Avaliações e Detalhes do Produto Azure Databricks

O que eu mais gosto no Azure Databricks é como ele torna o trabalho com dados simples, sem que eu precise pensar demais na configuração.

Pela minha experiência, eu o uso principalmente para consultar, transformar e validar dados, e ele lida muito bem com grandes conjuntos de dados sem me atrasar. Não preciso me preocupar muito com o desempenho — eu apenas escrevo o que preciso, e ele executa.

Também gosto da flexibilidade de alternar entre SQL e PySpark, dependendo do que estou fazendo. Isso facilita a exploração de dados e a resolução de problemas rapidamente, sem ficar preso a uma única abordagem.

O ambiente de notebook é outro grande ponto positivo para mim. Eu o uso para organizar minhas consultas e lógica em um só lugar, para que eu possa sempre voltar, ajustar coisas ou reutilizar partes sem começar do zero.

No geral, ele simplesmente torna meu fluxo de trabalho mais limpo e eficiente, especialmente quando estou lidando com grandes volumes de dados e preciso de resultados rápidos e confiáveis. Análise coletada por e hospedada no G2.com.

O que eu não gosto no Azure Databricks, com base em como eu o usei, está principalmente ligado à usabilidade do dia a dia.

Quando estou trabalhando com arquivos (especialmente em torno de /dbfs), às vezes encontro erros aparentemente aleatórios que não são muito claros. Leva tempo extra para descobrir o que realmente deu errado, o que é frustrante quando estou apenas tentando obter resultados rápidos.

Depurar é outra área que pode me atrasar. Se uma consulta ou transformação não se comporta como esperado, nem sempre é óbvio onde está o problema, então acabo gastando mais tempo rastreando e restringindo as coisas do que gostaria.

O ambiente de notebook é útil, mas à medida que um único notebook cresce, ele pode ficar bagunçado e mais difícil de gerenciar. Se eu não tomar cuidado, é fácil perder a estrutura e a organização.

O custo também é algo que eu tive que ficar de olho. Mesmo quando estou apenas testando ou executando consultas, o uso pode aumentar rapidamente se os recursos não forem geridos adequadamente.

No geral, funciona bem, mas ainda há momentos em que parece menos intuitivo do que deveria—especialmente quando algo dá errado. Análise coletada por e hospedada no G2.com.

Eu uso o Azure Databricks para construir e gerenciar pipelines de dados. Ele fornece todos os serviços necessários em um único lugar, como engenharia de dados, SQL e recursos de ML. Isso me ajuda a processar dados em grande escala para projetos empresariais, tornando o Azure Databricks uma ferramenta valiosa para mim. Os recursos de SQL facilitam a consulta e análise de dados rapidamente, e as capacidades de ML suportam a experimentação com modelos na mesma plataforma. A configuração inicial é muito fácil; você só precisa criar um recurso no portal do Azure inserindo o grupo de recursos e o nome do espaço de trabalho do Databricks com o restante das configurações padrão. Análise coletada por e hospedada no G2.com.

Otimização de custos: pode ser mais otimizado fornecendo o painel de monitoramento de custos único por padrão para os administradores do espaço de trabalho, já que eles têm esse recurso de orçamento apenas na visualização do console da conta. Análise coletada por e hospedada no G2.com.

It makes data easy and simple to understand even if we are not from technical background, i dont need to swap or switch different app or software now for data eng , analytics or data science all can be done in once now. The interface is very good and user friendly easy to understand tabs given , i have tried uploding a large set of data , uploading experience was very smooth and easy Análise coletada por e hospedada no G2.com.

Mostly, I got confused during the cluster setup. It was very difficult for me, and even with the settings I’m still struggling with it. Análise coletada por e hospedada no G2.com.

What I like best about Azure Databricks is how well it combines scalability, speed, and collaboration in a single environment. It makes it easy to work with large datasets, build and run data pipelines efficiently, and support both engineering and analytics tasks without switching between too many tools.

