Dataiku Reseñas y Detalles del Producto

Comencé a usar Dataiku como analista de datos junior. Las recetas visuales han transformado cómo se construye un proyecto de análisis de principio a fin. A medida que comencé a abordar proyectos complejos y expandir mi conocimiento de la ciencia de datos y el dominio en el que estoy trabajando, empecé a descubrir las latitudes de capacidades que puedo adoptar de las herramientas y API de Dataiku. Me ha ayudado enormemente a acelerar mis objetivos profesionales. Otro aspecto fantástico sería la actualización constante de las características y herramientas como la gestión de calidad de datos, LLM mesh y Agentic AI en el estudio, lo cual se convierte en una inspiración para probar e implementar pasos adicionales (en el flujo de ML) que me ayudan a aumentar el valor comercial en los proyectos en los que estoy trabajando. También me inscribí en la academia de Dataiku. Reseña recopilada por y alojada en G2.com.

Como describí, Dataiku es fantástico para comenzar como principiante, pero a medida que el proyecto se vuelve más complejo, al comenzar a usar las APIs de Dataiku en Python, empecé a sentir una falta de detalle en la disponibilidad de la documentación. Por ejemplo, desearía que las APIs de Dataiku para Python tuvieran una documentación más clara, como podemos observar en algunas bibliotecas como Pytorch, Scikit Learn, Scipy o Plotly. Detalles como todos los parámetros disponibles para una función específica y parámetros adicionales que se pueden usar con uno o dos ejemplos que expliquen qué significa cada parámetro para la implementación de la función. La documentación actualmente disponible es altamente limitada para ayudarme a entender las capacidades completas de una función o API específica. Así que, mi mejor recurso de referencia a menudo son las respuestas de publicaciones en el blog que proporciona Dataiker. Con gratitud, solicitaría al equipo que mejore la documentación hasta tal punto que agregue valor a un desarrollador experimentado de ML Ops. Reseña recopilada por y alojada en G2.com.

Dataiku es excelente para gestionar toda la cadena de datos desde la preparación de datos hasta el aprendizaje automático y la implementación. La mejor parte es que es fácil de implementar. La mejor parte es cómo permite a usuarios tanto técnicos como no técnicos colaborar en la misma plataforma. Los flujos de trabajo visuales facilitan la creación de proyectos sin necesidad de programación intensiva, mientras que los usuarios avanzados aún pueden profundizar con Python, R o SQL. La integración con plataformas en la nube y el control de versiones también es muy fluida. Reseña recopilada por y alojada en G2.com.

La plataforma puede parecer pesada para proyectos más pequeños, y la curva de aprendizaje inicial es un poco empinada para principiantes. Además, los costos de licencia pueden ser altos para pequeñas empresas o startups. Reseña recopilada por y alojada en G2.com.

Plataforma de extremo a extremo: Desde la ingestión y preparación de datos hasta el despliegue y monitoreo de modelos, Dataiku cubre todo el ciclo de vida de un proyecto de datos. Esto elimina la necesidad de herramientas dispares y agiliza todo el flujo de trabajo.

Entorno colaborativo: La plataforma fomenta una colaboración fluida a través de proyectos compartidos, comentarios y control de versiones. Esto asegura que todos estén en la misma página y contribuyan con su experiencia única. Mis compañeros de trabajo comparten sus proyectos entre sí y trabajan juntos en algunos proyectos.

Integraciones extensas: Dataiku se integra perfectamente con una amplia gama de bases de datos, plataformas en la nube y bibliotecas de aprendizaje automático. Esta flexibilidad nos permite aprovechar nuestra infraestructura y recursos existentes. Acabo de enterarme de que se añadió recientemente una nueva biblioteca de R que podría facilitarnos la vida en la manipulación de datos.

Gestión robusta de modelos: La plataforma proporciona herramientas completas para rastrear el rendimiento de los modelos, gestionar versiones y asegurar el cumplimiento. Esto es crítico para mantener la precisión y fiabilidad de nuestras decisiones basadas en datos. Reseña recopilada por y alojada en G2.com.

El motor en funcionamiento puede ser complicado, no hay un motor que pueda hacerlo todo. A veces tengo que probar diferentes motores para que funcione. Reseña recopilada por y alojada en G2.com.

Dataiku se destaca por su facilidad de uso: la interfaz de arrastrar y soltar combinada con la opción de programar cuando es necesario lo hace accesible para una amplia gama de usuarios. La implementación fue fluida y bien respaldada por el equipo de éxito del cliente. Uso Dataiku con frecuencia porque ofrece una gran cantidad de funciones, desde la preparación de datos hasta el despliegue de modelos. La integración con otras herramientas como bases de datos, servicios en la nube y APIs es sencilla, lo que hace que la plataforma sea aún más poderosa para proyectos de principio a fin. Reseña recopilada por y alojada en G2.com.

