Avaliações e Detalhes do Produto Azure Databricks

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.

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.

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.

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.

O Azure Databricks nos forneceu uma plataforma unificada para executar nossas cargas de trabalho do Spark em cima do Azure Data Lake Storage Gen2. Pudemos migrar nossos dados e pipelines do Hadoop on-premises para a nuvem com mínima reengenharia. Seus clusters gerenciados, escalonamento automático, notebooks e integração estreita com os serviços do Azure (ADLS, Key Vault, ADF) economizaram muito esforço de infraestrutura e manutenção. Os notebooks PySpark tornaram o desenvolvimento e a depuração muito mais fáceis em comparação com nossa configuração anterior. Análise coletada por e hospedada no G2.com.

Os tempos de inicialização de clusters ainda podem ser lentos para testes rápidos. A precificação é baseada no consumo e pode se tornar cara se os clusters forem deixados em execução ou mal dimensionados. Alguns recursos empresariais (por exemplo, segurança detalhada, monitoramento) exigem configuração extra. E, em comparação com o Hadoop local, há uma curva de aprendizado para permissões de espaço de trabalho e automação DevOps. Análise coletada por e hospedada no G2.com.

Gosto muito do sistema de notebooks Jupyter e da linhagem do Unity Catalog Análise coletada por e hospedada no G2.com.

Genie - Assistente de IA pode ter melhor precisão Análise coletada por e hospedada no G2.com.

O melhor do Azure Databricks é que é muito fácil de integrar a qualquer nuvem, RDBMS ou qualquer outro serviço de software. É muito fácil de usar e implementar. A frequência de uso é muito alta no meu projeto. Existem muitas funcionalidades no Azure Databricks. Além disso, é fácil integrar com GitLab, Hive, RDBMS, etc., para qualquer processo de ETC. Análise coletada por e hospedada no G2.com.

Não há nada que eu não goste no Azure Databricks com base em 4 anos de experiência. Análise coletada por e hospedada no G2.com.

Fácil de escrever programas e executar todos os scripts, aplicação amigável ao usuário Análise coletada por e hospedada no G2.com.

Tudo bem, estava atualizando dia a dia, tornando-se uma ferramenta gratuita e sem estresse para todos os usuários. Análise coletada por e hospedada no G2.com.

No Azure Databricks, você pode ter múltiplas camadas de segurança nessas tabelas, assim como a interface de usuário é muito melhor do que a do Teradata. Análise coletada por e hospedada no G2.com.

No Azure Databricks, provavelmente o custo é o da fábrica que as pessoas pensaram, pois pode ser um dos fatores. Análise coletada por e hospedada no G2.com.