I also appreciate how smoothly it integrates with the broader Azure ecosystem, which makes it especially useful for end-to-end data processing and analytics workflows Análise coletada por e hospedada no G2.com.

One thing I dislike about Azure Databricks is that it can feel complex and not always immediately intuitive, especially at the beginning. The environment is powerful, but that also means there are many concepts, configurations, and moving parts to get used to before it feels really smooth.

Another drawback is that, for some tasks, the setup and navigation can feel heavier than expected, which slows down simple workflows. In short, it is a very capable platform, but the learning curve and operational complexity can make it less straightforward than I would like. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no Azure Databricks é como ele simplifica o processamento de dados em larga escala, ao mesmo tempo que oferece flexibilidade aos engenheiros. Pela minha experiência, a maior vantagem é a plataforma unificada onde posso fazer engenharia de dados, transformações, otimização de desempenho e até análises em um só lugar, sem precisar pular entre várias ferramentas. A integração com o Spark é perfeita, e coisas como clusters de auto-escalonamento, agendamento de tarefas e colaboração em notebooks tornam o trabalho diário muito mais eficiente. Também aprecio recursos como o Delta Lake, que lida com transações ACID, evolução de esquemas e "time travel" diretamente em data lakes, tornando os pipelines de produção muito mais confiáveis. Além disso, otimizações como Execução de Consultas Adaptativa, auto-otimização, Z-ordering e cache realmente ajudam ao trabalhar com grandes conjuntos de dados. Outra coisa que gosto é como ele se integra bem com o ecossistema Azure, seja ADLS, ADF, Key Vault ou Unity Catalog para governança. Isso reduz muito a sobrecarga de configuração e torna as implantações mais suaves em diferentes ambientes. No geral, me permite focar mais na resolução de problemas de dados e otimização de desempenho, em vez de me preocupar com a gestão de infraestrutura. Análise coletada por e hospedada no G2.com.

Uma coisa que não gosto no Azure Databricks é que a gestão de custos pode se tornar complicada se os clusters e trabalhos não forem monitorados de perto. Como é muito fácil criar clusters e executar grandes cargas de trabalho, os custos podem aumentar rapidamente, especialmente com auto-escalonamento ou múltiplos trabalhos paralelos em execução. Portanto, é necessário ter uma boa governança e monitoramento em vigor. Outra área é a depuração e solução de problemas. Embora os notebooks sejam ótimos para desenvolvimento, depurar falhas de trabalhos em produção, especialmente problemas intermitentes do Spark ou de infraestrutura, pode às vezes levar tempo. Os logs estão disponíveis, mas rastrear a causa raiz exata através de eventos do cluster, UI do Spark e execuções de trabalhos nem sempre é direto. Também notei que lidar com CI/CD e implantações (como mover notebooks, fluxos de trabalho, configurações entre ambientes) não é tão suave fora da caixa em comparação com repositórios de código tradicionais. Está melhorando com Databricks Asset Bundles e Repos, mas ainda precisa de uma configuração cuidadosa. Dito isso, a maioria desses problemas é gerenciável com boas práticas — controles de custos, monitoramento e processos adequados de DevOps. Análise coletada por e hospedada no G2.com.

Lakebase e gateways de API. Usamos o Lakebase como nosso banco de dados principal, e ele possui capacidades muito fortes para cargas de trabalho de IA. Também é fácil e flexível de trabalhar porque é um banco de dados Postgres. Acho que a adição de bancos de dados com escalonamento automático é uma melhoria muito boa; em vez de ter Unidades de Computação estáticas atribuídas a cada banco de dados, agora elas podem escalar automaticamente. Também gosto que com o escalonamento automático você pode definir tanto o CU mínimo quanto o máximo, o que lhe dá mais controle enquanto mantém as coisas flexíveis. Análise coletada por e hospedada no G2.com.

