Recensioni e Dettagli del Prodotto Monte Carlo

I monitor di machine learning integrati che tracciano la freschezza, il volume e i cambiamenti dello schema sono fantastici. Apprezzo davvero come queste funzionalità funzionino immediatamente. Recensione raccolta e ospitata su G2.com.

Ad essere completamente onesto, questo è il miglior strumento che ho usato per l'osservabilità dei dati e i controlli di qualità dei dati su larga scala. Tuttavia, se dovessi menzionare un difetto, sarebbe le funzionalità extra che vengono con le integrazioni. Ad esempio, MC tenta di visualizzare le tracce dalla nostra integrazione Airflow in diverse aree, ma ho notato che le informazioni non sono sempre accurate in alcuni punti. Ho osservato un problema simile anche con l'integrazione dbt. Recensione raccolta e ospitata su G2.com.

Ho trovato la tracciabilità dei campi molto più utile di quanto immaginassi. Anche la scala di importanza delle tabelle è molto piacevole da vedere. Ci ha permesso di anticipare gli avvisi di qualità dei dati prima che i nostri stakeholder siano consapevoli di eventuali problemi. Trovo particolarmente facile navigare e rintracciare i modelli più importanti. C'è una funzione che ti informa se una query è cambiata in base al numero di caratteri in una query, il che è davvero utile. Recensione raccolta e ospitata su G2.com.

Vorrei davvero che ci fosse un modo per posticipare i monitor e gli avvisi allo stesso modo, poiché a volte può diventare opprimente. Recensione raccolta e ospitata su G2.com.

Monte Carlo ci ha permesso di monitorare i nostri flussi di dati con maggiore chiarezza. Una delle sue caratteristiche distintive è la capacità di rilevare errori prima che raggiungano la produzione, riducendo significativamente i tempi di inattività e garantendo l'integrità dei dati.

Questo prodotto ha anche svolto un ruolo cruciale nel supportare il nostro nuovo prodotto dati rivolto ai clienti. Le sue robuste capacità di rilevamento degli errori e di reporting completo ci hanno permesso di lanciare con fiducia, sapendo che i nostri dati erano accurati e affidabili. Recensione raccolta e ospitata su G2.com.

La curva di apprendimento per configurare i monitor e comprendere il sistema è stata più ripida del previsto. Combinata con il gran numero di tabelle nel nostro magazzino, è stato un processo di implementazione laborioso. Alcuni di questi problemi sono inevitabili. In futuro sono curioso di sapere se esiste un modo più efficiente per configurare i monitor. Ad esempio, nel nostro caso abbiamo impostato le stesse regole esatte per più tabelle, con l'unica differenza nel nome del campo e alcune lievi variazioni nel SQL. Recensione raccolta e ospitata su G2.com.

Mi piace come Monte Carlo porti le intuizioni sulla qualità dei dati alle persone che possono correggerli, gli utenti delle fonti di dati. Trovo anche utili le soglie di ML perché permettono a Monte Carlo di gestire gli avvisi di errore, così il team della piattaforma dati non deve creare manualmente le soglie di errore. L'integrazione con Slack è un altro vantaggio, poiché offre un luogo centralizzato per gli avvisi e facilita l'invio agli stakeholder giusti. Monte Carlo è facile da usare, anche se non ho gestito l'installazione iniziale. Recensione raccolta e ospitata su G2.com.

Sto avendo difficoltà a integrare Monte Carlo con gli agenti AI. Sarebbe fantastico se gli agenti AI potessero interagire in modo più fluido con Monte Carlo. Recensione raccolta e ospitata su G2.com.

Mi piace Monte Carlo per le sue funzionalità di intelligenza artificiale che gestiscono automaticamente la creazione di confini quando si seleziona una fonte da monitorare. Anche il monitoraggio automatico delle modifiche dello schema, delle modifiche metriche e della freschezza è ottimo. Apprezzo la sua integrazione con Slack, che consente la creazione di flussi di lavoro automatizzati e mantiene tutti informati in modo proattivo. La funzionalità di intelligenza artificiale e il monitoraggio automatico fanno risparmiare molto tempo eliminando la necessità di pensare manualmente ai confini o di controllare costantemente le modifiche dello schema. L'installazione del sistema è stata molto facile, poiché tutti i sistemi sono stati collegati rapidamente tramite account amministrativi, impiegando meno di un giorno. Recensione raccolta e ospitata su G2.com.

La cosa principale che non mi piace di Monte Carlo è come devi selezionare i tavoli. Siamo davvero attenti a quali tavoli e fonti vogliamo monitorare, e questo richiede abbastanza tempo. Non è molto facile navigare e selezionare o deselezionare i tavoli da uno schema. Secondo me, questo potrebbe essere migliorato. Recensione raccolta e ospitata su G2.com.