Aunque en general la plataforma es excelente, algunos ajustes y opciones avanzadas pueden ser un poco abrumadores para los nuevos usuarios. Además, la estructura de precios puede ser un factor limitante para empresas o equipos más pequeños. Reseña recopilada por y alojada en G2.com.

La plétora de fuentes de datos plug-in, toneladas de opciones para recetas predefinidas (para EDAs, ingeniería de datos y análisis rápidos y sucios). Junto con eso, también tenemos recetas basadas en código para escribir nuestros propios códigos. Y la guinda del pastel es el entorno colaborativo sin que tengamos que manejar explícitamente nada de eso. Reseña recopilada por y alojada en G2.com.

Desearía que hubiera más opciones de personalización disponibles para algunas de las recetas visuales. Otra cosa es el control de versiones: aunque Dataiku maneja el control de versiones, es muy poco intuitivo y difícil volver a una versión anterior, o incluso entender los cambios realizados entre diferentes versiones. Necesitamos tener comentarios de commit y otras características similares a git para que funcione mejor. Reseña recopilada por y alojada en G2.com.

Dataiku ha sido un cambio de juego en la democratización de los flujos de trabajo de datos. Me encanta lo intuitivo que es para que los equipos multifuncionales construyan canalizaciones, transformen conjuntos de datos y colaboren, todo dentro de un flujo visual y manipulen los datos. Es el tipo de herramienta que hace que la manipulación sea sin esfuerzo, la experimentación fácil y el compartir el trabajo sin fricciones. Reseña recopilada por y alojada en G2.com.

Por mucho que aprecie lo accesible y lleno de funciones que es Dataiku, hay momentos en los que su flexibilidad se siente como un arma de doble filo. Algunos casos de uso se vuelven sorprendentemente complejos debido a la lógica de las recetas, y manejar flujos de trabajo parametrizados o reutilizables puede sentirse torpe. También puede ser lento como plataforma basada en la nube, con múltiples usuarios editando flujos de trabajo únicos. Hace el trabajo, pero a veces desearías que lo manejara de manera más rápida, limpia y táctil. Reseña recopilada por y alojada en G2.com.

Me encanta la plataforma, es intuitiva y muy útil. Las recetas de llm son especialmente útiles. En general, creo que es una gran plataforma, se ve genial, tiene sentido, y definitivamente me permite hacer mi trabajo más rápido. Reseña recopilada por y alojada en G2.com.

El soporte actual no siempre ha sido el mejor. A menudo he buscado ayuda y he perdido mucho tiempo yendo de un lado a otro sin resolver un problema, solo para que me digan que la persona que intenta ayudarme no sabe mucho sobre la versión en la nube de Dataiku. La documentación tampoco es específica para la nube, por lo que es un poco confusa. El proceso a través del cual Dataiku ha estado desarrollando un caso de uso para nosotros también ha tenido algunas dificultades. Reseña recopilada por y alojada en G2.com.

Es difícil destacar una sola característica, así que tendré que mencionar varias:

- La capacidad de servir a diferentes personas, como "codificadores" y "clicadores", significa que Dataiku es bien recibido por quienes no son científicos de datos. Sin embargo, para aquellos que prefieren codificar, también pueden hacerlo.

- La capacidad de integrarse con tantas tecnologías y motores de computación y almacenamiento tanto para la ingesta como para la computación paralela significa que no hay trabajo demasiado grande para realizar en Dataiku cuando se utiliza la tecnología adecuada.

- El Flow hace que las complejas canalizaciones de datos sean simples de entender y diseñar. También lo hace muy fácil de usar.

- La integración de Jupyter Notebooks, el versionado integrado de Git y la gestión del entorno de código Python hace que la creación de nuevos proyectos y la gestión de proyectos sea muy fácil.

- Y finalmente, me gustaría mencionar específicamente a su increíble equipo de soporte. En mi carrera en TI, he tratado con una multitud de proveedores de software empresarial, incluidos todos los grandes, y puedo decir honestamente que el soporte de Dataiku es el mejor con el que he tratado por mucho. La velocidad de respuesta es increíble incluso los fines de semana o fuera de horario. Está claro que operan las 24 horas del día, los 7 días de la semana, en todo el mundo. La calidad y cantidad de las respuestas del soporte es excepcional. Incluso al pedir fragmentos de código para usar la API de Dataiku, lo cual la mayoría de los proveedores normalmente cobrarían bajo servicios profesionales, nos ha sorprendido su disposición a ayudar y siempre hemos logrado un resultado. Reseña recopilada por y alojada en G2.com.

