Compartir a través de

Seguimiento y visualización de datos

Convertir los datos sin procesar en información procesable es un paso clave en el ciclo de vida de los datos. Microsoft Fabric combina Power BI, Real-Time Intelligence y Fabric IQ para ayudar a los analistas de negocios a explorar, visualizar y responder a los datos casi en tiempo real. Mediante modelos semánticos, datos de streaming y análisis mejorados con IA, puede crear informes, paneles y alertas operativas que impulsan la toma de decisiones informada.

En este artículo, aprenderá sobre:

  • Creación de informes de Power BI y flujos de tareas translíticos para el análisis interactivo
  • Uso de Real-Time Intelligence para supervisar y actuar en los datos de streaming
  • Aplicación de la semántica empresarial, ontologías y modelos de grafos de Fabric IQ para unificar los datos empresariales

Explora y comparte conocimientos con Power BI

Los informes de Power BI usan modelos semánticos como red troncal analítica. Estos modelos centralizan la lógica de negocios, los cálculos y la gobernanza, lo que garantiza la coherencia entre informes y equipos. Los analistas de negocios pueden crear paneles interactivos, profundizar en las métricas y compartir información de forma segura en toda la organización. Use Power BI cuando necesite análisis estructurados, reutilizables y regulados basados en modelos semánticos almacenados en OneLake.

Puede distribuir e insertar informes de Power BI en aplicaciones de Microsoft 365:

  • Fije informes en canales o chats de Microsoft Teams para análisis colaborativo.
  • Insertar informes en páginas de SharePoint mediante el elemento web de Power BI.
  • Insertar informes dinámicos en presentaciones de PowerPoint .
  • Conéctese a conjuntos de datos de Power BI desde Excel para crear tablas dinámicas y gráficos sobre modelos semánticos.

Tomar medidas de los informes con flujos de trabajo translíticos

Los flujos de tareas translíticos permiten pasar de la información a la acción directamente dentro de un informe de Power BI. Puede invocar funciones de datos de usuario para actualizar registros, desencadenar flujos de trabajo o volver a escribir en OneLake sin salir de la interfaz del informe. Use flujos de tareas translíticos cuando la información y las actualizaciones operativas se deben realizar conjuntamente, como ajustar el inventario, actualizar las previsiones de ventas o resolver casos de soporte técnico.

En el diagrama siguiente se muestra cómo los informes de Power BI y los flujos de tareas translíticos combinan análisis y acciones en una única experiencia regulada:

Diagrama de la arquitectura de flujos de tareas translíticos de Power BI.

Supervisión y análisis de datos en tiempo real

La carga de trabajo de inteligencia de Real-Time en Microsoft Fabric le permite ingerir, procesar, analizar y actuar sobre los datos de streaming con una latencia mínima. Combina funcionalidades de los siguientes servicios:

Ingesta de datos de streaming con Eventstream

Eventstream ingiere datos de streaming de orígenes como Azure Event Hubs, Kafka, dispositivos IoT o API REST. Aplica transformaciones en tiempo real y enruta datos a servicios como Eventhouse o Lakehouse.

Eventstream admite el enrutamiento y la alineación del esquema, la normalización de marca de tiempo, la creación de particiones y la integración con Activator. Mientras los Eventstreams vierten datos de alta velocidad en Fabric, Activator monitoriza continuamente estos eventos de transmisión en base a reglas definidas, casi en tiempo real.

Análisis de eventos con Eventhouse

Eventhouse está optimizado para análisis de eventos y series temporales de gran volumen. Indexa y divide automáticamente los datos y usa el lenguaje de consulta kusto para filtrar, agregar, combinar y investigar anomalías rápidamente. Use Eventhouse cuando necesite análisis escalables de telemetría, métricas operativas o datos de registro.

La integración con Activator se produce a través de conjuntos de consultas KQL, que permiten definir consultas reutilizables que evalúan continuamente las condiciones en los datos de Eventhouse. El activador puede suscribirse a estas salidas de consulta y aplicar reglas basadas en los resultados de la consulta. Cuando una consulta de KQL detecta una condición (por ejemplo, el uso de CPU supera los 90% o una tendencia indica el riesgo de error), Activator desencadena acciones automatizadas como enviar alertas, iniciar flujos de Power Automate o ejecutar canalizaciones de Fabric. Esta combinación de la potencia analítica de KQL con la orquestación de Activator permite la automatización controlada por datos en tiempo real en escenarios empresariales.

Visualización de métricas dinámicas con paneles en tiempo real

Los paneles en tiempo real proporcionan visualizaciones interactivas y dinámicas de datos de streaming, lo que le permite supervisar las métricas clave y las señales operativas a medida que se producen. Basado en Eventhouse (bases de datos KQL), estos paneles le permiten consultar y mostrar datos de serie temporal con una latencia mínima, lo que ofrece información sobre el rendimiento del sistema, el comportamiento del cliente o la actividad del sensor en tiempo real. Admiten funcionalidades de filtrado dinámico, actualización automática y alertas, por lo que son ideales para casos de uso como la supervisión de TI, la telemetría de fabricación, el seguimiento de transacciones financieras y el análisis de soporte técnico al cliente. Los paneles en tiempo real también se integran con Activator, por lo que no solo puede observar, sino también responder a eventos críticos directamente desde la interfaz del panel, lo que convierte la información en acción sin demora.

