Media por ventana en Real-Time Analytics: paso a paso

João Barros 25 de July de 2026 4 min de lectura

Esta guía muestra cómo calcular una media por ventana en Real-Time Analytics usando Azure Stream Analytics y enviar los resultados a Power BI. La técnica de media por ventana en Azure Stream Analytics es útil para resumir telemetría (por ejemplo, temperatura) en intervalos fijos y visualizar tendencias en tiempo real.

Pre-requisitos

Cuenta Azure con permisos para crear recursos.
Un Event Hubs (o IoT Hub) con eventos de telemetría.
Un Azure Stream Analytics job creado (puede ser en modo Standard).
Power BI con un workspace donde crear un streaming dataset.

Paso 1: Preparar el origen de eventos (Event Hubs)

Envía eventos JSON al Event Hubs con un esquema simple: DeviceId, temperature y timestamp. Mantén el timestamp en ISO8601 o usa el tiempo del Event Hub.

{
  "DeviceId": "dev01",
  "temperature": 22.5,
  "timestamp": "2026-07-01T12:00:00Z"
}

Si necesitas enviar eventos de prueba, puedes usar un pequeño script Python (instalar azure-eventhub) para empaquetar y enviar un lote:

from azure.eventhub import EventHubProducerClient, EventData

conn_str = ""
eh_name = ""
producer = EventHubProducerClient.from_connection_string(conn_str, eventhub_name=eh_name)

batch = producer.create_batch()
batch.add(EventData('{"DeviceId":"dev01","temperature":22.5,"timestamp":"2026-07-01T12:00:00Z"}'))
producer.send_batch(batch)
producer.close()

Paso 2: Crear Input y Output en Azure Stream Analytics

En el portal Azure, abre tu Azure Stream Analytics job y configura:

Input: tipo Event Hub, apunta al namespace y al event hub en el que llegan los eventos.
Output: añade un Power BI output (elige el workspace y da un nombre al dataset/table donde aparecerán los resultados).

Paso 3: Escribir la query de agregación (media por ventana)

Usa una ventana tumbling para calcular la media de temperatura por dispositivo en intervalos fijos (por ejemplo, 1 minuto). La query abajo realiza la agregación y envía al output configurado.

SELECT
  DeviceId,
  AVG(CAST(temperature AS float)) AS AvgTemp,
  System.Timestamp AS WindowEnd
INTO
  [PowerBIOutput]
FROM
  [EventHubInput] TIMESTAMP BY EventEnqueuedUtcTime
GROUP BY
  DeviceId,
  TumblingWindow(minute, 1)

Explicación rápida de lo que hace cada parte:

TIMESTAMP BY EventEnqueuedUtcTime: usa el tiempo de llegada del evento al Event Hubs (ajusta si tienes un campo timestamp en el payload).
TumblingWindow(minute, 1): agrupa eventos en ventanas consecutivas de 1 minuto (sin solapamiento).
AVG(...) calcula la media de temperatura por dispositivo en esa ventana.

Paso 4: Mapear campos y arrancar el job

En el output de Power BI, asegúrate de mapear los campos DeviceId, AvgTemp y WindowEnd a columnas del streaming dataset. Guarda la query y arranca el Stream Analytics job (Start). Mientras el job esté en ejecución, los resultados comenzarán a enviarse a Power BI en cada ventana.

Paso 5: Visualizar en Power BI

En Power BI, crea un dashboard con un tile que consuma el streaming dataset. Ejemplos útiles:

Gráfico de líneas con WindowEnd en el eje X y AvgTemp en el eje Y (agrupar por DeviceId para varias series).
Card para la AvgTemp más reciente de un dispositivo.

Esto permite ver actualizaciones minuto a minuto de las medias calculadas.

Verificar el resultado

Para confirmar que está correcto:

Envía eventos de prueba y observa si aparecen en Power BI conforme a las ventanas (cada minuto en el ejemplo).
En el portal de Azure, consulta el Job Diagram y las métricas de Stream Analytics (Input Events, Output Events, Watermark delay) para garantizar que no hay retrasos significativos.
Si los resultados están a ceros o vacíos, confirma el mapeo de campos y si los nombres JSON coinciden con los usados en la query (y si el TIMESTAMP BY está correcto).

Conclusión

Con este flujo básico puedes calcular medias por ventana en tiempo real y visualizarlas en Power BI. Próximos pasos naturales: cambiar a HoppingWindow para medias móviles con solapamiento, usar un campo timestamp del payload para mayor precisión, o aplicar filtrado y detección de anomalías. Consejo: si observas latencia, verifica el timestamp usado (EventEnqueuedUtcTime vs timestamp en el payload) y ajusta la tolerancia del job.