Avaliações e Detalhes do Produto Databricks

What I like best about Databricks is its powerful and unified analytics ecosystem. Features like Unity Catalog and Metastore make data governance and access control seamless, while the Lakehouse architecture combines the best of data lakes and warehouses. PySpark support, dbutils, and collaborative workspaces make development efficient, and serverless compute simplifies scaling without infrastructure overhead. Análise coletada por e hospedada no G2.com.

What I dislike about Databricks is the slow startup time of all-purpose clusters, which can interrupt workflow and reduce productivity. Additionally, Git integration can feel a bit sluggish at times, especially during commits or syncing, making version control less seamless than expected. Análise coletada por e hospedada no G2.com.

i am working as a Data management specialist and using databricks regularly for handling data pipelines, large scale data processing, and governance tasks, i like most is that databricks provides a single unified platform for data engineering , analytics and AI , instead of using multiple tools. everything is available in one place, the lakehouse architecture is very useful because it combines data warehouse and data lake capabilities, so we can manage both structured and unstructured data efficiently. performance is very strong, especially with apache spark, it can process very large datasets quickly. i also like the collaborative notebooks where teams can work together using SQL, python or scala. Análise coletada por e hospedada no G2.com.

one issue is that it has a steep learning curve, especially for new users who are not familiar with spark or distributed systems. cost management can also be challenging , it clustered are not optimized properly it can become expensive, sometimes too many features and configuration can makes it complex to manage for smaller teams. sometimes the platform feel complex. with many feature and configuration which can be difficult for smaller teams to manages. it it a powerful platform, but complexity and cost control are the main challenges in daily use. Análise coletada por e hospedada no G2.com.

Databricks' ability to seamlessly integrate everything is what I find most appealing. When working on actual projects, it really makes a big difference that you don't have to switch between several tools for data engineering, analysis, and machine learning.

The collaborative element is very noteworthy. Teams may easily collaborate without things becoming messy thanks to the notebooks' fluid and dynamic feel. For significant data work, it resembles Google Docs almost exactly.

I also really like how efficiently it manages large amounts of data without making it seem difficult. Even when working with large datasets, the platform feels user-friendly and can be scaled up when necessary.

Additionally, it makes perfect sense from an AI/ML standpoint. You are able to construct, Análise coletada por e hospedada no G2.com.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things. Análise coletada por e hospedada no G2.com.

Acredito que a coisa mais atraente sobre o Databricks reside na sua natureza tudo-em-um, que facilita o gerenciamento de dados. Anteriormente, quando eu usava várias ferramentas para atividades relacionadas a dados, a experiência não era ótima, mas aqui tudo parece estar interconectado e direto.

A capacidade de utilizar notebooks, especialmente ao trabalhar com PySpark, é outra vantagem do Databricks que eu gosto no núcleo. A ferramenta permite executar rapidamente mudanças e modificações sem preparação excessiva. Isso também impacta positivamente o processo de colaboração entre minha equipe, que pode trabalhar simultaneamente em seus projetos e monitorar o progresso geral. No entanto, o controle de versão às vezes pode parecer um pouco confuso na minha visão.

Em termos de desempenho, o Databricks parece eficiente para mim ao lidar com big data e operar suavemente sem atrasos. O dimensionamento de clusters ocorre automaticamente, permitindo que eu e minha equipe economizemos tempo no nível da infraestrutura. Portanto, é fácil, pois não são necessários planejamentos e ajustes adicionais.

Existem pequenos problemas com a interface do usuário, que às vezes funciona lentamente. Mas, no geral, devido a outros aspectos super como métodos fáceis de implementar e integrar coisas, isso me incentiva a utilizar o Databricks com frequência. Análise coletada por e hospedada no G2.com.

Um aspecto do Databricks que não gosto é sua interface de usuário. À medida que você passa mais tempo usando a ferramenta, mover-se entre notebooks e clusters se torna irritante às vezes.

Outro problema são os custos que podem se acumular rapidamente quando não somos cautelosos. Clusters desnecessários podem estar rodando por um período mais longo do que o necessário e sem o meu conhecimento ou o da minha equipe, aumentando assim os custos em nossos projetos.

Há também a complexidade de depurar os erros, que são difíceis às vezes, pois envolve gastar esforço extra tentando descobrir onde as coisas podem ter dado errado, principalmente ao lidar com pipelines complexos.

Às vezes, há algumas discrepâncias em relação ao atendimento ao cliente, que nos levam a lugares onde não precisamos estar. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no Databricks é como ele reúne engenharia de dados, análise e aprendizado de máquina em um espaço de trabalho unificado. Acho a colaboração muito mais fácil com cadernos compartilhados, e a integração perfeita com ferramentas de big data me economiza tempo. Ele simplifica fluxos de trabalho complexos, enquanto ainda oferece capacidades poderosas quando eu preciso delas. Análise coletada por e hospedada no G2.com.

