لوحات المعلومات في الوقت الفعلي في Power BI: تدفق البيانات والتحديثات المباشرة

تم تصميم معظم منصات التحليلات لبيانات الأمس — حيث يتم تحديثها وفقًا لجداول زمنية يتم قياسها بالدقائق أو الساعات، ويدرك المستخدمون أن ما يرونه هو لقطة من نقطة ما في الماضي. بالنسبة لمعظم حالات الاستخدام التحليلي، فلا بأس بذلك.

ولكن هناك فئة من المشاكل حيث تكون بيانات الأمس عديمة الفائدة: مراقبة خط التصنيع حيث يلزم اكتشاف عيب في الجودة في غضون ثوانٍ، أو تتبع الحمل في الوقت الفعلي على البنية التحتية للخادم، أو مراقبة الاحتيال في معاملات البيع بالتجزئة أثناء حدوثه، أو إدارة مواقع أسطول المركبات في الوقت الفعلي. بالنسبة لحالات الاستخدام هذه، تعمل إمكانات البث والوقت الفعلي في Power BI على تحويل لوحات المعلومات من أدوات المراجعة التاريخية إلى شاشات تشغيل مباشرة.

يغطي هذا الدليل أساليب Power BI الثلاثة للبيانات في الوقت الفعلي، والبنية التقنية لكل منها، وخطوات التكوين العملية، وإنترنت الأشياء وأنماط المراقبة التشغيلية حيث توفر لوحات المعلومات في الوقت الفعلي أكبر قيمة.

الوجبات الرئيسية

• يدعم Power BI ثلاثة أوضاع للبث: دفع مجموعات البيانات (REST API)، ومجموعات البيانات المتدفقة (بدون سجل)، والتدفق المختلط (REST API مع السجل)
• تعد Azure Event Hubs وAzure Stream Analytics خط الأنابيب القياسي لإنترنت الأشياء بكميات كبيرة وتدفق الأحداث
• يتم تحديث الإطارات المتجانبة المتدفقة على لوحات معلومات Power BI في الوقت الفعلي دون تحديث الصفحة
• مجموعات البيانات الدافعة تدعم التحليل التاريخي؛ تُظهر مجموعات البيانات المتدفقة النقية الحالة الحالية فقط
• تعمل لوحات المعلومات في الوقت الفعلي بشكل أفضل من أجل المراقبة التشغيلية، وليس التحليلات الاستكشافية
• حد مجموعة البيانات المتدفقة هو مليون صف في الساعة لكل مجموعة بيانات
• يمكن لـ Power BI المضمن عرض لوحات المعلومات في الوقت الفعلي في التطبيقات التشغيلية المخصصة
• يمكن تشغيل اكتشاف الحالات الشاذة على تدفق البيانات باستخدام Azure Stream Analytics قبل أن تصل البيانات إلى Power BI

---

أوضاع الوقت الفعلي الثلاثة لـ Power BI

يقدم Power BI ثلاثة أساليب متميزة للبيانات في الوقت الفعلي، يتمتع كل منها بقدرات ومقايضات مختلفة.

الوضع 1: تدفق مجموعات البيانات (البث النقي) يتم دفع البيانات إلى مجموعة بيانات متدفقة عبر REST API. تحديث لوحات المعلومات في الوقت الحقيقي. لا يتم تخزين أي بيانات تاريخية - تعرض مجموعة البيانات الحالة الحالية/الحديثة فقط. فكر في الأمر باعتباره شريطًا مباشرًا، وليس سجلًا تاريخيًا.

