Monte Carlo Reseñas y Detalles del Producto

Los monitores de aprendizaje automático integrados que rastrean la frescura, el volumen y los cambios de esquema son fantásticos. Realmente aprecio cómo estas funciones funcionan directamente desde el primer momento. Reseña recopilada por y alojada en G2.com.

Para ser completamente honesto, esta es la mejor herramienta que he utilizado para la observabilidad de datos y verificaciones de calidad de datos a gran escala. Sin embargo, si tuviera que mencionar un inconveniente, sería las características adicionales que vienen con las integraciones. Por ejemplo, MC intenta mostrar trazas de nuestra integración de Airflow en varias áreas, pero he notado que la información no siempre es precisa en algunos lugares. He observado un problema similar con la integración de dbt también. Reseña recopilada por y alojada en G2.com.

He encontrado que el linaje de campo es mucho más útil de lo que imaginaba originalmente. La escala de importancia de la tabla también es muy agradable de ver. Nos ha permitido adelantarnos a las alertas de calidad de datos antes de que nuestros interesados se den cuenta de que algo está mal. Encuentro que es especialmente fácil de navegar y rastrear los modelos más importantes. Hay una función que te avisa si una consulta ha cambiado según el número de caracteres en una consulta, lo cual es realmente agradable. Reseña recopilada por y alojada en G2.com.

Realmente desearía que hubiera una manera de posponer los monitores y alertas de la misma manera, ya que a veces puede volverse abrumador. Reseña recopilada por y alojada en G2.com.

Monte Carlo nos ha permitido monitorear nuestras canalizaciones de datos con mayor claridad. Una de sus características destacadas es su capacidad para detectar errores antes de que lleguen a producción, reduciendo significativamente el tiempo de inactividad y asegurando la integridad de los datos.

Este producto también desempeñó un papel crucial en el apoyo a nuestro nuevo producto de datos orientado al cliente. Sus capacidades robustas de detección de errores e informes exhaustivos nos permitieron lanzar con confianza, sabiendo que nuestros datos eran precisos y confiables. Reseña recopilada por y alojada en G2.com.

La curva de aprendizaje para configurar los monitores y entender el sistema fue más pronunciada de lo esperado. Combinado con el gran número de tablas en nuestro almacén, fue un proceso de implementación laborioso. Algunos de estos problemas son inevitables. En el futuro, tengo curiosidad por saber si hay una manera más eficiente de configurar los monitores. Por ejemplo, en nuestro caso configuramos las mismas reglas exactas para múltiples tablas, con la única diferencia siendo el nombre del campo y algunas ligeras variaciones en el SQL. Reseña recopilada por y alojada en G2.com.

Me gusta cómo Monte Carlo lleva las ideas sobre la calidad de los datos a las personas que pueden corregirlas, los usuarios de las fuentes de datos. También encuentro útiles los umbrales de ML porque permiten que Monte Carlo maneje las alertas de error, de modo que el equipo de la plataforma de datos no tenga que crear los umbrales de error manualmente. La integración con Slack es otra ventaja, ya que ofrece un lugar centralizado para las alertas y facilita enviarlas a las partes interesadas adecuadas. Monte Carlo es fácil de usar, aunque no me encargué de la configuración inicial. Reseña recopilada por y alojada en G2.com.

Estoy teniendo dificultades para integrar Monte Carlo con agentes de IA. Sería genial si los agentes de IA pudieran interactuar de manera más fluida con Monte Carlo. Reseña recopilada por y alojada en G2.com.

Me gusta Monte Carlo por sus características de IA que manejan automáticamente la creación de límites cuando seleccionas una fuente para ser monitoreada. El monitoreo automático de cambios de esquema, cambios de métricas y frescura también es excelente. Aprecio su integración con Slack, que permite la creación de flujos de trabajo automatizados y mantiene a todos informados de manera proactiva. La característica de IA y el monitoreo automático ahorran mucho tiempo al eliminar la necesidad de pensar manualmente en los límites o de verificar constantemente los cambios de esquema. Configurar el sistema fue muy fácil, ya que todos los sistemas se conectaron rápidamente a través de cuentas de administrador, tomando menos de un día. Reseña recopilada por y alojada en G2.com.

Lo principal que no me gusta de Monte Carlo es cómo necesitas seleccionar las tablas. Somos muy cuidadosos con las tablas y fuentes que queremos monitorear, y eso lleva bastante tiempo. No es muy fácil navegar y seleccionar o deseleccionar tablas de un esquema. Eso podría mejorarse en mi opinión. Reseña recopilada por y alojada en G2.com.

