Média por janela em Real-Time Analytics: passo a passo

João Barros 25 de July de 2026 4 min de leitura

Este guia mostra como calcular uma média por janela em Real-Time Analytics usando Azure Stream Analytics e enviar os resultados para o Power BI. A técnica de média por janela em Azure Stream Analytics é útil para resumir telemetria (por exemplo, temperatura) em intervalos fixos e visualizar tendências em tempo real.

Pré-requisitos

Conta Azure com permissões para criar recursos.
Um Event Hubs (ou IoT Hub) com eventos de telemetria.
Um Azure Stream Analytics job criado (pode ser em modo Standard).
Power BI com um workspace onde criar um streaming dataset.

Passo 1: Preparar a origem de eventos (Event Hubs)

Envia eventos JSON para o Event Hubs com um esquema simples: DeviceId, temperature e timestamp. Mantém o timestamp em ISO8601 ou usa o tempo do Event Hub.

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

Se precisares de enviar eventos de teste, podes usar um pequeno script Python (instalar azure-eventhub) para empacotar e enviar um 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()

Passo 2: Criar Input e Output no Azure Stream Analytics

No portal Azure, abre o teu Azure Stream Analytics job e configura:

Input: tipo Event Hub, aponta para o namespace e o event hub em que os eventos chegam.
Output: adiciona um Power BI output (escolhe o workspace e dá um nome ao dataset/table onde os resultados irão aparecer).

Passo 3: Escrever a query de agregação (média por janela)

Usa uma janela tumbling para calcular a média de temperatura por dispositivo em intervalos fixos (por exemplo, 1 minuto). A query abaixo faz a agregação e envia para o 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)

Explicação rápida do que faz cada parte:

TIMESTAMP BY EventEnqueuedUtcTime: usa o tempo de chegada do evento no Event Hubs (ajusta se tiveres um campo timestamp no payload).
TumblingWindow(minute, 1): agrupa eventos em janelas consecutivas de 1 minuto (sem sobreposição).
AVG(...) calcula a média de temperatura por dispositivo nessa janela.

Passo 4: Mapear campos e arrancar o job

No output do Power BI, certifica-te de que fazes o mapeamento dos campos DeviceId, AvgTemp e WindowEnd para colunas do streaming dataset. Guarda a query e arranca o Stream Analytics job (Start). Enquanto o job estiver a correr, os resultados começam a ser enviados para o Power BI em cada janela.

Passo 5: Visualizar no Power BI

No Power BI, cria um dashboard com um tile que consome o streaming dataset. Exemplos úteis:

Gráfico de linhas com WindowEnd no eixo X e AvgTemp no eixo Y (agrupar por DeviceId para múltiplas séries).
Card para o AvgTemp mais recente de um dispositivo.

Isto permite ver actualizações minuto a minuto das médias calculadas.

Verificar o resultado

Para confirmar que está correcto:

Envia eventos de teste e observa se aparecem no Power BI conforme as janelas (cada minuto no exemplo).
No portal do Azure, vê o Job Diagram e as métricas do Stream Analytics (Input Events, Output Events, Watermark delay) para garantir que não há atrasos significativos.
Se os resultados estiverem a zeros ou vazios, confirma o mapeamento de campos e se os nomes JSON coincidem com os usados na query (e se o TIMESTAMP BY está correcto).

Conclusão

Com este fluxo básico consegues calcular médias por janela em tempo real e visualizar no Power BI. Próximos passos naturais: mudar para HoppingWindow para médias móveis com sobreposição, usar um campo timestamp do payload para maior precisão, ou aplicar filtragem e deteção de anomalias. Dica: se observares latência, verifica o timestamp usado (EventEnqueuedUtcTime vs timestamp no payload) e ajusta a tolerância do job.