Avaliações e Detalhes do Produto Monte Carlo

Os monitores de aprendizado de máquina integrados que rastreiam a frescura, o volume e as mudanças de esquema são fantásticos. Eu realmente aprecio como essas funcionalidades funcionam imediatamente. Análise coletada por e hospedada no G2.com.

Para ser completamente honesto, esta é a melhor ferramenta que usei para observabilidade de dados e verificações de qualidade de dados em grande escala. No entanto, se eu tivesse que mencionar uma desvantagem, seria os recursos extras que vêm com as integrações. Por exemplo, o MC tenta exibir rastreamentos da nossa integração com o Airflow em várias áreas, mas notei que as informações nem sempre são precisas em alguns lugares. Observei um problema semelhante com a integração do dbt também. Análise coletada por e hospedada no G2.com.

Descobri que o rastreamento de campo é muito mais útil do que eu imaginava. A escala de importância das tabelas também é muito agradável de se ver. Isso nos permitiu antecipar alertas de qualidade de dados antes que nossos stakeholders percebam qualquer problema. Acho fácil de navegar, especialmente para rastrear os modelos mais importantes. Há um recurso que informa se uma consulta mudou com base no número de caracteres em uma consulta, o que é realmente bom. Análise coletada por e hospedada no G2.com.

Eu realmente gostaria que houvesse uma maneira de adiar os monitores e alertas da mesma forma, pois às vezes pode se tornar avassalador. Análise coletada por e hospedada no G2.com.

Monte Carlo nos permitiu monitorar nossos pipelines de dados com maior clareza. Uma de suas características de destaque é sua capacidade de detectar erros antes que eles cheguem à produção, reduzindo significativamente o tempo de inatividade e garantindo a integridade dos dados.

Este produto também desempenhou um papel crucial no suporte ao nosso novo produto de dados voltado para o cliente. Suas robustas capacidades de detecção de erros e relatórios abrangentes nos permitiram lançar com confiança, sabendo que nossos dados eram precisos e confiáveis. Análise coletada por e hospedada no G2.com.

A curva de aprendizado para configurar monitores e entender o sistema foi mais íngreme do que o esperado. Combinado com o grande número de tabelas em nosso armazém, foi um processo de implementação trabalhoso. Alguns desses problemas são inevitáveis. No futuro, estou curioso para saber se há uma maneira mais eficiente de configurar monitores. Por exemplo, no nosso caso, configuramos as mesmas regras exatas para várias tabelas, com a única diferença sendo o nome do campo e algumas pequenas variações no SQL. Análise coletada por e hospedada no G2.com.

Gosto de como o Monte Carlo traz insights sobre a qualidade dos dados para as pessoas que podem corrigi-los, os usuários das fontes de dados. Também acho os limiares de ML úteis porque permitem que o Monte Carlo lide com os alertas de erro, então a equipe da plataforma de dados não precisa criar os limiares de erro manualmente. A integração com o Slack é outro ponto positivo, pois oferece um local centralizado para alertas e facilita o envio deles para as partes interessadas certas. O Monte Carlo é fácil de usar, mesmo que eu não tenha lidado com a configuração inicial. Análise coletada por e hospedada no G2.com.

Estou enfrentando desafios para integrar Monte Carlo com agentes de IA. Seria ótimo se os agentes de IA pudessem interagir de forma mais fluida com o Monte Carlo. Análise coletada por e hospedada no G2.com.

Gosto do Monte Carlo por seus recursos de IA que lidam automaticamente com a criação de limites quando você seleciona uma fonte para ser monitorada. O monitoramento automático de mudanças de esquema, mudanças de métricas e atualizações também é ótimo. Aprecio sua integração com o Slack, permitindo a criação de fluxos de trabalho automatizados e mantendo todos informados de forma proativa. O recurso de IA e o monitoramento automático economizam muito tempo ao eliminar a necessidade de pensar manualmente sobre limites ou verificar constantemente mudanças de esquema. Configurar o sistema foi muito fácil, pois todos os sistemas foram conectados rapidamente através de contas de administrador, levando menos de um dia. Análise coletada por e hospedada no G2.com.

A principal coisa que eu não gosto sobre Monte Carlo é como você precisa selecionar tabelas. Somos realmente cuidadosos sobre quais tabelas e fontes queremos monitorar, e isso leva bastante tempo. Não é muito fácil navegar e selecionar ou desselecionar tabelas de um esquema. Isso poderia ser melhorado na minha opinião. Análise coletada por e hospedada no G2.com.