• الأفضل لـ: المقاييس التشغيلية المباشرة حيث لا تكون هناك حاجة للسياق التاريخي
• الاحتفاظ بالبيانات: لا شيء (أو نافذة قصيرة جدًا)
• أنواع التقارير: مربعات لوحة المعلومات فقط (لا توجد تقارير)
• الكمون: في الوقت الحقيقي تقريبًا (بالثواني)
• الحد: 1 مليون صف/ساعة لكل مجموعة بيانات

الوضع 2: دفع مجموعات البيانات (واجهة برمجة التطبيقات مع السجل) يتم دفع البيانات عبر REST API وتخزينها في مجموعة بيانات Power BI (مثل وضع الاستيراد). يتم تحديث لوحات المعلومات عند وصول بيانات جديدة. تتوفر التقارير والرسوم البيانية الكاملة لأنه يتم الاحتفاظ بالسجل. تحدث التحديثات عند وصول البيانات، وليس وفقًا لجدول زمني.

• الأفضل لـ: المراقبة التشغيلية مع تحليل الاتجاهات
• الاحتفاظ بالبيانات: السجل الكامل (محدود بحجم مجموعة بيانات وضع الاستيراد)
• أنواع التقارير: تقارير كاملة + بلاط لوحة القيادة
• الكمون: في الوقت الحقيقي تقريبًا (بالثواني)
• الحد: 1 مليون صف في الساعة لكل مجموعة بيانات، إجمالي 5 ملايين صف (قابل للتوسيع باستخدام Premium)

الوضع 3: الاستعلام المباشر/الاتصال المباشر (المدعوم بقاعدة البيانات) يتصل Power BI بقاعدة بيانات مباشرة أو بمثيل Azure Analysis Services ويستعلم عنها في الوقت الفعلي. مع تغير البيانات الأساسية، تعكس مخططات Power BI التغيير عند التحديث.

• الأفضل لـ: الاستعلامات التحليلية الغنية مقابل قاعدة بيانات تحليلية مباشرة
• الاحتفاظ بالبيانات: تتم إدارتها بواسطة نظام الواجهة الخلفية
• أنواع التقارير: تقارير تفاعلية كاملة
• الكمون: من الثواني إلى الدقائق (يعتمد على الاستعلام وأداء المصدر)
• الحد: سعة قاعدة البيانات المصدر

---

مراكز أحداث Azure + بنية تحليلات الدفق

بالنسبة لتدفق إنترنت الأشياء والأحداث بكميات كبيرة، تقوم البنية الموصى بها بتوصيل البيانات من خلال خدمات Azure قبل أن تصل إلى Power BI:

IoT Devices / Application Events
        ↓
Azure IoT Hub / Azure Event Hubs
(ingestion layer — billions of events/day)
        ↓
Azure Stream Analytics
(real-time processing, windowing, aggregation)
        ↓
Power BI Streaming Dataset
(display layer — dashboard tiles update live)

لماذا هذه العمارة؟

تأتي بيانات إنترنت الأشياء الأولية بسرعة عالية (آلاف الأحداث في الثانية من أجهزة استشعار التصنيع أو القياس عن بعد للمركبات أو سجلات التطبيقات). يمكن لمجموعات بيانات تدفق Power BI التعامل مع مليون صف في الساعة - وهو ما يكفي للبيانات المجمعة ولكن ليس لتدفقات أجهزة الاستشعار الأولية عالية التردد.

يقع Azure Stream Analytics في المنتصف، حيث يطبق مجموعات زمنية تعمل على تقليل حجم البيانات إلى شيء يمكن لـ Power BI التعامل معه مع إضافة قيمة تحليلية:

-- Stream Analytics query: aggregate sensor readings every 30 seconds
SELECT
    System.Timestamp() AS WindowEnd,
    DeviceId,
    AVG(Temperature) AS AvgTemperature,
    MAX(Temperature) AS MaxTemperature,
    MIN(Temperature) AS MinTemperature,
    COUNT(*) AS ReadingCount,
    AVG(Pressure) AS AvgPressure,
    CASE
        WHEN AVG(Temperature) > 85 THEN 'Critical'
        WHEN AVG(Temperature) > 75 THEN 'Warning'
        ELSE 'Normal'
    END AS AlertLevel
INTO [PowerBIOutput]
FROM [IoTHubInput] TIMESTAMP BY EventTime
GROUP BY DeviceId, TUMBLINGWINDOW(second, 30)

يتلقى هذا الاستعلام قراءات أولية لدرجة الحرارة والضغط من آلاف الأجهزة ويخرج سجلاً مجمعاً واحداً لكل جهاز لكل نافذة مدتها 30 ثانية - مما يحول ملايين الأحداث الأولية في الساعة إلى عشرات الآلاف من السجلات المجمعة التي يتعامل معها Power BI بسهولة.