La interfaz gráfica de usuario es inconsistente a veces en cómo se deben realizar ciertas acciones. Aunque encontramos que el soporte de Dataiku es excepcional, tuvimos menos suerte en conseguir que se implementaran nuevas funciones. La corrección de errores también ha sido lenta en nuestra opinión, a pesar de que Dataiku tiene un buen calendario de lanzamientos (¡suelen lanzar una actualización cada 2 semanas!). En nuestra opinión, las funciones principales y la corrección de errores deberían tener más prioridad que las funciones de LLM y otras nuevas características.

Necesita más trabajo para mejorar las operaciones de ML. Por ejemplo, la deriva del modelo también está disponible a través de un complemento adicional y solo en ciertos algoritmos. Esto debería ser una capacidad central. La colaboración también podría mejorarse ya que hay algunos problemas de concurrencia que necesitan ser solucionados. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Dataiku es lo fácil que es de usar para crear y gestionar soluciones basadas en datos. La plataforma tiene una interfaz muy amigable, por lo que incluso si no eres experto, puedes comenzar a trabajar en tus proyectos de datos sin mucho problema. Es sencillo crear flujos de datos, hacer análisis e incluso crear modelos de aprendizaje automático, todo en un solo lugar. Además, me gusta mucho que Dataiku pueda conectarse muy fácilmente con diferentes servicios en la nube y fuentes de datos. Esto hace que mi trabajo sea mucho más rápido y eficiente porque no necesito dedicar mucho tiempo a la integración. En general, Dataiku ayuda mucho a pasar rápidamente de datos en bruto a resultados útiles. Reseña recopilada por y alojada en G2.com.

No hay muchas cosas que no me gusten de Dataiku, pero a veces, si quieres usar funciones más avanzadas, necesitas tener un conocimiento técnico más profundo. Para alguien que está comenzando, esto puede ser un poco difícil. Además, debido a que Dataiku siempre añade nuevas funciones, a veces no es fácil mantenerse al día y encontrar la mejor manera de usar todo. A veces, al integrarse con algunos sistemas en la nube, puede haber pequeños problemas técnicos, pero generalmente hay buen soporte y documentación para ayudar. Reseña recopilada por y alojada en G2.com.

🔄 Preparación Inteligente de Datos

Transforma datos en bruto en activos estructurados y listos para usar utilizando herramientas intuitivas mejoradas por sugerencias impulsadas por IA, detección automática de esquemas y reconocimiento inteligente de tipos.

🧪 Desarrollo Continuo

Apoya la analítica ágil con un entorno estilo CI/CD donde los flujos de datos, scripts y modelos evolucionan continuamente, promoviendo la iteración y mejora rápida.

⚙️ Facilidad de Implementación

Minimiza la complejidad de configuración con componentes modulares, interfaces de arrastrar y soltar, e integración sin problemas con ecosistemas de datos existentes (nube, local, híbrido).

✅ Validación Robusta de Datos

Asegura la calidad de los datos a través de verificaciones de validación integradas, paneles de perfilado y la flexibilidad para implementar lógica personalizada en Python para reglas complejas o específicas de dominio.

🧠 Construcción de Escenarios

Modela y simula diferentes escenarios empresariales o analíticos utilizando flujos de trabajo parametrizados, lógica de ramificación y componentes reutilizables para apoyar análisis de "qué pasaría si".

🌀 Zonas de Flujo

Organiza y gestiona procesos de datos en "Zonas de Flujo" — etapas claramente definidas (por ejemplo, Ingesta → Transformación → Validación → Salida) que hacen la orquestación de la tubería transparente y escalable.

📚 Página WIKI Integrada

Empodera la colaboración y el intercambio de conocimiento con una página WIKI integrada. Documenta la lógica, comparte mejores prácticas, rastrea cambios y capacita a nuevos usuarios sin esfuerzo. Reseña recopilada por y alojada en G2.com.

Aunque DSS ofrece una interfaz visual poderosa y flexibilidad, trabajar con grandes conjuntos de datos a menudo introduce una fricción significativa, particularmente durante la ejecución de escenarios y la depuración.

🚧 Puntos Clave de Dolor:

Cuellos de Botella de Rendimiento:

Ejecutar escenarios complejos en grandes conjuntos de datos directamente en el motor DSS es lento y consume muchos recursos, a menudo haciéndolo poco práctico para análisis sensibles al tiempo.

Dependencia de Motores Externos:

Para lograr un rendimiento aceptable, los equipos deben descargar el procesamiento a motores SQL o Spark, lo que requiere:

Configuración adicional de infraestructura (clústeres, permisos, conexiones)

Experiencia avanzada en SQL o PySpark, lo cual puede ser una barrera para analistas de datos o científicos de datos ciudadanos.

Sobrecarga de Depuración:

Solucionar problemas en grandes flujos de trabajo es engorroso debido a:

Transparencia limitada en la ejecución del código subyacente

Arquitectura de múltiples capas (flujo visual → traducción Spark/SQL → motor de ejecución)

Ciclos de iteración más lentos, especialmente con Spark Reseña recopilada por y alojada en G2.com.