie per aver condiviso la tua esperienza positiva con Databricks! Siamo entusiasti di sapere come la nostra piattaforma abbia migliorato il tuo flusso di lavoro e fornito affidabilità e velocità. Apprezziamo il tuo feedback e siamo impegnati a migliorare continuamente la nostra piattaforma per servire meglio le tue esigenze. ### 47. Per quanto riguarda noi: Dal Proof of Concept di ML ad App di Produzione Sicure—Veloci, Senza Server e Ben Governate **Rating:** 4.0/5.0 stars **Reviewed by:** Luis V. | Partner, Servizi informativi, Mid-Market (51-1000 dip.) **Reviewed Date:** May 24, 2026 **Cosa Le piace di più di Databricks?** Personalmente mi piace usare questa app per la capacità di trasformare rapidamente un proof of concept di machine learning o di generazione aumentata dal recupero in un'applicazione sicura e pronta per la produzione utilizzando framework Python familiari come Streamlit, Gradio o Dash. L'esecuzione su calcolo serverless significa che il nostro team può dimostrare valore ai clienti rapidamente senza aspettare la fornitura di infrastrutture separate. Ci piace anche Unity Catalog, che fornisce una governance unificata su dati strutturati e non strutturati, modelli di machine learning e metriche aziendali. Funzionalità come la Lineage Automatica semplificano gli audit di conformità dei clienti. **Cosa non Le piace di Databricks?** Sì, c'è qualcosa da migliorare. Nello streaming strutturato e nel caricatore automatico, un cambiamento di schema durante l'esecuzione causa il fallimento della query e richiede un riavvio manuale. Per gli ambienti di produzione dei clienti con SLA rigorosi, queste interruzioni possono aumentare il carico di manutenzione. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Per i clienti che cercano analisi immediate senza una costosa migrazione di più mesi, implementiamo la federazione Lakehouse. Questa funzionalità aiuta il nostro team a interrogare e gestire i dati in loco attraverso sistemi disparati direttamente dall'interfaccia Databricks, accelerando la fornitura di approfondimenti strategici. Stiamo anche sfruttando strumenti integrati come la ricerca vettoriale Mosaic AI per costruire applicazioni RAG e utilizzando le app Databricks per fornire front-end di analisi predittiva interattiva ai clienti. In generale, è così che utilizziamo questo software. **Official Response from Jess Darnell:** > Siamo lieti di sapere che l'app è stata fondamentale nel dimostrare rapidamente il valore ai clienti e nel fornire una governance unificata su dati strutturati e non strutturati, modelli di ML e metriche aziendali. Comprendiamo le sfide legate ai cambiamenti di schema durante l'esecuzione e lavoreremo per migliorare questo aspetto per un'esperienza più fluida. È fantastico sapere che Databricks sta aiutando il tuo team a implementare la federazione Lakehouse e a sfruttare strumenti integrati come la ricerca vettoriale di Mosaic AI. Grazie per il tuo feedback dettagliato sulla tua esperienza e grazie per aver scelto Databricks! ### 48. Una piattaforma unificata per carichi di lavoro scalabili di dati e intelligenza artificiale **Rating:** 4.5/5.0 stars **Reviewed by:** Janani D. | Senior Data Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa Le piace di più di Databricks?** Databricks è fantastico perché riunisce tutto ciò di cui hai bisogno per i dati e l'IA in un unico posto. Invece di passare da uno strumento all'altro per l'ingegneria dei dati, la pulizia dei dati, l'analisi e il machine learning, puoi fare tutto in un unico ambiente. Questo rende la vita molto più semplice. **Cosa non Le piace di Databricks?** Databricks non è adatto ai principianti. Spesso è necessario avere solide competenze di ingegneria dei dati per utilizzarlo efficacemente. Le recensioni sottolineano che, sebbene Databricks sia estremamente capace, è "un laboratorio di alto livello" che richiede competenza e non è facile per i team meno tecnici. Databricks utilizza unità di costo (DBU), che molte persone trovano difficili da stimare e gestire. Anche le recensioni degli esperti evidenziano che la sua struttura dei prezzi è notoriamente complicata e può nascondere costi inaspettati. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Databricks utilizza l'architettura Lakehouse per combinare i punti di forza dei data lake e dei data warehouse in un'unica piattaforma unificata. Ciò significa che i dati strutturati e non strutturati convivono e sono pronti per l'analisi o il machine learning. **Official Response from Janelle Glover:** > Grazie per aver condiviso come l'architettura di Databricks ti sta beneficiando. Abbiamo progettato la nostra piattaforma per affrontare le sfide della gestione dei dati strutturati e non strutturati, ed è fantastico sapere che sta avendo un impatto positivo sui tuoi flussi di lavoro di analisi e apprendimento automatico. ### 49. I notebook di Databricks rendono la collaborazione senza soluzione di continuità tra Python, SQL e Scala **Rating:** 5.0/5.0 stars **Reviewed by:** Joseph F. | Cloud Engineer, Mid-Market (51-1000 dip.) **Reviewed Date:** March 25, 2026 **Cosa Le piace di più di Databricks?** I notebook collaborativi di Databricks sono davvero utili e mi permettono di lavorare in qualsiasi linguaggio di cui ho bisogno per soddisfare efficacemente i miei requisiti. La possibilità di mescolare Python, SQL e persino Scala all'interno di una dashboard rende la collaborazione e il lavoro di squadra molto più fluidi. Apprezzo anche quanto facilmente si integri con altri strumenti e piattaforme cloud, quindi si adatta ai miei flussi di lavoro esistenti con pochissimo attrito. **Cosa non Le piace di Databricks?** Mi piace il loro supporto clienti e gli aggiornamenti frequenti sono una delle ragioni principali per cui è diventato il mio preferito per la gestione dei dati. Apprezzo anche quanto bene si integri con strumenti esterni come Power BI per la reportistica, è davvero buono. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** Semplifica la collaborazione tra i team e ci aiuta a lavorare su grandi set di dati senza doverci preoccupare troppo dell'infrastruttura o del sovraccarico analitico. I calcoli e i report sono veloci, il che ha migliorato i nostri cicli di sviluppo e ridotto il continuo scambio tra i team di ingegneria e analisi. **Official Response from Janelle Glover:** > È fantastico sapere che Databricks sta semplificando la collaborazione tra team e migliorando i cicli di sviluppo per te. Ci impegniamo a fornire una piattaforma che riduca l'onere dell'infrastruttura e dell'analisi, permettendo ai team di concentrarsi sui loro obiettivi principali. ### 50. Best tool to work with big dealer data, but requires technical team. **Rating:** 4.5/5.0 stars **Reviewed by:** Dilkash N. | Assistant Sales Manager (Institutional Sales), Enterprise (> 1000 dip.) **Reviewed Date:** June 02, 2026 **Cosa Le piace di più di Databricks?** We have a very big dealer and distributor network throughout India in our sanitaryware business. Big sales data are being generated everyday. Speed is my favorite thing about Databricks. Whenever we use simple excel or old software before, it is always hanging. And now our company data team is churning through the millions of rows in a short time. As a Senior Sales Specialist, I am making sure that I get my territory dashboard and forecasting reports at least daily in the morning. It is bringing all disperse data together in a good manner. **Cosa non Le piace di Databricks?** Worst thing is that it is highly technical software. As a sales person, I cannot apply it in locating data directly. I need to request data engineering or IT team to code or make query every time I desire some new custom report. User-non technical interface is becoming very complicated. And my management is continually saying this costs a great deal. **Quali problemi sta risolvendo Databricks e in che modo La sta aiutando?