# 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:** 760 ## About Databricks Databricks è l'azienda di Data e AI. Più di 20.000 organizzazioni in tutto il mondo — tra cui adidas, AT&T, Bayer, Block, Mastercard, Rivian, Unilever e oltre il 60% delle aziende Fortune 500 — si affidano a Databricks per costruire e scalare app di dati e AI, analisi e agenti. Con sede a San Francisco e oltre 30 uffici in tutto il mondo, Databricks offre una piattaforma unificata di Data Intelligence che include Agent Bricks, Lakeflow, Lakehouse, Lakebase e Unity Catalog. ## Databricks Pros & Cons **What users like:** - Gli utenti apprezzano le **funzionalità AI integrate e la solida governance dei dati** di Databricks, migliorando le loro capacità di apprendimento automatico. (288 reviews) - Gli utenti elogiano la **facilità d'uso** di Databricks, apprezzando la sua integrazione senza soluzione di continuità e le capacità di gestione dei dati in tempo reale. (278 reviews) - Gli utenti apprezzano le **integrazioni senza soluzione di continuità** di Databricks, che consentono una gestione efficiente dei dati su vari strumenti e piattaforme. (189 reviews) - Gli utenti apprezzano l' **eccellente ambiente collaborativo** di Databricks, che consente un lavoro di squadra in tempo reale senza interruzioni tra i professionisti dei dati. (150 reviews) - Gli utenti apprezzano le **funzionalità efficaci di gestione dei dati** di Databricks, facilitando l'integrazione senza problemi e il processo decisionale. (150 reviews) - Gli utenti apprezzano le **facili integrazioni** di Databricks, che si collegano senza problemi con l'infrastruttura cloud e migliorano la gestione dei dati. (148 reviews) - Analytics (139 reviews) - Machine Learning (136 reviews) - ML Integration (135 reviews) - Scalability (134 reviews) **What users dislike:** - Gli utenti affrontano una ripida **curva di apprendimento** , rendendo Databricks impegnativo per i nuovi utenti e complicando l'adozione organizzativa. (112 reviews) - Gli utenti trovano Databricks **costoso** , soprattutto quando si gestiscono grandi set di dati, influenzando la sua accessibilità complessiva. (97 reviews) - Gli utenti trovano una **curva di apprendimento ripida** in Databricks, rendendo l'adozione iniziale impegnativa per i nuovi utenti. (96 reviews) - Gli utenti notano che le **funzionalità mancanti** in Databricks ostacolano la funzionalità, specialmente con l'edizione gratuita e gli strumenti di intelligenza artificiale. (69 reviews) - Gli utenti notano la **complessità** di Databricks, soprattutto a causa di una ripida curva di apprendimento e strumenti di identificazione degli errori vaghi. (64 reviews) - Gli utenti affrontano **problemi di interfaccia utente non intuitiva** che portano a errori casuali e complicano l'esperienza per gli utenti non tecnici. (61 reviews) - Performance Issues (57 reviews) - Poor UI Design (53 reviews) - Difficult Learning (51 reviews) - Complex Setup (45 reviews) ## Databricks Reviews ### 1. The Unified Data Platform That Actually Delivers **Rating:** 5.0/5.0 stars **Reviewed by:** Janakiraman K. | Solution Architect, Enterprise (> 1000 dip.) **Reviewed Date:** March 27, 2026 **Cosa ti piace di più di Databricks?** Databricks has transformed how our team handles end-to-end data workflows. A few standouts: UI/UX: The notebook interface is intuitive, and the SQL editor feels polished which switching between Python, SQL, and Scala in the same workspace saves constant context-switching. Integrations: Native connectors to Azure, Unity Catalog, and Delta Sharing mean we spend less time on plumbing. Lakehouse Federation lets us query external sources without moving data, which was an unexpected win. Performance: Delta Lake's auto-optimization and liquid clustering noticeably reduced our query times. Photon engine on heavy aggregations is a game-changer for near real-time dashboards. Pricing/ROI: The DBU model takes getting used to, but consolidating our data warehouse, ETL, and ML tooling into one platform cut our overall infrastructure spend significantly. Support/Onboarding: Databricks Academy and the built-in documentation made onboarding new engineers faster. The community forum is surprisingly active for niche questions. AI/Intelligence: Genie (AI/BI) lets business users ask questions in plain English and get accurate results reducing ad hoc requests to our data team by a noticeable margin. Databricks Assistant inside notebooks also accelerates code generation and debugging. **Cosa non ti piace di Databricks?