Monte Carlo Bewertungen & Produktdetails

Die eingebauten maschinellen Lernmonitore, die Frische, Volumen und Schemaänderungen verfolgen, sind fantastisch. Ich schätze wirklich, wie diese Funktionen sofort einsatzbereit sind. Bewertung gesammelt von und auf G2.com gehostet.

Um ganz ehrlich zu sein, ist dies das beste Tool, das ich für Datenbeobachtbarkeit und groß angelegte Datenqualitätsprüfungen verwendet habe. Wenn ich jedoch einen Nachteil erwähnen müsste, wären es die zusätzlichen Funktionen, die mit den Integrationen einhergehen. Zum Beispiel versucht MC, Spuren aus unserer Airflow-Integration in mehreren Bereichen anzuzeigen, aber ich habe bemerkt, dass die Informationen an einigen Stellen nicht immer genau sind. Ein ähnliches Problem habe ich auch bei der dbt-Integration beobachtet. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe festgestellt, dass die Feldabstammung weitaus nützlicher ist, als ich ursprünglich dachte. Die Bedeutungsskala der Tabelle ist ebenfalls sehr schön zu sehen. Sie hat es uns ermöglicht, Datenqualitätswarnungen vorauszusehen, bevor unsere Stakeholder überhaupt von einem Problem erfahren. Ich finde es besonders einfach, zu navigieren und die wichtigsten Modelle zu verfolgen. Es gibt eine Funktion, die Ihnen mitteilt, ob sich eine Abfrage basierend auf der Anzahl der Zeichen in einer Abfrage geändert hat, was wirklich schön ist. Bewertung gesammelt von und auf G2.com gehostet.

Ich wünschte wirklich, es gäbe eine Möglichkeit, die Monitore und Alarme auf die gleiche Weise zu pausieren, da es manchmal überwältigend werden kann. Bewertung gesammelt von und auf G2.com gehostet.

Monte Carlo hat es uns ermöglicht, unsere Datenpipelines mit erhöhter Klarheit zu überwachen. Eine seiner herausragenden Funktionen ist die Fähigkeit, Fehler zu erkennen, bevor sie in die Produktion gelangen, was die Ausfallzeiten erheblich reduziert und die Datenintegrität gewährleistet.

Dieses Produkt spielte auch eine entscheidende Rolle bei der Unterstützung unseres neuen, kundenorientierten Datenprodukts. Seine robuste Fehlererkennung und umfassenden Berichtsfunktionen ermöglichten es uns, mit dem Wissen zu starten, dass unsere Daten genau und zuverlässig sind. Bewertung gesammelt von und auf G2.com gehostet.

Die Lernkurve für die Einrichtung von Monitoren und das Verständnis des Systems war steiler als erwartet. In Kombination mit der großen Anzahl von Tabellen in unserem Lager war es ein mühsamer Implementierungsprozess. Einige dieser Probleme sind unvermeidbar. In Zukunft bin ich neugierig, ob es eine effizientere Möglichkeit gibt, Monitore einzurichten. Zum Beispiel haben wir in unserem Fall genau die gleichen Regeln für mehrere Tabellen eingerichtet, wobei der einzige Unterschied der Feldname und einige leichte Variationen im SQL waren. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag, wie Monte Carlo den Nutzern der Datenquellen, die die Probleme beheben können, Einblicke in die Datenqualität bietet. Ich finde auch die ML-Schwellenwerte hilfreich, da sie es Monte Carlo ermöglichen, die Fehlerwarnungen zu verwalten, sodass das Datenplattform-Team die Fehlerschwellenwerte nicht manuell erstellen muss. Die Integration mit Slack ist ein weiterer Pluspunkt, da sie einen zentralen Ort für Warnungen bietet und es einfach macht, diese an die richtigen Stakeholder zu senden. Monte Carlo ist einfach zu bedienen, obwohl ich die anfängliche Einrichtung nicht selbst vorgenommen habe. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe Schwierigkeiten bei der Integration von Monte Carlo mit KI-Agenten. Es wäre großartig, wenn KI-Agenten nahtloser mit Monte Carlo interagieren könnten. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag Monte Carlo wegen seiner KI-Funktionen, die automatisch die Erstellung von Grenzen übernehmen, wenn man eine zu überwachende Quelle auswählt. Die automatische Überwachung von Schemaänderungen, Metrikänderungen und Aktualität ist ebenfalls großartig. Ich schätze die Integration mit Slack, die die Erstellung automatisierter Workflows ermöglicht und alle proaktiv informiert hält. Die KI-Funktion und die automatische Überwachung sparen viel Zeit, da sie die Notwendigkeit beseitigen, manuell über Grenzen nachzudenken oder ständig nach Schemaänderungen zu suchen. Die Einrichtung des Systems war sehr einfach, da alle Systeme schnell über Admin-Konten verbunden wurden und weniger als einen Tag in Anspruch nahmen. Bewertung gesammelt von und auf G2.com gehostet.