A flexibilidade e o recebimento de alertas oportunos e confiáveis para Volume, Esquema e Atualidade são úteis. Poder ajustar o modelo é ótimo. Análise coletada por e hospedada no G2.com.

Não é desgosto, mas algumas coisas que podem ser melhores:

1) Os painéis podem ser melhores em fornecer insights mais acionáveis, como as tabelas que falham com mais frequência ou as 5 principais tabelas que falham, em qual esquema, falhando por qual motivo, monitores que falham frequentemente, etc.

2) Seria ótimo se quaisquer atualizações feitas em alertas no Monte Carlo pudessem fluir para incidentes no ServiceNow.

3) Integrações adicionais com arquivos seriam ótimas, como se um arquivo não chegou, etc.

4) Se pudermos ter o modelo ajustado para alertas muito antes de 2 semanas, seria uma mudança bem-vinda.

5) Conduzir workshops em um ambiente sandbox para equipes ajudaria a engajar mais colegas de equipe a entender e se familiarizar com o Monte Carlo. Análise coletada por e hospedada no G2.com.

Gosto da integração do Monte Carlo com o Slack, onde recebemos alertas através do Slack, que funciona como um ponto único para verificar todos os problemas. Esta integração economiza muito tempo. A configuração inicial não foi tão difícil porque um representante do Monte Carlo nos guiou pelo processo e forneceu uma transferência de conhecimento detalhada sobre como usar melhor a ferramenta. Análise coletada por e hospedada no G2.com.

Algumas das regras são muito sensíveis, gerando muitos alertas onde acabamos não tomando nenhuma ação. Há espaço para melhorias aqui. Talvez devesse haver uma correlação entre alertas de diferentes tabelas, de modo que, se houver colunas semelhantes em outras tabelas, então suas regras deveriam ser importadas; em vez de treinar o novo alerta do zero a cada vez. Análise coletada por e hospedada no G2.com.

Monte Carlo nos ajuda a manter um olhar atento sobre nosso data warehouse. Exemplos incluem nos notificar sobre grandes mudanças no volume ou na atualidade, o que nos ajuda a antecipar possíveis problemas, e a linhagem de tabelas/colunas, que nos permite ver o impacto de quaisquer mudanças nas tabelas/relatórios dependentes. Tenho certeza de que há outras funcionalidades úteis que ainda não exploramos também. Análise coletada por e hospedada no G2.com.

O custo aumentou consideravelmente, o que significa que tivemos que monitorar menos tabelas para permanecer dentro do orçamento. Gostaríamos de mais personalização nas notificações, pois podem ser bastante verbosas, e a capacidade de interagir com as notificações no GChat como costumávamos fazer no Slack. Talvez algumas opções a mais nos relatórios de Insight também seriam úteis. Análise coletada por e hospedada no G2.com.

Gosto que não precisamos escrever nossas próprias regras de DQ do zero e que está organizado em uma interface amigável. O painel de controle de qualidade de dados é uma ferramenta muito útil para mostrar aos executivos e provar o ROI do software. Análise coletada por e hospedada no G2.com.

Pode ser complicado e avassalador entender o processo como um todo sobre o que monitorar, quando alertar e qual prioridade atribuir. A pontuação de popularidade nem sempre corresponde ao que o negócio considera nossos dados mais importantes e usar a tag de ativo chave não permite a granularidade para ajustar quão importante um ativo é. Os recursos de IA poderiam ser melhorados, pois muitas vezes oferecem sugestões que não são totalmente úteis. Análise coletada por e hospedada no G2.com.

Gosto do recurso avançado de observabilidade de dados do Monte Carlo, que vem com ferramentas pré-definidas úteis, como monitor de frescor e volume. Também aprecio a capacidade de personalizá-las com SQL personalizado. O monitor de frescor nos ajuda a garantir que recebemos dados de nossos sistemas de origem e que nossos produtos de dados a jusante são atualizados conforme esperado. Caso contrário, somos alertados, permitindo-nos solucionar problemas e realizar correções prontamente. Configurar o Monte Carlo foi fácil com a documentação oficial, usando o método Monitor-as-code com configurações YAML, o que é útil para os desenvolvedores manterem em um repositório Git. Análise coletada por e hospedada no G2.com.

Eu gostaria que houvesse mais personalização nos alertas de Monte Carlo para escrever nossas mensagens personalizadas, de modo que, quando forem enviadas para partes interessadas como proprietários de produtos de dados ou proprietários de sistemas de origem, eles possam obter um melhor contexto do alerta. Análise coletada por e hospedada no G2.com.