Compartilhar via

Acompanhar e visualizar dados

Transformar dados brutos em insights acionáveis é uma etapa fundamental no ciclo de vida dos dados. O Microsoft Fabric combina o Power BI, o Real-Time Intelligence e o Fabric IQ para ajudar os analistas de negócios a explorar, visualizar e responder aos dados quase em tempo real. Usando modelos semânticos, dados de streaming e análise aprimorada por IA, você pode criar relatórios, dashboards e alertas operacionais controlados que conduzem a tomada de decisões informada.

Neste artigo, os seguintes tópicos serão abordados:

  • Criando relatórios do Power BI e fluxos de tarefas translíticos para análise interativa
  • Usando o Real-Time Intelligence para monitorar e agir sobre dados de streaming
  • Aplicar semântica de negócios, ontologias e modelos de grafo do Fabric IQ para unificar dados corporativos

Explorar e compartilhar insights com o Power BI

Os relatórios do Power BI usam modelos semânticos como backbone analítico. Esses modelos centralizam a lógica de negócios, os cálculos e a governança, garantindo a consistência entre relatórios e equipes. Os analistas de negócios podem criar painéis interativos, analisar métricas e compartilhar insights com segurança em toda a organização. Use o Power BI quando precisar de análise estruturada, reutilizável e governada baseada em modelos semânticos armazenados no OneLake.

Você pode distribuir e inserir relatórios do Power BI em aplicativos do Microsoft 365:

  • Fixe relatórios em canais ou chats do Microsoft Teams para análise colaborativa.
  • Insira relatórios em páginas do SharePoint usando a Web Part do Power BI.
  • Insira relatórios ao vivo em apresentações do PowerPoint .
  • Conecte-se a conjuntos de dados do Power BI do Excel para criar tabelas dinâmicas e gráficos sobre modelos semânticos.

Realizar ações a partir de relatórios com fluxos de tarefas translytical

Os fluxos de tarefas translyticais permitem que você passe do insight para a ação diretamente dentro de um relatório do Power BI. Você pode invocar funções de dados do usuário para atualizar registros, disparar fluxos de trabalho ou gravar novamente no OneLake sem sair da interface do relatório. Use fluxos de tarefas translíticos quando insights e atualizações operacionais devem ocorrer juntos, como ajustar o inventário, atualizar previsões de vendas ou resolver casos de suporte.

O diagrama a seguir mostra como relatórios do Power BI e fluxos de tarefas translíticos combinam análise e ação em uma única experiência governada:

Diagrama da arquitetura de fluxos de tarefas translíticos do Power BI.

Monitorar e analisar dados em tempo real

A carga de trabalho do Real-Time Intelligence no Microsoft Fabric permite que você ingera, processe, analise e aja em dados de streaming com latência mínima. Ele combina recursos dos seguintes serviços:

Ingerir dados de streaming com Eventstream

O Eventstream ingere dados de streaming de fontes como Hubs de Eventos do Azure, Kafka, dispositivos IoT ou APIs REST. Ele aplica transformações em tempo real e roteia dados para serviços como Eventhouse ou Lakehouse.

O Eventstream dá suporte a roteamento e alinhamento de esquema, normalização de carimbo de data/hora, particionamento e integração com o Activator. À medida que os Eventstreams alimentam dados de alta velocidade no Fabric, o Activator monitora continuamente esses eventos de streaming em relação às regras definidas quase em tempo real.

Analisar eventos com o Eventhouse

O Eventhouse é otimizado para análise de série temporal e eventos de alto volume. Ele indexa e particiona dados automaticamente e usa a Linguagem de Consulta Kusto para filtragem rápida, agregação, junções e investigação de anomalias. Use o Eventhouse quando precisar de uma análise escalonável de telemetria, métricas operacionais ou dados de log.

A integração com o Activator ocorre por meio de conjuntos de consultas KQL, que permitem definir consultas reutilizáveis que avaliam continuamente as condições nos dados do Eventhouse. O ativador pode assinar esses resultados de consulta e aplicar regras baseadas nos resultados da consulta. Quando uma consulta KQL detecta uma condição (por exemplo, o uso da CPU excede 90% ou uma tendência indica risco de falha), o Activator dispara ações automatizadas, como enviar alertas, iniciar fluxos do Power Automate ou executar pipelines do Fabric. Essa combinação do poder analítico da KQL com a orquestração do Activator permite automação controlada por dados em tempo real em cenários de negócios.

Visualizar métricas dinâmicas com painéis em tempo real

Os painéis em tempo real fornecem visualizações interativas e dinâmicas de dados de streaming, permitindo que você monitore as principais métricas e sinais operacionais à medida que eles acontecem. Criados com base em Eventhouse (bancos de dados KQL), esses painéis permitem consultar e exibir dados de série temporal com latência mínima, oferecendo insights sobre o desempenho do sistema, o comportamento do cliente ou a atividade do sensor em tempo real. Eles dão suporte a recursos dinâmicos de filtragem, atualização automática e alertas, tornando-os ideais para casos de uso, como monitoramento de TI, telemetria de fabricação, acompanhamento de transações financeiras e análise de suporte ao cliente. Os painéis em tempo real também se integram ao Activator, para que você não só possa observar, mas também responder a eventos críticos diretamente da interface do painel, transformando insights em ação sem demora.