** We are solving target tracking and inventory matching problem. We have a wide range of products, such as tiles, faucets, and washbasins, in Cera. Databricks is assisting our company to understand what region is selling what product more and the trend in the market. My advantage is due to this, because I can advise my local dealers accordingly, as to next month order. It is providing highly precise sales forecast and saving me my manual reporting time and I am closing my sales targets with ease. ## Databricks Discussions - [Cos'è Lakehouse in Databricks?](https://www.g2.com/it/discussions/what-is-lakehouse-in-databricks) - 4 comments, 2 upvotes - [Quali sono le caratteristiche di Databricks?](https://www.g2.com/it/discussions/what-are-the-features-of-databricks) - 4 comments, 2 upvotes - [Cosa fa il software Databricks?](https://www.g2.com/it/discussions/what-does-databricks-software-do) - 3 comments - [Che cos'è la piattaforma di analisi unificata di Databricks?](https://www.g2.com/it/discussions/what-is-databricks-unified-analytics-platform) - 3 comments - [View Databricks pricing details and edition comparison](https://www.g2.com/it/products/databricks/reviews?section=pricing&secure%5Bexpires_at%5D=2026-06-02+11%3A32%3A06+-0500&secure%5Bsession_id%5D=0eb75b5b-fc52-4149-85c5-da75661c9dcd&secure%5Btoken%5D=4c43ef358131eda75c04d7ab42de1b24c2e48d960fe289efca50421d072185f1&format=llm_user) ## Databricks Integrations - [Agentforce 360 Platform (formerly Salesforce Platform)](https://www.g2.com/it/products/agentforce-360-platform-formerly-salesforce-platform/reviews) - [Agentforce Sales (formerly Salesforce Sales Cloud)](https://www.g2.com/it/products/agentforce-sales-formerly-salesforce-sales-cloud/reviews) - [Alation](https://www.g2.com/it/products/alation/reviews) - [Amazon EC2](https://www.g2.com/it/products/amazon-ec2/reviews) - [Amazon Redshift](https://www.g2.com/it/products/amazon-redshift/reviews) - [Amazon Relational Database Service (RDS)](https://www.g2.com/it/products/amazon-relational-database-service-rds/reviews) - [Anaplan](https://www.g2.com/it/products/anaplan/reviews) - [Anomalo](https://www.g2.com/it/products/anomalo/reviews) - [Apache Airflow](https://www.g2.com/it/products/apache-airflow/reviews) - [Apache Kafka](https://www.g2.com/it/products/apache-kafka/reviews) - [Apache NiFi](https://www.g2.com/it/products/apache-nifi/reviews) - [Atlan](https://www.g2.com/it/products/atlan/reviews) - [AWS Glue](https://www.g2.com/it/products/aws-glue/reviews) - [AWS Lambda](https://www.g2.com/it/products/aws-lambda/reviews) - [Azure Blob Storage](https://www.g2.com/it/products/azure-blob-storage/reviews) - [Azure Databricks](https://www.g2.com/it/products/azure-databricks/reviews) - [Azure Data Factory](https://www.g2.com/it/products/azure-data-factory/reviews) - [Azure Data Lake Store](https://www.g2.com/it/products/azure-data-lake-store/reviews) - [Azure Functions](https://www.g2.com/it/products/azure-functions/reviews) - [Azure Logic Apps](https://www.g2.com/it/products/azure-logic-apps/reviews) - [Azure OpenAI Service](https://www.g2.com/it/products/azure-openai-service/reviews) - [Azure Pipelines](https://www.g2.com/it/products/azure-pipelines/reviews) - [Azure Portal](https://www.g2.com/it/products/azure-portal/reviews) - [Azure SQL Database](https://www.g2.com/it/products/azure-sql-database/reviews) - [Claude Code](https://www.g2.com/it/products/anthropic-claude-code/reviews) - [Confluent](https://www.g2.com/it/products/confluent/reviews) - [Crunchbase](https://www.g2.com/it/products/crunchbase/reviews) - [Customer.io](https://www.g2.com/it/products/customer-io/reviews) - [Dash](https://www.g2.com/it/products/dash-for-brands-ltd-dash/reviews) - [data.world](https://www.g2.com/it/products/data-world/reviews) - [DAT iQ](https://www.g2.com/it/products/dat-iq/reviews) - [dbt](https://www.g2.com/it/products/dbt/reviews) - [DigitalOcean](https://www.g2.com/it/products/digitalocean/reviews) - [Fivetran](https://www.g2.com/it/products/fivetran/reviews) - [GEN