** While Databricks is powerful, there are real friction points worth mentioning: UI/UX: The interface can feel overwhelming for new users have the navigation between Workspaces, Catalogs, and SQL Warehouses isn't always intuitive. Folder and notebook organization could be more structured out of the box. Integrations: Some third-party connectors still require manual configuration and custom code. Lakehouse Federation is promising but occasionally inconsistent with certain source systems, needing extra troubleshooting. Performance: Cluster startup times remain a pain point cold starts on interactive clusters can disrupt fast-paced workflows. Serverless compute helps but isn't universally available across all features yet. Pricing/ROI: The DBU-based pricing model lacks transparency for newer teams. It's easy to rack up unexpected costs without careful cluster policies and monitoring in place. A more straightforward cost estimator would help significantly. Support/Onboarding: Enterprise support response times can be slow for non-critical tickets. For complex architectural issues, getting to the right expert often takes multiple escalations. AI/Intelligence: Genie works well for standard queries but struggles with complex multi-table logic or domain-specific terminology without significant fine-tuning. The Databricks Assistant inside notebooks occasionally generates outdated or incorrect API suggestions. **Quali problemi sta risolvendo Databricks e come ti sta beneficiando?** Here's a natural, story-driven answer following the "before/after/result" format: Before Databricks, our data landscape was fragmented and separate tools for ETL, warehousing, and ML meant duplicated pipelines, inconsistent data definitions, and significant engineering overhead just to maintain the plumbing. Data Unification: We struggled with siloed data across multiple source systems. Now, with Unity Catalog and the Medallion architecture (Bronze/Silver/Gold), we have a single governed layer that all teams trust reducing data reconciliation effort by nearly 40%. Pipeline Reliability: Building and maintaining metadata-driven pipelines used to require custom frameworks. Databricks' Lakeflow and Delta Live Tables gave us incremental and full-load capabilities out of the box, cutting pipeline development time significantly. Self-Service Analytics: Business teams constantly depended on engineers for ad hoc queries. With Genie (AI/BI), stakeholders can now ask plain-English questions against curated gold tables reducing ad hoc data requests to our team noticeably week over week. Cloud Cost Control: We previously ran always-on clusters without visibility into spend. Serverless compute and cluster policies now let us right-size workloads, resulting in measurable infrastructure cost reduction. Faster Onboarding: New engineers previously took weeks to get productive. With Databricks Assistant, notebook templates, and centralized Unity Catalog documentation, ramp-up time has dropped considerably. Overall: Databricks essentially replaced 3-4 separate tools with one cohesive platform the ROI isn't just in cost savings, it's in the speed and confidence with which we now deliver data products to the business. **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! ### 2. 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 ti 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 ti 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 come ti sta beneficiando?** 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! ### 3. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ### 4. Databricks: Piattaforma Lakehouse Unificata con Potente Prestazione di Spark **Rating:** 4.0/5.0 stars **Reviewed by:** Tejaswini R. | Data Management Specialist, Mid-Market (51-1000 dip.) **Reviewed Date:** April 16, 2026 **Cosa ti piace di più di Databricks?** lavoro come specialista nella gestione dei dati e utilizzo regolarmente Databricks per gestire pipeline di dati, elaborazione di dati su larga scala e compiti di governance. Quello che mi piace di più è che Databricks fornisce una piattaforma unificata per l'ingegneria dei dati, l'analisi e l'AI, invece di utilizzare più strumenti. Tutto è disponibile in un unico posto, l'architettura del lakehouse è molto utile perché combina le capacità di data warehouse e data lake, quindi possiamo gestire dati strutturati e non strutturati in modo efficiente. Le prestazioni sono molto forti, specialmente con Apache Spark, che può elaborare set di dati molto grandi rapidamente. Mi piacciono anche i notebook collaborativi dove i team possono lavorare insieme utilizzando SQL, Python o Scala. **Cosa non ti piace di Databricks?