Uma coisa que não gosto no Databricks é que pode parecer caro, especialmente para projetos ou equipes menores. Também acho a configuração de clusters e o gerenciamento de custos um pouco complexos às vezes. A interface, embora poderosa, pode ser intimidante para iniciantes, e depurar trabalhos distribuídos nem sempre é tão simples quanto eu gostaria. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no Databricks é como ele reúne engenharia de dados, análise e aprendizado de máquina em um espaço de trabalho limpo. Ele economiza tempo, facilita a colaboração e ajuda as equipes a avançarem mais rapidamente com grandes volumes de dados. Análise coletada por e hospedada no G2.com.

O que eu não gosto no Databricks é que o Auto Loader pode se tornar frustrante quando os dados de origem mudam com frequência, especialmente se os nomes das colunas ou os tipos de dados mudam sem aviso prévio.

Por exemplo, um campo como customer_id pode de repente aparecer como cust_id, ou uma coluna que anteriormente era uma string pode começar a chegar como um inteiro, o que pode causar deriva de esquema e quebrar o processamento a jusante.

Também acho inconveniente quando a inferência de esquema não é totalmente precisa, como quando JSON aninhado ou dados semiestruturados são lidos incorretamente, porque isso então requer correções manuais extras e manutenção para manter os pipelines funcionando sem problemas. Análise coletada por e hospedada no G2.com.

Gosto que o Databricks traga tudo para um só lugar, tornando desnecessário o uso de diferentes ferramentas para processamento de dados, análises e trabalho de pipeline. Ele lida bem com grandes volumes de dados, e não precisamos nos preocupar em gerenciar clusters manualmente. Além disso, o Databricks lida bem com colaboração e experimentação, tornando fácil experimentar coisas novas. Análise coletada por e hospedada no G2.com.

Do meu ponto de vista, a única área que pode ser melhorada é a gestão de custos. Se os clusters não forem monitorados cuidadosamente, os custos podem aumentar mais rápido do que o esperado. Uma melhoria que ajudaria é uma melhor visibilidade dos custos em um nível mais detalhado. Mais alertas embutidos ou recomendações quando os custos começarem a aumentar inesperadamente também seriam úteis. Análise coletada por e hospedada no G2.com.

A abordagem de plataforma unificada é o que mais aprecio. Ter notebooks, pipelines de engenharia de dados, fluxos de trabalho de ML e análises SQL tudo em um só lugar economiza muito tempo em vez de lidar com várias ferramentas. Os notebooks colaborativos facilitam o compartilhamento de trabalho com colegas de equipe, e o gerenciamento de clusters ficou muito mais suave ao longo do tempo. A integração com o Delta Lake também é uma grande vantagem para manter nossos dados confiáveis e consistentes. Análise coletada por e hospedada no G2.com.

O custo pode sair do controle rapidamente se você não for cuidadoso com o dimensionamento do cluster e o tempo de atividade. Nem sempre é óbvio como otimizar os gastos, e o modelo de preços parece complexo. A curva de aprendizado para novos membros da equipe também é mais íngreme do que eu gostaria, especialmente para pessoas que não estão familiarizadas com o Spark. Às vezes, a interface do usuário pode parecer lenta ao trabalhar com notebooks maiores, e a depuração de falhas de trabalho poderia ser mais direta. Análise coletada por e hospedada no G2.com.

Gosto que o Databricks seja uma potência tudo-em-um onde posso realizar múltiplos trabalhos em um só lugar. É poderoso para gerenciar dados de várias fontes e tê-los em um único UC para gerenciar permissões com segurança em nível de linha. Também aprecio que posso criar experimentos, executar múltiplos modelos e selecionar o melhor a partir dos logs, o que era difícil em outras plataformas. Uma vez que aprendi a configuração, tem sido fácil e confortável trabalhar com ele. Análise coletada por e hospedada no G2.com.

Acho difícil usar a calculadora para determinar os preços dos endpoints de serviço de CPU porque a documentação não explica isso explicitamente. Ela apenas menciona que 1 concorrência equivale a 1 DBU na página da Azure, o que não é claro. A calculadora de preços tem uma única opção para endpoints de serviço, rotulada como média com quatro DBU, mas não possui opções separadas para GPU ou CPU e suas concorrências, tornando difícil entender como funciona corretamente. Inicialmente, também achei muito difícil aprender Databricks e gerenciar implantações de workspaces, embora tenha se tornado mais fácil com o tempo. Análise coletada por e hospedada no G2.com.

Eu realmente valorizo como a plataforma reúne data lakes e data warehouses em um só lugar. Isso torna o gerenciamento de dados muito mais fácil, e o desempenho do SQL é muito rápido graças ao motor Photon. Também gosto dos notebooks colaborativos porque me permitem trabalhar com SQL e Python de forma integrada em um único ambiente. Análise coletada por e hospedada no G2.com.

O custo pode ser alto, e o sistema de faturamento DBU é bastante complexo de acompanhar. Também descobri que há uma curva de aprendizado significativa quando se trata de Spark e configuração de clusters. Para tarefas menores e rápidas, o tempo de configuração e a sobrecarga técnica às vezes podem parecer um pouco demais. Análise coletada por e hospedada no G2.com.