---

إنشاء مجموعة بيانات متدفقة في Power BI

الخطوة 1: إنشاء مجموعة بيانات التدفق

في خدمة Power BI → مساحة العمل → جديد → مجموعة البيانات المتدفقة.

حدد "API" كمصدر للبيانات (لدفع REST API). حدد المخطط — الحقول التي سيتم دفعها مع كل سجل بيانات:

اضبط "تحليل البيانات التاريخية" على تشغيل إذا كنت تريد تخزين السجل للتحليل على مستوى التقرير. يقوم OFF بإنشاء مجموعة بيانات متدفقة خالصة.

بعد الإنشاء، يوفر Power BI ما يلي:

• Push URL: نقطة نهاية REST حيث يتم إرسال البيانات
• مفتاح API: المصادقة لنقطة نهاية الدفع

الخطوة 2: دفع البيانات إلى مجموعة البيانات المتدفقة

يمكن لأي نظام يمكنه تقديم طلبات HTTP POST دفع البيانات. تنسيق الحمولة:

[
  {
    "Timestamp": "2026-03-19T14:32:15Z",
    "DeviceID": "LINE-A-SENSOR-007",
    "Temperature": 72.4,
    "Pressure": 14.7,
    "AlertLevel": "Normal",
    "MachineLine": "Assembly Line A"
  }
]

ادفع عبر الضفيرة للاختبار:

curl -X POST \
  "https://api.powerbi.com/beta/{tenant}/datasets/{datasetId}/rows?key={apiKey}" \
  -H "Content-Type: application/json" \
  -d '[{"Timestamp":"2026-03-19T14:32:15Z","DeviceID":"LINE-A-SENSOR-007","Temperature":72.4,"Pressure":14.7,"AlertLevel":"Normal","MachineLine":"Assembly Line A"}]'

الخطوة 3: إنشاء مربعات لوحة القيادة

في لوحة معلومات Power BI، انقر فوق "إضافة إطار" ← بيانات التدفق المخصصة ← حدد مجموعة بيانات التدفق ← قم بتكوين التمثيل المرئي (جهاز القياس، المخطط الخطي، البطاقة، وما إلى ذلك) ← أضف إلى لوحة المعلومات.

يتم تحديث مربعات مجموعة البيانات المتدفقة تلقائيًا عند وصول بيانات جديدة - لا يلزم تحديث الصفحة.

---

بناء لوحات معلومات التصنيع في الوقت الحقيقي

يعد التصنيع أحد أكثر حالات استخدام Power BI تأثيرًا في الوقت الفعلي. تولد خطوط الإنتاج بيانات استشعار ثابتة: درجات الحرارة، والضغوط، والسرعات، والأعداد، ونتائج فحص الجودة. توفر لوحة المعلومات في الوقت الفعلي لمديري العمليات ومهندسي الجودة رؤية فورية لحالة الخط.

** تصنيع تخطيط لوحة القيادة في الوقت الحقيقي: **

** مربعات مؤشرات الأداء الرئيسية (الصف العلوي): **

• OEE (الفعالية الإجمالية للمعدات) الحالية - يتم تحديثها كل دقيقة
• الوحدات المنتجة اليوم مقابل الوحدات المستهدفة - يتم تحديثها مع كل عدد إنتاج
• معدل الخلل (آخر 30 دقيقة) - يتم تحديثه عند تسجيل فحوصات الجودة
• التنبيهات النشطة (عدد التحذيرات الحالية/الظروف الحرجة)

حالة الخط مرئية: مقياس أو بطاقة أداء مرئية توضح الحالة الحالية لكل خط إنتاج (قيد التشغيل، خامل، خطأ) مع ترميز الألوان. يتم تحديثه كل 30 ثانية من مجموعة البيانات المتدفقة.