La flessibilità e la ricezione di avvisi tempestivi e affidabili per Volume, Schema e Freschezza è utile. Essere in grado di regolare il modello è fantastico. Recensione raccolta e ospitata su G2.com.

Non dispiace, ma ci sono un paio di cose che potrebbero essere migliorate:

1) I dashboard potrebbero essere migliori nel fornire più approfondimenti azionabili come le tabelle che falliscono più frequentemente o le prime 5 tabelle che falliscono, sotto quale schema, per quale motivo falliscono, monitor che falliscono frequentemente, ecc.

2) Sarebbe fantastico se eventuali aggiornamenti effettuati sugli avvisi in Monte Carlo potessero fluire negli incidenti di ServiceNow.

3) Ulteriori integrazioni con i file sarebbero ottime, come se un file non è arrivato, ecc.

4) Se potessimo avere il modello ottimizzato per gli avvisi molto prima di 2 settimane sarebbe una mossa benvenuta.

5) Condurre workshop su un ambiente sandbox per i team aiuterebbe a coinvolgere più membri del team per comprendere e familiarizzare con Monte Carlo. Recensione raccolta e ospitata su G2.com.

Monte Carlo ci aiuta a tenere sotto controllo il nostro data warehouse. Gli esempi includono la notifica di cambiamenti significativi nel volume o nella freschezza, che ci aiuta a prevenire potenziali problemi, e la tracciabilità delle tabelle/colonne, che ci permette di vedere l'impatto di eventuali modifiche sulle tabelle/report dipendenti. Sono sicuro che ci sono altre funzionalità utili che non abbiamo ancora esplorato. Recensione raccolta e ospitata su G2.com.

Il costo è aumentato considerevolmente, il che significa che abbiamo dovuto monitorare meno tabelle per rimanere nel budget. Vorremmo più personalizzazione sulle notifiche poiché possono essere piuttosto verbose e la possibilità di interagire con le notifiche in GChat come facevamo in Slack. Forse sarebbero utili anche alcune opzioni in più sui rapporti Insight. Recensione raccolta e ospitata su G2.com.

Mi piace che non dobbiamo scrivere le nostre regole DQ da zero e che sia organizzato in un'interfaccia utente intuitiva. Il cruscotto della qualità dei dati è uno strumento molto utile per mostrare ai dirigenti e dimostrare il ROI del software. Recensione raccolta e ospitata su G2.com.

Può essere complicato e travolgente comprendere l'intero processo su cosa monitorare, quando allertare e quale priorità assegnare. Il punteggio di popolarità non corrisponde sempre a ciò che l'azienda considera i nostri dati più importanti e l'uso del tag di risorsa chiave non consente la granularità necessaria per regolare quanto sia importante una risorsa. Le funzionalità di intelligenza artificiale potrebbero essere migliorate poiché spesso offrono suggerimenti che non sono del tutto utili. Recensione raccolta e ospitata su G2.com.

Mi piace la funzione avanzata di Monte Carlo nell'osservabilità dei dati, che viene fornita con strumenti predefiniti utili come il monitor di freschezza e volume. Apprezzo anche la possibilità di personalizzarli con SQL personalizzato. Il monitor di freschezza ci aiuta a garantire che riceviamo dati dai nostri sistemi a monte/sorgente e che i nostri prodotti di dati a valle siano aggiornati come previsto. In caso contrario, riceviamo un avviso che ci consente di risolvere i problemi e apportare correzioni tempestivamente. Configurare Monte Carlo è stato facile con la documentazione ufficiale, utilizzando il metodo Monitor-as-code con configurazioni YAML, che è utile per gli sviluppatori da mantenere in un repository Git. Recensione raccolta e ospitata su G2.com.

Vorrei che ci fosse più personalizzazione con gli avvisi di Monte Carlo per scrivere i nostri messaggi personalizzati, in modo che quando vengono inviati a stakeholder come i proprietari dei prodotti di dati o i proprietari dei sistemi di origine, possano ottenere un contesto migliore dell'avviso. Recensione raccolta e ospitata su G2.com.

La profondità dei monitor è eccellente. Le funzionalità di ML preconfigurate sono ottime e individuano cambiamenti che normalmente passerebbero completamente inosservati. Inoltre, possiamo impostare i nostri monitor personalizzati per regole aziendali molto specifiche che dobbiamo verificare. È un ottimo mix di rilevamento automatico e controllo manuale. Recensione raccolta e ospitata su G2.com.

Poiché vogliamo copertura su tutti i nostri asset, gli avvisi che riceviamo possono diventare piuttosto rumorosi. Sembra che stiamo scambiando una copertura completa per un canale molto occupato. Penso che questo potrebbe essere migliorato rendendo la configurazione del monitor un po' più intuitiva. Può essere difficile capire come impostare al meglio le tolleranze per evitare falsi positivi, e alcuni esempi in linea o guide migliori sarebbero di grande aiuto nel ridurre il rumore. Recensione raccolta e ospitata su G2.com.