TDS](https://www.g2.com/it/products/gen-tds/reviews) - [Git](https://www.g2.com/it/products/git/reviews) - [GitHub](https://www.g2.com/it/products/github/reviews) - [GitLab](https://www.g2.com/it/products/gitlab/reviews) - [Google Analytics](https://www.g2.com/it/products/google-analytics/reviews) - [Google Cloud Run](https://www.g2.com/it/products/google-cloud-run/reviews) - [HubSpot Marketing Hub](https://www.g2.com/it/products/hubspot-marketing-hub/reviews) - [Immuta](https://www.g2.com/it/products/immuta/reviews) - [JD Edwards World](https://www.g2.com/it/products/jd-edwards-world/reviews) - [Microsoft Copilot Studio](https://www.g2.com/it/products/microsoft-microsoft-copilot-studio/reviews) - [Microsoft Fabric](https://www.g2.com/it/products/microsoft-fabric/reviews) - [Microsoft Power Apps](https://www.g2.com/it/products/microsoft-power-apps/reviews) - [Microsoft Power Automate](https://www.g2.com/it/products/microsoft-power-automate/reviews) - [Microsoft Power BI](https://www.g2.com/it/products/microsoft-microsoft-power-bi/reviews) - [Microsoft SharePoint](https://www.g2.com/it/products/microsoft-sharepoint/reviews) - [Microsoft SQL Server](https://www.g2.com/it/products/microsoft-sql-server/reviews) - [Microsoft Teams](https://www.g2.com/it/products/microsoft-teams/reviews) - [Monte Carlo](https://www.g2.com/it/products/monte-carlo/reviews) - [MySQL](https://www.g2.com/it/products/mysql/reviews) - [ObjectWay SpA](https://www.g2.com/it/products/objectway-spa/reviews) - [Oracle Database](https://www.g2.com/it/products/oracle-database/reviews) - [Pega Platform](https://www.g2.com/it/products/pega-platform/reviews) - [PostgreSQL](https://www.g2.com/it/products/postgresql/reviews) - [PowerBI Portal](https://www.g2.com/it/products/powerbi-portal/reviews) - [Prophecy](https://www.g2.com/it/products/prophecy-prophecy/reviews) - [Qualtrics Customer Experience](https://www.g2.com/it/products/qualtrics-customer-experience/reviews) - [React Native](https://www.g2.com/it/products/react-native/reviews) - [Salesforce Agentforce](https://www.g2.com/it/products/salesforce-agentforce/reviews) - [SAP Ariba](https://www.g2.com/it/products/sap-ariba/reviews) - [SAP ECC](https://www.g2.com/it/products/sap-ecc/reviews) - [SAS Viya](https://www.g2.com/it/products/sas-sas-viya/reviews) - [Seamless (formally Seamless.AI)](https://www.g2.com/it/products/seamless-formally-seamless-ai/reviews) - [ServiceNow IT Service Management](https://www.g2.com/it/products/servicenow-it-service-management/reviews) - [Sigma](https://www.g2.com/it/products/sigma-computing-sigma/reviews) - [Sisense](https://www.g2.com/it/products/sisense/reviews) - [SnapLogic Intelligent Integration Platform (IIP)](https://www.g2.com/it/products/snaplogic-intelligent-integration-platform-iip/reviews) - [Snowflake](https://www.g2.com/it/products/snowflake/reviews) - [Spark](https://www.g2.com/it/products/apache-spark/reviews) - [Spark SQL](https://www.g2.com/it/products/spark-sql/reviews) - [SplashBI](https://www.g2.com/it/products/splashbi/reviews) - [Spotfire Analytics](https://www.g2.com/it/products/spotfire-analytics/reviews) - [Tableau](https://www.g2.com/it/products/tableau/reviews) - [ThoughtSpot](https://www.g2.com/it/products/thoughtspot/reviews) - [Visual Studio Code](https://www.g2.com/it/products/visual-studio-code/reviews) - [Workday HCM](https://www.g2.com/it/products/workday-hcm/reviews) ## Databricks Features **Rapporti** - Interfaccia dei Rapporti - Passaggi per rispondere - Grafici e Diagrammi - Schede di valutazione - Cruscotti **Amministrazione** - Modellazione dei dati - Raccomandazioni - Gestione del flusso di lavoro - Dashboard e Visualizzazioni **Gestione** - Segnalazione - Revisione contabile **Distribuzione** - Flessibilità linguistica - Flessibilità del Framework - Versionamento - Facilità di distribuzione - Scalabilità **Sistema** - Ingestione e Manipolazione dei Dati **Preparazione dei dati** - Connettori - Governance dei Dati **Gestione dei dati** - Integrazione dei dati - Compressione dei dati - Qualità dei dati - Analisi dei dati integrate - Apprendimento