Probiere ein Beispiel für Echtzeit-Intelligenz aus

Power BI können in Real-Time Intelligence integriert werden, um Benutzern, die hohe Aktualisierungsraten oder hohe Datenmengen benötigen, eine verbesserte Leistung zu bieten. In diesem Artikel wird die Real-Time Intelligence-Beispielerfahrung beschrieben, bei der es sich um einen Einstiegspunkt von Power BI bis Real-Time Intelligence handelt.

Wenn Power BI mit Echtzeitintelligenz integriert ist, kann es Streamingdaten verwenden, um topaktuelle Einblicke bereitzustellen. Real-Time Intelligence verwaltet die Aufnahme, Transformation und Speicherung von Streamingdaten und stellt sie für die Analyse und Visualisierung in Power BI zur Verfügung. Diese Integration bietet eine umfassende und vollständig integrierte Lösung für die Analyse und Visualisierung von Daten in Echtzeit für Anwendungsfälle mit großen Datenvolumen oder hohen Aktualisierungsraten.

Real-Time Intelligence ist ein leistungsstarker Dienst in der Fabric Produktsuite, die Ihnen dabei helfen kann, Erkenntnisse zu extrahieren und Ihre Daten in Bewegung zu visualisieren. Es bietet eine End-to-End-Lösung für ereignisgesteuerte Szenarien, Streamingdaten und Datenprotokolle.

Erfahren Sie mehr über Real-Time Intelligence.

Erstellen eines Beispiels

Wenn die Aktualisierungsrate Ihres Semantikmodells einen bestimmten Schwellenwert überschreitet, erscheint eine Blase, in der Sie zum Ausprobieren einer Beispielerfahrung in Real-Time Intelligence eingeladen werden.

Wählen Sie Beispiel ausprobieren aus, um mit dem Erstellen einer End-to-End-Lösung in Real-Time Intelligence zu beginnen. Es werden die folgenden Komponenten erstellt:

• Ereignisdatenstrom
• Eventhouse
• KQL-Datenbank
• KQL-Queryset
• Echtzeitdashboard
• Power-BI-Bericht

Diese Lösung basiert auf Streaming-Beispieldaten, um zu veranschaulichen, wie einfach und leistungsfähig die Lösung in Real-Time Intelligence ist. Wenn der Build abgeschlossen ist, öffnet sich ein Dialog mit einzelnen Links zu den jeweiligen Beispielelementen, die in einer neuen Registerkarte in der Navigationsleiste geöffnet werden.

• Wählen Sie den Namen eines Elements aus, um es in Real-Time Intelligence zu öffnen.
• Wählen Sie Erkunden aus, um den Dialog zu schließen, und gehen Sie zum KQL-Datenbankfenster für das Beispiel.

Das Histogramm und die Tabellen im Hauptansichtsbereich werden automatisch aktualisiert, wenn die Daten aktualisiert werden.

Komponenten der Real-Time Intelligence-Lösung

Das Beispielszenario für Real-Time Intelligence umfasst die folgenden Komponenten:

• Event-Stream: Ein Ereignisdatenstrom ist das Modul für die Datenaufnahme und Verarbeitung Ihrer Echtzeitdaten in Microsoft Fabric. Sie können Ihre Daten transformieren und über Filter an verschiedene Ziele weiterleiten. Erfahren Sie mehr über Ereignisstreams.

• Eventhouse: Ein Eventhouse ist der Ort, an dem Daten gespeichert und analysiert werden. Ein Eventhouse ist auf die effiziente Handhabung von Echtzeitdatenstreams ausgelegt. Ein Eventhouse kann eine oder mehrere KQL-Datenbanken enthalten. Sie sind speziell auf große Mengen zeitbasierter Streaming-Ereignisse mit strukturierten, semistrukturierten und unstrukturierten Daten zugeschnitten. Erfahren Sie mehr über Eventhouse.