A precificação ainda não está muito clara, as coisas ainda são medidas em unidades de computação, o que é realmente difícil de entender para precificação. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no Azure Databricks é como ele se integra perfeitamente com o ecossistema Azure — especialmente com serviços como Data Lake, Synapse e Data Factory. Ele oferece um excelente equilíbrio entre facilidade de uso e capacidades avançadas, permitindo que usuários técnicos e não técnicos colaborem em um único ambiente. Os notebooks são intuitivos e suportam várias linguagens, como SQL, Python e R, o que torna a implementação e a experimentação tranquilas. Eu o uso frequentemente para construir e gerenciar pipelines de dados, executar transformações e desenvolver modelos de aprendizado de máquina. A escalabilidade da plataforma, clusters de auto-escalonamento e recursos gerenciados do Delta Lake tornam o manuseio de grandes conjuntos de dados eficiente. O suporte ao cliente é geralmente útil e a plataforma continua a evoluir com atualizações frequentes que adicionam ainda mais recursos úteis. Análise coletada por e hospedada no G2.com.

Embora o Azure Databricks seja poderoso, há algumas áreas que poderiam ser melhoradas. A configuração inicial e a configuração do ambiente podem ser um pouco complexas para novos usuários, e os tempos de inicialização dos clusters às vezes podem ser lentos. A estrutura de preços também requer monitoramento cuidadoso — os custos podem aumentar rapidamente se os clusters não forem otimizados ou encerrados automaticamente de forma adequada. Embora a interface seja robusta, ela poderia ser mais amigável para iniciantes, e o controle de versão dos notebooks poderia ser mais suave. O tempo de resposta do suporte ao cliente pode variar dependendo da gravidade do problema. Ainda assim, uma vez que você se acostuma com o ambiente, é uma plataforma altamente capaz e confiável para cargas de trabalho diárias de dados e análises. Análise coletada por e hospedada no G2.com.

A plataforma gerencia o processamento de dados em grande escala com uma suavidade impressionante, e sua interface se torna bastante amigável após uma curta curva de aprendizado. Integrá-la com outros serviços do Azure é simples, o que acelera significativamente o processo de implementação. Aprecio a variedade de recursos disponíveis para ETL e análises, permitindo-nos usá-la regularmente para uma gama de diferentes cargas de trabalho. Quando surgem problemas, a documentação e os recursos de suporte geralmente são suficientes para ajudar a resolver as questões rapidamente. Análise coletada por e hospedada no G2.com.

Às vezes, a plataforma pode parecer um pouco complicada para os recém-chegados, e pode levar algum tempo para que os clusters sejam iniciados. Gerenciar custos nem sempre é simples, e certos recursos exigem configuração adicional. Embora o suporte geralmente seja útil, os tempos de resposta podem ser ocasionalmente lentos. Análise coletada por e hospedada no G2.com.

Eu uso o Azure Databricks para processamento de dados, ETL e análises em grandes conjuntos de dados. Eu gosto de sua escalabilidade e fácil colaboração em uma plataforma unificada. Aprecio seu desempenho rápido, integração perfeita com outros serviços do Azure e notebooks fáceis de usar. A configuração inicial foi muito fácil, especialmente com as diretrizes fornecidas no site. Análise coletada por e hospedada no G2.com.

Gestão de custos, tempos rápidos de inicialização de clusters e uma interface de usuário mais intuitiva para iniciantes. Análise coletada por e hospedada no G2.com.

O Azure Databricks é uma ótima plataforma que oferece um ambiente robusto para consultar grandes conjuntos de dados através do Apache Spark. Eu aprecio especialmente como é fácil integrar com a conta de armazenamento do Azure e notebooks, tornando a análise de big data eficiente e escalável. O controle de versão embutido do Databricks, combinado com a integração suave com o GitHub, facilita a colaboração e o gerenciamento de código. É uma das melhores configurações com as quais já trabalhei. Análise coletada por e hospedada no G2.com.

A configuração e a configuração do cluster às vezes são confusas e demoradas. Análise coletada por e hospedada no G2.com.