** un problema è che ha una curva di apprendimento ripida, soprattutto per i nuovi utenti che non sono familiari con Spark o i sistemi distribuiti. la gestione dei costi può anche essere impegnativa, se i cluster non sono ottimizzati correttamente può diventare costoso, a volte troppe funzionalità e configurazioni possono renderlo complesso da gestire per i team più piccoli. a volte la piattaforma sembra complessa, con molte funzionalità e configurazioni che possono essere difficili da gestire per i team più piccoli. è una piattaforma potente, ma la complessità e il controllo dei costi sono le principali sfide nell'uso quotidiano. **Quali problemi sta risolvendo Databricks e come ti sta beneficiando?** Databricks risolve il problema della gestione dell'elaborazione di dati su larga scala e di più strumenti di dati in un'unica piattaforma. Prima di utilizzare Databricks, i dati erano distribuiti su diversi sistemi e dovevamo usare strumenti separati per ETL, archiviazione e analisi, il che rendeva il flusso di lavoro complesso e difficile da gestire. Databricks riunisce tutto in un unico posto, così possiamo costruire pipeline di dati, elaborare grandi set di dati e eseguire analisi senza cambiare strumenti. Gestisce anche i big data in modo efficiente utilizzando l'elaborazione distribuita, che riduce i tempi di elaborazione e migliora le prestazioni. Per me ha reso i flussi di lavoro dei dati più organizzati, riduce lo sforzo manuale e migliora l'affidabilità dei dati. Aiuta in una più rapida elaborazione dei dati, una migliore collaborazione e una gestione dei dati più efficiente. **Official Response from Jess Darnell:** > È fantastico sapere che Databricks ha aiutato a centralizzare l'elaborazione dei tuoi dati e gli strumenti, rendendo i tuoi flussi di lavoro più organizzati ed efficienti. Siamo impegnati a fornire una piattaforma che semplifica la gestione dei dati e migliora la collaborazione per i nostri utenti. Comprendiamo che la curva di apprendimento e la gestione dei costi possono essere impegnative, specialmente per i nuovi utenti e i team più piccoli. Stiamo lavorando continuamente per migliorare l'esperienza utente e fornire soluzioni convenienti per i nostri clienti. ### 5. 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 ti 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 ti 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 come ti sta beneficiando?** 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! ### 6. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ### 7. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ### 8. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ### 9. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ### 10. 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 ti 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 ti 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 come ti sta beneficiando?** 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. ## 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/databricks-review-12697017?section=pricing&secure%5Bexpires_at%5D=2026-05-03+03%3A34%3A49+-0500&secure%5Bsession_id%5D=89238861-fb28-4af9-857b-78ea2b69b973&secure%5Btoken%5D=5c2a30172b0e617c5f2636f86bbf5994ae153e4ebb09e761df0d8bfe92e04145&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 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 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 CloudFormation](https://www.g2.com/it/products/aws-aws-cloudformation/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) - [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) - [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) - [Google Analytics](https://www.g2.com/it/products/google-analytics/reviews) - [Google Cloud Console](https://www.g2.com/it/products/google-cloud-console/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) - [Informatica Data Quality](https://www.g2.com/it/products/informatica-informatica-data-quality/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) - [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/openclassrooms-spark/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) - [Zendesk Sunshine](https://www.g2.com/it/products/zendesk-sunshine/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) - 4.6/5.0 (675 reviews) - [Teradata Vantage](https://www.g2.com/it/products/teradata-teradata-vantage/reviews) - 4.3/5.0 (341 reviews)