automatico in-database - Analisi del Data Lake **Gestione** - Dizionario dei dati - Replica dei dati - Linguaggio di interrogazione - Modellazione dei dati - Analisi delle prestazioni **Gestione** - Glossario Aziendale - Scoperta dei dati - Profilazione dei dati - Reportistica e Visualizzazione - Tracciabilità dei dati **Distribuzione** - Flessibilità linguistica - Flessibilità del Framework - Versionamento - Facilità di distribuzione - Scalabilità **Gestione dei dati** - Integrazione dei dati - Metadati - Self-service - Flussi di lavoro automatizzati **Scalabilità e Prestazioni - Infrastruttura di Intelligenza Artificiale Generativa** - Alta Disponibilità AI - Scalabilità dell'addestramento dei modelli di intelligenza artificiale - Velocità di inferenza dell'IA **Personalizzazione - Costruttori di Agenti AI** - Configurazione del linguaggio naturale - Personalizzazione del tono - Parapetti di Sicurezza **Piattaforme DataOps - AI Agente** - Esecuzione Autonoma dei Compiti - Pianificazione a più fasi - Integrazione tra sistemi - Apprendimento Adattivo - Prendere decisioni **Gestione del Traffico e Prestazioni - Gateway AI** - Limitazione della velocità consapevole del token - Caching Semantico - Instradamento multi-modello e fallback **Sviluppo del Modello** - Supporto Linguistico - Trascina e Rilascia - Algoritmi Pre-Costruiti - Addestramento del modello **Database** - Raccolta dati in tempo reale - Distribuzione dei dati - Lago di Dati **Trasformazione dei dati** - Analisi in tempo reale - Interrogazione dei dati **Conformità** - Conformità ai Dati Sensibili - Formazione e Linee Guida - Applicazione della politica - Monitoraggio della conformità **Funzionalità** - Estrazione - Trasformazione - Caricamento - Automazione - Scalabilità **Gestione** - Catalogazione - Monitoraggio - Governare - Registro Modelli **Sviluppo del modello** - Ingegneria delle caratteristiche **Modellazione e fusione dei dati** - Interrogazione dei dati - Filtraggio dei dati - Fusione dei dati **Integrazione** - Integrazione AI/ML - Integrazione dello strumento BI - Integrazione del data lake **Manutenzione** - Migrazione dei dati - Backup e Recupero - Ambiente multiutente **Sicurezza** - Controllo Accessi - Gestione dei Ruoli - Gestione della Conformità **Operazioni** - Metriche - Gestione delle infrastrutture - Collaborazione **Analitica** - Capacità di analisi - Visualizzazioni del cruscotto **Costo ed Efficienza - Infrastruttura di AI Generativa** - Costo dell'AI per chiamata API - Flessibilità nell'allocazione delle risorse AI - Efficienza Energetica dell'IA **Funzionalità - Costruttori di Agenti AI** - Supporto omnicanale - Branding dell'agente - Capacità di Risposta Proattiva - Escalation Umana Senza Soluzione di Continuità **Governance e Osservabilità - Gateway AI** - Privacy dei dati - Monitoraggio dei costi - Sicurezza centralizzata delle chiavi API **Servizi di Machine/Deep Learning** - Visione artificiale - Elaborazione del Linguaggio Naturale - Generazione del Linguaggio Naturale - Reti Neurali Artificiali **Integrazioni** - Integrazione di Hadoop - Integrazione Spark **Qualità dei dati** - Preparazione dei dati - Distribuzione dei dati - Unificazione dei dati **Servizi di Machine/Deep Learning** - Comprensione del linguaggio naturale - Apprendimento Profondo **Distribuzione** - In sede - Nuvola **Sicurezza** - Crittografia dei dati - Controllo di Accesso Utente **Manutenzione** - Gestione della Qualità dei Dati - Gestione delle politiche **Gestione** - Catalogazione - Monitoraggio - Governare **Monitoraggio e Gestione** - Osservabilità dei dati - Testare le capacità **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI **Integrazione ed Estensibilità - Infrastruttura di AI Generativa** - Supporto multi-cloud AI - Integrazione della pipeline di dati AI - Supporto e Flessibilità dell'API AI **Dati e Analisi - Costruttori di Agenti AI** - Analisi e Reportistica - Consapevolezza contestuale - Conformità alla Privacy dei Dati **Distribuzione** - Servizio gestito - Applicazione - Scalabilità **Piattaforma** - Scalabilità della macchina - Preparazione dei dati - Integrazione Spark **Connettività** - Integrazione di Hadoop - Integrazione Spark - Analisi Multi-Sorgente - Lago di Dati **Prestazione** - Scalabilità **Distribuzione su cloud** - Supporto cloud ibrido - Capacità di migrazione al cloud **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI **Sicurezza e Conformità - Infrastruttura di Intelligenza Artificiale Generativa** - Conformità normativa e GDPR per l'IA - Controllo degli accessi basato sui ruoli AI - Crittografia dei dati AI **Integrazione - Costruttori di Agenti AI** - Automazione del flusso di lavoro - Utilizzo dell'API - Interoperabilità della piattaforma - Integrazione dei dati CRM **Piattaforme Analitiche - AI Agente** - Esecuzione autonoma dei compiti - Pianificazione a più fasi - Integrazione tra sistemi - Apprendimento Adattivo - Interazione in Linguaggio Naturale - Assistenza Proattiva - Prendere decisioni **Self Service** - Campi Calcolati - Filtraggio delle colonne di dati - Scoperta dei dati - Cerca - Collaborazione / Flusso di lavoro - Automodellazione **Elaborazione** - Elaborazione Cloud - Elaborazione del carico di lavoro **Operazioni** - Visualizzazione dei dati - Flusso di lavoro dei dati - Scoperta Governata - Analisi Incorporata - Quaderni **Sicurezza** - Governance dei dati - Sicurezza dei dati **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI - Testo-a-Immagine AI **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI **Usabilità e Supporto - Infrastruttura di AI Generativa** - Qualità della documentazione AI - Attività della Comunità AI **AI agentico - Governance dei dati** - Esecuzione autonoma dei compiti - Pianificazione a più fasi - Integrazione tra sistemi - Apprendimento adattivo - Interazione in Linguaggio Naturale - Prendere decisioni **Distribuzione e Integrazione - Piattaforme Analitiche** - Costruttore di Dashboard senza codice - Pianificazione e automazione dei report - Analisi incorporate e White-labeling - Connettività della fonte dati **Analisi Avanzata** - Analisi Predittiva - Visualizzazione dei dati - Servizi di Big Data **Intelligenza Artificiale Generativa** - Generazione di Testo AI - Riassunto del testo AI **Agentic AI - Piattaforme di Scienza dei Dati e Apprendimento Automatico** - Esecuzione autonoma dei compiti - Pianificazione a più fasi - Integrazione tra sistemi - Apprendimento Adattivo - Interazione in Linguaggio Naturale - Assistenza Proattiva - Prendere decisioni **Prestazioni e Scalabilità - Piattaforme Analitiche** - Gestione di grandi quantità di dati e velocità delle query - Supporto Utente Concorrenziale **Piattaforme di Analisi Avanzata e Modellazione - Piattaforme Analitiche** - Modellazione dei Dati e Governance - Integrazione di Notebook e Script - Modelli Predittivi e Statistici Integrati **Capacità di IA agentica - Piattaforme di analisi** - Approfondimenti e narrazioni generati automaticamente - Query di linguaggio naturale - Monitoraggio proattivo dei KPI e avvisi - Agenti AI per i seguiti analitici **Intelligenza Personalizzata - Piattaforme di Analisi** - Apprendimento comportamentale per il perfezionamento contestuale delle query - Personalizzazione dell'Insight Basata sul Ruolo - Analisi conversazionale e basata su prompt **Creare rapporti** - Trasformazione dei dati - Modellazione dei dati - Progettazione di Report WYSIWYG - API di integrazione **Piattaforma** - Supporto Utente Mobile - Personalizzazione - Gestione di Utenti, Ruoli e Accessi - Internazionalizzazione - Ambienti di prova / Sandbox - Prestazioni e Affidabilità - Ampiezza delle Applicazioni dei Partner ## Top Databricks Alternatives - [Cloudera Data Platform](https://www.g2.com/it/products/cloudera-cloudera-data-platform/reviews) - 4.1/5.0 (131 reviews) - [Snowflake](https://www.g2.com/it/products/snowflake/reviews) - 4.5/5.0 (706 reviews) - [Teradata Vantage](https://www.g2.com/it/products/teradata-teradata-vantage/reviews) - 4.3/5.0 (355 reviews)