• KQL-Datenbank: Eine KQL-Datenbank ist der Ort, an dem Daten gespeichert und verwaltet werden. Sie ermöglicht Ihnen das Abfragen von Daten in Echtzeit und das Bereitstellen eines leistungsfähiges Tool für die Erkundung und Analyse von Daten. Die KQL-Datenbank unterstützt verschiedene Datenrichtlinien und Transformationen. Erfahren Sie mehr über KQL-Datenbanken.

• KQL-Abfrageset: Ein KQL-Abfrageset dient zum Ausführen von Abfragen sowie zum Anzeigen und Anpassen von Abfrageergebnissen für Daten aus einer KQL-Datenbank. Erfahren Sie mehr über KQL-Abfragen.

• Real-Time Dashboard: Ein Echtzeit-Dashboard bietet eine bis zur Sekunde genaue Momentaufnahme verschiedener Ziele und Datenpunkte in einer Sammlung von Kacheln. Jede Kachel hat eine zugrunde liegende Abfrage und eine visuelle Darstellung. Sie ermöglicht Ihnen das Visualisieren von Daten in Echtzeit, das Bereitstellen von Erkenntnissen und das Aktivieren der Datenerkundung. Erfahren Sie mehr über Echtzeit-Dashboards.

• Power BI: Erstellt Echtzeitberichte, die Daten aus Ereignisstreams und KQL-Datenbanken anzeigen, die von Real-Time Intelligence verwaltet werden. Berichte verbinden sich mit der KQL-Datenbank über DirectQuery unter Verwendung des Azure Data Explorer (Kusto)-Connectors, der sowohl Azure Data Explorer- als auch Fabric-KQL-Datenbanken unterstützt. Dynamische M-Abfrageparameter übertragen Filter und Zeitgranularitätsparameter in die KQL-Datenbank, sodass Visualisierungen aggregierte Ergebnisse anstelle von unverarbeiteten Ereignissen empfangen.

Erstellen einer eigenen Lösung in Real-Time Intelligence

Sie können diese Lösung mit Ihren eigenen Daten implementieren. Bevor Sie beginnen, benötigen Sie ein workspace mit einer Microsoft Fabric-fähigen capacity.

Halten Sie sich zum Einrichten eines eigenen Echtzeit-Dashboard an die Tutorials zu Real-Time Intelligence. Zusammenfassung der Schritte:

1. Erstellen Sie ein Eventhouse und richten Sie Ihre Umgebung ein.
2. Erstellen Sie einen Ereignisstream und übertragen Sie Ihre Daten in eine KQL-Datenbank.
3. Erstellen Sie ein KQL-Abfrageset und fragen Sie Ihre Daten ab.
4. Erstellen Sie ein Echtzeit-Dashboard und erkunden Sie Ihre Daten visuell.
5. Erstellen Sie einen Power BI-Bericht.
   • Stellen Sie eine Verbindung mit der KQL-Datenbank mithilfe von DirectQuery über den Azure Data Explorer (Kusto)-Connector her, der sowohl Azure Data Explorer- als auch Fabric KQL-Datenbanken unterstützt.
   • Verwenden Sie dynamische M-Abfrageparameter, um den Zeitbereich und die Größe des Bins an KQL-Abfragen zu übergeben, sodass Power BI aggregierte Datenreihen empfängt (z. B. make-series oder summarize Ausgabe) anstelle von unformatierten Ereignissen.
   • Führen Sie die Anomalieerkennung in KQL mithilfe von Funktionen wie series_decompose_anomalies aus, und geben Sie die berechneten Ergebnisse an Power BI Visuals zurück.

Tipp

Verwenden Sie bei großen Datenmengen aus Zeitreihen Abfragefaltung mit parametrisierten M-Abfragen, sodass Filter und Aggregationen in KQL ausgeführt werden. Vermeiden Sie das Importieren von ungefilterten Ereignisdaten mit hohem Volumen – geben Sie nur aggregierte Datensätze an visuelle Elemente zurück, um interaktive Leistung zu gewährleisten.

Zugehöriger Inhalt

• Dokumentation zu Real-Time Intelligence
• End-to-End-Tutorial zu Real-Time Intelligence