Das Hauptproblem, das ich mit Monte Carlo habe, ist, wie man Tische auswählen muss. Wir sind sehr vorsichtig bei der Auswahl der Tische und Quellen, die wir überwachen möchten, und das nimmt ziemlich viel Zeit in Anspruch. Es ist nicht besonders einfach, durch ein Schema zu navigieren und Tische auszuwählen oder abzuwählen. Das könnte meiner Meinung nach verbessert werden. Bewertung gesammelt von und auf G2.com gehostet.

Ich nutze Monte Carlo hauptsächlich zur Überwachung der Datenqualität und Zuverlässigkeit in unseren Datenpipelines. Ich mag, dass es uns hilft, Anomalien, defekte Tabellen oder unerwartete Änderungen schnell zu erkennen, bevor sie die nachgelagerte Analytik beeinträchtigen. Ich schätze die automatisierte Datenüberwachung und -benachrichtigung sehr – sie macht Probleme sichtbar, ohne dass ständige manuelle Überprüfungen erforderlich sind. Die Sichtbarkeit der Datenherkunft und der Pipeline-Gesundheit beschleunigt das Debugging erheblich. Es integriert sich nahtlos in bestehende Datenwerkzeuge, was die Einführung für das Team erleichtert. Die automatisierte Überwachung und Benachrichtigung helfen mir, Datenanomalien schnell zu erkennen und Probleme zu beheben, bevor sie Dashboards oder Geschäftsentscheidungen beeinflussen. Das Datenherkunfts-Feature ist besonders wertvoll, da es zeigt, wie Datensätze miteinander verbunden sind, was es einfacher macht, die Ursache eines Problems zu ermitteln. Zusammen sparen diese Funktionen viel Zeit bei der Fehlersuche und erhöhen das Vertrauen in unsere Daten insgesamt. Bewertung gesammelt von und auf G2.com gehostet.

Manchmal können sich die Warnungen etwas aufdringlich anfühlen, besonders wenn mehrere verwandte Probleme gleichzeitig ausgelöst werden, daher würde eine bessere Abstimmung oder Gruppierung der Warnungen helfen. Die anfängliche Einrichtung und Konfiguration hat auch einige Zeit in Anspruch genommen, um vollständig verstanden zu werden. Eine Verbesserung der Anpassungsmöglichkeiten und eine intuitivere Gestaltung des Onboardings würden die Erfahrung noch reibungsloser machen. Bewertung gesammelt von und auf G2.com gehostet.

Die Flexibilität und das Erhalten von rechtzeitigen und zuverlässigen Benachrichtigungen für Volumen, Schema und Frische ist nützlich. Die Möglichkeit, das Modell anzupassen, ist großartig. Bewertung gesammelt von und auf G2.com gehostet.

Nicht Abneigung, aber ein paar Dinge, die besser sein könnten:

1) Dashboards könnten besser darin sein, umsetzbare Erkenntnisse zu liefern, wie z.B. die am häufigsten fehlschlagenden Tabellen oder die Top 5 der fehlschlagenden Tabellen, unter welchem Schema, aus welchem Grund sie fehlschlagen, häufig fehlschlagende Monitore usw.