Os dashboards em tempo real diferem dos relatórios regulares do Power BI principalmente em sua capacidade de visualizar e responder a dados de transmissão ao vivo com latência mínima. Os relatórios do Power BI normalmente são baseados em conjuntos de dados importados atualizados em um agendamento e são melhores para análise histórica e exploração interativa. Os painéis em tempo real, por outro lado, são projetados para monitoramento operacional e insights imediatos.

Detecção de anomalias

O detector de anomalias identifica automaticamente padrões ou exceções incomuns em dados de streaming ou de série temporal. Ele funciona analisando dados ingeridos em Eventhouse (bancos de dados KQL) e aplicando modelos estatísticos ou técnicas de machine learning para detectar desvios do comportamento esperado. Essas anomalias podem representar falhas do sistema, fraude, degradação de desempenho ou outros eventos críticos que exigem atenção. Ao contrário dos alertas estáticos baseados em limite, o detector de anomalias se adapta às tendências históricas e à sazonalidade dos dados, tornando-o mais eficaz na identificação de problemas sutis ou contextuais.

Quando uma anomalia é detectada, ela pode disparar ações subsequentes por meio do Activator, como enviar alertas, atualizar painéis ou iniciar fluxos de trabalho automatizados. Essa funcionalidade dá suporte a cenários operacionais em que a detecção precoce de anomalias pode evitar tempo de inatividade, perda financeira ou insatisfação do cliente. Ele permite que você passe do monitoramento reativo para a intervenção proativa nos processos empresariais.

Use a detecção de anomalias quando os limites estáticos não forem suficientes e os padrões precisarem ser avaliados dinamicamente.

Automatizar respostas com o Ativador

O ativador monitora continuamente os dados de streaming ou de eventos e avalia as regras que você define. Ele dá suporte a regras de limite simples e detecção de padrões dinâmicos. Por exemplo, quando uma métrica se torna crítica ou diminui ao longo do tempo. Essa funcionalidade permite automatizar decisões e tarefas operacionais quase em tempo real, fazendo a ponte de insights de dados dinâmicos para ações instantâneas. Use o Activator para fazer a ponte de insights em tempo real para respostas operacionais automatizadas.

Quando as condições são atendidas, o Ativador pode:

O diagrama a seguir mostra como o Real-Time Intelligence no Fabric ingere dados de streaming, analisa eventos e dispara ações com baixa latência:

Diagrama da arquitetura do Real-Time Intelligence.

Aplicar semântica de negócios com o IQ do Fabric

O IQ do Fabric fornece uma camada de contexto de negócios compartilhado em seu patrimônio de dados. Ele mapeia dados em Lakehouses, Warehouses, Eventhouses e modelos semânticos para uma ontologia unificada.

A Ontologia do Fabric é um vocabulário compartilhado e compreensível por máquina da sua empresa que define as principais entidades (por exemplo, Cliente, Produto ou Plano), suas relações, propriedades, regras de negócios e possíveis ações, mantendo todos os termos na linguagem da empresa. Ele reúne uma representação dinâmica e conectada de como sua empresa opera, mapeada diretamente para os dados subjacentes no OneLake. Esse modelo permite que usuários e agentes vejam não apenas tabelas, mas também relacionamentos como "Clientes colocam pedidos de produtos", "Voos têm segmentos e equipes" e "Remessas atrasadas afetam a Receita". Esse contexto centrado em dados é fundamental para qualquer IA que deverá tomar decisões ou análises sobre os negócios.

Quando você define um elemento de ontologia (como uma entidade "Flight" com propriedades como "Status" ou "Atraso"), mapeia-o para a tabela e os campos em um Eventhouse, Lakehouse ou Warehouse que contêm essas informações, sem copiar ou mover os dados. Depois que os dados chegam ao OneLake, eles se tornam parte da ontologia dinâmica.

Além das entidades e relações comerciais, as ontologias também podem definir regras acionáveis, como "Se o nível de inventário estiver abaixo do limite <, acionar a reposição." Os Agentes de Operações usam essas regras para iniciar fluxos de trabalho no Activator. Quando um Agente de Operações invoca o Activator para executar um fluxo do Power Automate, ele passa parâmetros derivados de propriedades de ontologia, como CustomerID e OrderStatus. Essa abordagem garante que os fluxos de automação operem com contexto de negócios completo, não apenas IDs brutas.

Essa camada semântica permite análise consistente, raciocínio de IA e automação.

Explorar dados conectados com modelos de grafo

Os modelos de grafo fornecem uma rede conectada de entidades e relações definidas por ontologia. Eles permitem raciocínio de vários saltos, análise de impacto e algoritmos avançados, como caminho mais curto e detecção de comunidade. Essa integração permite que agentes de IA e ferramentas de análise consultem relações complexas com eficiência. Ele oferece insights em tempo real sobre dependências e efeitos em cascata que os modelos relacionais tradicionais lutam para lidar. Você pode interrogar modelos de grafo usando consultas GraphQL por meio de APIs do Fabric.

Conteúdo relacionado

  • Last updated on