Análisis de datos en tiempo (casi) real en Power BI.

Ya sabéis de mi afición por los súperheroes, así que en este caso no podía faltar la comparación con The Flash. Exacto, vamos a hablar de…

Ya sabéis de mi afición por los súperheroes, así que en este caso no podía faltar la comparación con The Flash. Exacto, vamos a hablar de análisis de datos en (casi) tiempo real.

GIF Sheldom Cooper, el mejor The Flash.

Introducción a la analítica en tiempo real en Power BI. ← ESTAMOS AQUÍ.
Demo.

¿Por qué hablamos de casi tiempo real?

En el contexto del análisis de datos, el “tiempo real” se refiere a la capacidad de procesar y analizar datos a medida que se generan o se reciben, con el mínimo retraso o latencia. En otras palabras, implica la capacidad de obtener información y tomar decisiones basadas en los datos casi instantáneamente, en lugar de procesar los datos después de que se hayan acumulado durante un período de tiempo determinado.

Una definición técnica más precisa de “tiempo real” en el análisis de datos podría ser:

Este enfoque se utiliza en una variedad de aplicaciones, como la detección de fraudes en transacciones financieras, el monitoreo de sistemas y redes informáticas, el seguimiento de flujos de tráfico en tiempo real, la supervisión de la salud del paciente en hospitales y la optimización de la cadena de suministro, entre otros. La capacidad de analizar datos en tiempo real es esencial en situaciones donde la toma de decisiones rápida y precisa es crítica.

Tipos de modelos semánticos para tiempo real

Push semantic model

Latencia de 3–5 segundos. Con una latencia sorprendentemente baja de 3–5 segundos, los modelos push ofrecen una experiencia de usuario fluida y prácticamente en tiempo real.
Creación de reportes y alarmas. Los informes y alarmas pueden ser generados y compartidos de manera rápida y eficiente.
Uso de una base de datos. Al utilizar una base de datos como fuente, los modelos push garantizan que los datos estén siempre sincronizados.
Creación vía script con parámetro defaultMode = Push. La creación de informes push se realiza a través de scripts, donde se define el parámetro defaultMode = push para establecer el modo de operación.

Cuándo utilizar modelos push:

Los modelos push son ideales cuando se requiere una visualización en tiempo casi real de los datos.
Tenemos la posibilidad de crear alarma y realizar filtros. También disponemos de histórico.

PushStreaming

Latencia de 1–5 segundos. Ofrecen una experiencia de usuario fluida con una latencia que varía desde tan solo un segundo hasta los 5 segundos.
Creación de reportes y alarmas. Los informes y alarmas pueden ser generados y compartidos. La capacidad de crear reportes y alarmas es una de las característica centrales de los modelos PushStreaming.
Uso de una base de datos y memoria. La singularidad de los modelos PushStreaming radica en su capacidad para manejar conjuntos de datos que son una fusión de Push y Streaming. Una caché temporal para datos en movimiento y una base de datos para almacenamiento más estructurado. Esta combinación asegura que la información esté siempre disponible, ya sea para análisis inmediato o para consulta histórica.
Creación vía script o desde el servicio con parámetro defaultMode = pushStreaming . La creación de conjuntos de datos pushStreaming se realiza de manera sencilla al habilitar la opción Análisis de datos históricos durante la creación del conjunto de datos de streaming. También se puede configurar utilizando el parámetro defaultMode = pushStreaming.

Cuándo utilizar modelos pushStreaming:

Los modelos pushStraming son ideales cuando se requiere poder analizar datos históricos sin perder la casi inmediatez.
Seguimos teniendo la posibilidad de crear alarma y realizar filtros.

Streaming

Latencia de ~1 segundos. Son ideales cuando la necesidad imperante es una latencia extremadamente baja, alcanzando tan solo 1 segundo
Creación de dashboards. La creación se limita a la elaboración de dashboards. No es posible utilizar funciones de informes estándar, como filtrado o objetos visuales convencionales de Power BI. En situaciones donde la prioridad es tener visualizaciones optimizadas para una baja latencia, los modelos streaming se destacan al ofrecer una respuesta inmediata a los cambios en los datos.
Uso de memoria. Los datos se almacenan temporalmente en una caché de expiración rápida, sin la existencia de una base de datos subyacente.

Creación vía script o desde el servicio con parámetro defaultMode = streaming . La creación de conjuntos de datos PushStreaming se realizan en el servicio al deshabilitar la opción Análisis de datos históricos durante la creación del conjunto de datos de streaming. Se puede configurar vía script utilizando el parámetro defaultMode = streaming.

Cuándo utilizar modelos Streaming:

Los modelos streaming son ideales cuando el principal requerimiento es una baja latencia.
Es la solución ideal si no tenemos requerimientos relacionados con el filtrado o visualizaciones concretas.

Limitaciones

Las limitaciones se pueden agrupar en dos bloques, limitaciones en volumetría y en latencia. Es crucial tener en cuenta estos límites al diseñar soluciones que empleen streaming datasets para asegurar un rendimiento y funcionamiento óptimos.

Diferencias

Mientras que las conexiones Live Connection/DirectQuery priorizan la actualización desde la fuente de datos original, los modelos de streaming introducen una dinámica diferente. Un panel en tiempo real se actualiza automáticamente cada vez que llega una nueva fila de datos. No espera una actualización programada; en su lugar, envía directamente los nuevos datos al panel, mostrando los cambios de manera inmediata. Ambos enfoques tienen sus aplicaciones específicas según los requisitos particulares de la toma de decisiones y la visualización de datos en Power BI.