2) Es wäre großartig, wenn alle in Monte Carlo vorgenommenen Aktualisierungen von Warnungen in ServiceNow-Vorfälle einfließen könnten.

3) Zusätzliche Integrationen mit Dateien wären großartig, z.B. wenn eine Datei nicht angekommen ist usw.

4) Wenn wir das Modell für Warnungen viel früher als in 2 Wochen abstimmen könnten, wäre das ein willkommener Schritt.

5) Workshops in einer Sandbox-Umgebung für Teams durchzuführen, würde helfen, mehr Teammitglieder zu engagieren, um Monte Carlo zu verstehen und damit zu arbeiten. Bewertung gesammelt von und auf G2.com gehostet.

Die Art und Weise, wie Monte Carlo Anomalien in der Datenaktualität und im Pipeline-Verhalten aufdeckt, ist äußerst hilfreich. Es ermöglicht unserem Team, Qualitätsprobleme zu erkennen, bevor sie sich auf nachgelagerte Benutzer auswirken. Die benutzerdefinierten SQL-Abfragewarnungen sind sehr genau und sie sparen mir viel Zeit, indem sie mich direkt darauf hinweisen, wo etwas schief läuft. Bewertung gesammelt von und auf G2.com gehostet.

Das Formatieren von E-Mail-Benachrichtigungen ist einschränkend – es ist schwierig, saubere Tabellen oder reichhaltigere Layouts für nachgelagerte Benutzer einzufügen. Mehr Unterstützung für Outlook-ähnliche Formatierungen wäre eine große Verbesserung. Bewertung gesammelt von und auf G2.com gehostet.

Ich schätze die Überwachungsfunktion in Monte Carlo wirklich sehr. Es ist großartig, weil wir benutzerdefinierte Warnungen und E-Mails schreiben können, die in Teams integriert sind, was es wirklich einfach macht, unsere Stakeholder über etwaige Datenqualitätsprobleme oder wichtige Updates, nach denen sie suchen, zu informieren. Es ist wirklich leistungsstark, um Ausnahmen in den Daten zu verstehen, selbst solche, die nicht direkt Fehler oder größere Datenqualitätsprobleme sind, was unser Team als sehr wertvoll empfindet. Bewertung gesammelt von und auf G2.com gehostet.

Es wäre großartig, den Abschnitt für Warnungen und Überwachung enger zu integrieren. Einige der UI-Elemente könnten Verbesserungen vertragen. Die Standardteile in den E-Mails könnten angepasst werden, da sie immer auf einen Pipeline-Fehler oder eine Warnung hinweisen, aber manchmal sind sie nur informativ. Ich wünsche mir auch, dass es näher an unsere Daten integriert werden könnte, um zu vermeiden, denselben Code an verschiedenen Stellen zu wiederholen. Bewertung gesammelt von und auf G2.com gehostet.

Ich mag die Slack-Integration von Monte Carlo, bei der wir über Slack benachrichtigt werden, das als zentrale Anlaufstelle dient, um alle Probleme zu überprüfen. Diese Integration spart viel Zeit. Die anfängliche Einrichtung war nicht so schwierig, da ein Monte Carlo-Vertreter uns durch den Prozess geführt und eine detaillierte Wissensvermittlung darüber gegeben hat, wie man das Tool am besten nutzt. Bewertung gesammelt von und auf G2.com gehostet.

Einige der Regeln sind zu empfindlich und lösen viele Warnungen aus, bei denen wir letztendlich überhaupt nicht handeln. Hier gibt es Raum für Verbesserungen. Vielleicht sollte es eine Korrelation zwischen verschiedenen Tabellenwarnungen geben, sodass, wenn es ähnliche Spalten in anderen Tabellen gibt, deren Regeln importiert werden sollten, anstatt jedes Mal die neue Warnung frisch zu trainieren. Bewertung gesammelt von und auf G2.com gehostet.