Los paneles en tiempo real difieren de los informes normales de Power BI principalmente en su capacidad de visualizar y responder a datos de streaming en vivo con una latencia mínima. Normalmente, los informes de Power BI se basan en conjuntos de datos importados que se actualizan según una programación y son mejores para el análisis histórico y la exploración interactiva. Por otro lado, los paneles en tiempo real están diseñados para la supervisión operativa y la información inmediata.

Detección de anomalías

El detector de anomalías identifica automáticamente patrones o valores atípicos inusuales en datos de streaming o series temporales. Funciona mediante el análisis de los datos ingeridos en Eventhouse (bases de datos KQL) y la aplicación de modelos estadísticos o técnicas de aprendizaje automático para detectar desviaciones del comportamiento esperado. Estas anomalías podrían representar errores del sistema, fraudes, degradación del rendimiento u otros eventos críticos que requieren atención. A diferencia de las alertas estáticas basadas en umbrales, el detector de anomalías se adapta a las tendencias históricas y la estacionalidad de los datos, lo que hace que sea más eficaz para identificar problemas sutiles o contextuales.

Cuando se detecta una anomalía, puede desencadenar acciones de bajada a través de Activator, como enviar alertas, actualizar paneles o iniciar flujos de trabajo automatizados. Esta funcionalidad admite escenarios operativos en los que la detección temprana de anomalías puede evitar tiempos de inactividad, pérdida financiera o insatisfacción del cliente. Permite pasar de la supervisión reactiva a la intervención proactiva en los procesos empresariales.

Use la detección de anomalías cuando los umbrales estáticos no sean suficientes y los patrones se deben evaluar dinámicamente.

Automatización de respuestas con Activator

El activador supervisa continuamente los datos de streaming o de eventos y evalúa las reglas que defina. Admite reglas de umbral simples y detección de patrones con estado. Por ejemplo, cuando una métrica se vuelve crítica o disminuye con el tiempo. Esta funcionalidad le permite automatizar las decisiones y las tareas operativas casi en tiempo real, conectando las perspectivas de datos en directo con acciones instantáneas. Usa Activator para conectar análisis en tiempo real con respuestas operativas automatizadas.

Cuando se cumplen las condiciones, Activator puede:

En el diagrama siguiente se muestra cómo Real-Time Intelligence en Fabric ingiere datos de streaming, analiza eventos y desencadena acciones con baja latencia:

Diagrama de la arquitectura de Real-Time Intelligence.

Aplicación de la semántica empresarial con Fabric IQ

Fabric IQ proporciona una capa de contexto empresarial compartida en todo el patrimonio de datos. Asigna datos en Lakehouses, Warehouses, Eventhouses y modelos semánticos a una ontología unificada.

La ontología de tejido es un vocabulario compartido, comprensible por la máquina de su empresa que define las entidades clave (por ejemplo, Customer, Product o Plane), sus relaciones, propiedades, reglas de negocio y posibles acciones al tiempo que mantiene todos los términos en el lenguaje de la empresa. Reúne una representación activa y conectada de cómo funciona su negocio, asignada directamente a los datos subyacentes en OneLake. Este modelo permite a los usuarios y agentes ver no solo tablas, sino también relaciones como "Clientes colocan pedidos para productos", "Los vuelos tienen segmentos y tripulaciones" y "Los envíos retrasados afectan a ingresos". Este contexto centrado en datos es fundamental para cualquier inteligencia artificial que se espera que tome decisiones o análisis sobre la empresa.

Al definir un elemento de ontología (como una entidad "Flight" con propiedades como Status o Delay), se asigna a la tabla y los campos de un Eventhouse, Lakehouse o Warehouse que contienen esa información, sin copiar ni mover los datos. Una vez que los datos llegan a OneLake, se convierten en parte de la ontología activa.

Además de las entidades y relaciones empresariales, las ontologías también pueden definir reglas accionables, como "Si el inventario está por debajo del umbral <, activar la reposición". Los agentes de operaciones usan estas reglas para activar flujos de trabajo en Activator. Cuando un Agente de operaciones invoca a Activator para ejecutar un flujo de Power Automate, pasa parámetros derivados de propiedades ontologías, como CustomerID y OrderStatus. Este enfoque garantiza que los flujos de automatización funcionen con contexto empresarial completo, no solo identificadores sin procesar.

Esta capa semántica permite análisis coherentes, razonamiento de IA y automatización.

Exploración de datos conectados con modelos de grafos

Los modelos de grafos proporcionan una red conectada de entidades y relaciones definidas por la ontología. Facilitan el razonamiento de múltiples saltos, el análisis de impacto y algoritmos avanzados, como el camino más corto y la detección de comunidades. Esta integración permite a los agentes de inteligencia artificial y las herramientas de análisis consultar relaciones complejas de forma eficaz. Ofrece información en tiempo real sobre las dependencias y los efectos en cascada que los modelos relacionales tradicionales tienen dificultades para controlar. Puede interrogar modelos de grafos mediante consultas de GraphQL a través de las API de Fabric.

Contenido relacionado

  • Last updated on