Utilizo Monte Carlo principalmente para monitorear la calidad y fiabilidad de los datos a lo largo de nuestras canalizaciones de datos. Me gusta que nos ayude a detectar rápidamente anomalías, tablas rotas o cambios inesperados antes de que impacten en los análisis posteriores. Aprecio mucho la monitorización y alerta automatizada de datos, ya que saca a la luz problemas sin requerir revisiones manuales constantes. La visibilidad en la procedencia de los datos y la salud de las canalizaciones hace que la depuración sea mucho más rápida. Se integra sin problemas con las herramientas de datos existentes, lo que facilita la adopción por parte del equipo. La monitorización y alerta automatizada me ayudan a detectar anomalías en los datos rápidamente, solucionando problemas antes de que afecten a los paneles de control o decisiones empresariales. La función de procedencia de datos es especialmente valiosa porque muestra cómo están conectados los conjuntos de datos, facilitando el rastreo de la causa raíz de un problema. Juntas, estas características ahorran mucho tiempo de resolución de problemas y mejoran la confianza general en nuestros datos. Reseña recopilada por y alojada en G2.com.

A veces las alertas pueden parecer un poco ruidosas, especialmente cuando se activan múltiples problemas relacionados a la vez, por lo que una mejor afinación o agrupación de alertas ayudaría. La configuración inicial también tomó algo de tiempo para comprender completamente. Mejorar la personalización y hacer que la incorporación sea un poco más intuitiva haría que la experiencia fuera aún más fluida. Reseña recopilada por y alojada en G2.com.

La flexibilidad y recibir alertas oportunas y confiables para Volumen, Esquema y Frescura es útil. Poder ajustar el modelo es genial. Reseña recopilada por y alojada en G2.com.

No es que no me guste, pero hay un par de cosas que se pueden mejorar:

1) Los paneles pueden ser mejores al proporcionar más información procesable, como las tablas que fallan con más frecuencia o las 5 tablas que más fallan, bajo qué esquema, por qué razón fallan, monitores que fallan frecuentemente, etc.

2) Sería genial si cualquier actualización realizada en las alertas de Monte Carlo pudiera fluir hacia los incidentes de ServiceNow.

3) Serían geniales integraciones adicionales con archivos, como si un archivo no ha llegado, etc.

4) Si pudiéramos tener el modelo ajustado para alertas mucho antes de 2 semanas, sería un movimiento bienvenido.

5) Realizar talleres en un entorno de pruebas para los equipos ayudaría a involucrar a más compañeros para entender y familiarizarse con Monte Carlo. Reseña recopilada por y alojada en G2.com.

La forma en que Monte Carlo detecta anomalías en la frescura de los datos y el comportamiento de las canalizaciones es extremadamente útil. Permite a nuestro equipo detectar problemas de calidad antes de que afecten a los usuarios finales. Las alertas de consultas SQL personalizadas son muy precisas y me ahorran mucho tiempo al señalarme directamente dónde están los problemas. Reseña recopilada por y alojada en G2.com.

El formato de alerta por correo electrónico es restrictivo: es difícil insertar tablas limpias o diseños más ricos para los usuarios finales. Un mayor soporte de formato al estilo de Outlook sería una gran mejora. Reseña recopilada por y alojada en G2.com.

Realmente aprecio la función de monitoreo en Monte Carlo. Es genial porque podemos escribir alertas personalizadas y correos electrónicos que están integrados con Teams, lo que facilita mucho mantener informados a nuestros interesados sobre cualquier problema de calidad de datos o actualizaciones clave que estén buscando. Es realmente poderoso para entender excepciones en los datos, incluso aquellas que no son directamente fallas o problemas importantes de calidad de datos, lo cual nuestro equipo encuentra muy valioso. Reseña recopilada por y alojada en G2.com.

Sería genial integrar más estrechamente la sección de alertas y monitoreo. Algunos de los elementos de la interfaz de usuario podrían mejorarse. Las partes estándar en los correos electrónicos podrían ajustarse ya que siempre indican fallos o advertencias en la canalización, pero a veces son solo informativos. También desearía que pudiera integrarse más cerca de nuestros datos para evitar repetir el mismo código en varios lugares. Reseña recopilada por y alojada en G2.com.

Me gusta la integración de Slack de Monte Carlo, donde recibimos alertas a través de Slack, que actúa como un punto único para verificar todos los problemas. Esta integración ahorra mucho tiempo. La configuración inicial no fue tan difícil porque un representante de Monte Carlo nos guió a través del proceso y nos proporcionó una transferencia de conocimiento detallada sobre cómo usar mejor la herramienta. Reseña recopilada por y alojada en G2.com.

Algunas de las reglas son demasiado sensibles, generando muchas alertas donde al final no tomamos ninguna acción. Hay margen para mejorar aquí. Tal vez debería haber una correlación entre diferentes alertas de tablas, de modo que si hay columnas similares en otras tablas, entonces sus reglas deberían ser importadas; en lugar de entrenar la nueva alerta desde cero cada vez. Reseña recopilada por y alojada en G2.com.