اتجاه درجات الحرارة (آخر ساعتين): مخطط خطي يوضح درجة الحرارة لكل منطقة آلة على مدار الساعتين. تظهر الحالات الشاذة في درجة الحرارة (التي تقترب من عتبة حرجة) على شكل طفرات بصرية قبل أن تؤدي إلى حدوث أعطال في المعدات.

** تغذية التنبيهات: ** لوحة جدول تعرض أحدث 10 تنبيهات - معرف الجهاز، ونوع التنبيه، وخطورته، والطابع الزمني. تظهر التنبيهات الجديدة في الجزء العلوي عند دفعها إلى مجموعة بيانات التدفق.

---

مراقبة المعاملات المالية في الوقت الحقيقي

تستخدم شركات الخدمات المالية لوحات معلومات Power BI في الوقت الفعلي لمراقبة المعاملات - وخاصة اكتشاف الاحتيال حيث يعد تحديد المعاملات الشاذة في غضون ثوانٍ من المعالجة أمرًا بالغ الأهمية.

بنية المراقبة المالية في الوقت الفعلي:

معالج الدفع → Azure Event Hub → Stream Analytics (تطبيق قواعد تسجيل الاحتيال) → مجموعة بيانات تدفق Power BI

يطبق Stream Analytics القواعد التي تصنف المعاملات:

SELECT
    System.Timestamp() AS Timestamp,
    MerchantCategory,
    COUNT(*) AS TransactionCount,
    SUM(Amount) AS TotalAmount,
    AVG(Amount) AS AvgAmount,
    SUM(CASE WHEN FraudScore > 0.8 THEN 1 ELSE 0 END) AS HighRiskCount,
    SUM(CASE WHEN FraudScore > 0.8 THEN Amount ELSE 0 END) AS HighRiskAmount
INTO [PowerBIOutput]
FROM [TransactionInput] TIMESTAMP BY TransactionTime
GROUP BY MerchantCategory, TUMBLINGWINDOW(minute, 5)

تعرض لوحة معلومات Power BI نوافذ متجددة مدتها 5 دقائق لمؤشرات حجم المعاملة والقيمة ومخاطر الاحتيال. يؤدي الارتفاع الكبير في عدد المعاملات عالية المخاطر إلى إجراء مراجعة فورية - ونظرًا لأن البيانات تصل في غضون ثوانٍ من المعاملات، يمكن لفريق عمليات الاحتيال التدخل بينما لا تزال المعاملات في انتظار الترخيص.

---

لوحات مراقبة أجهزة إنترنت الأشياء

تعمل عمليات نشر إنترنت الأشياء - أجهزة استشعار المباني الذكية، والمركبات المتصلة، وشبكات المراقبة البيئية - على توليد قياس مستمر عن بعد يمكن لـ Power BI تصوره في الوقت الفعلي.

مراقبة المباني الذكية: تقوم مستشعرات البناء (درجة الحرارة والرطوبة وثاني أكسيد الكربون والإشغال واستهلاك الطاقة) بدفع البيانات كل 60 ثانية إلى Azure IoT Hub. تيار مجاميع التحليلات حسب الطابق والمنطقة. تعرض لوحات معلومات Power BI ما يلي:

• خريطة درجة حرارة كل طابق على حدة (باستخدام مصفوفة Power BI المرئية المصممة كخريطة حرارية)
• استهلاك الطاقة في الوقت الحقيقي حسب منطقة البناء
• يتم احتساب الإشغال مع ارتباط كفاءة التدفئة والتهوية وتكييف الهواء
• مؤشرات جودة الهواء مع تنبيهات العتبة

إدارة الأسطول: يقوم نظام القياس عن بعد بنظام تحديد المواقع العالمي (GPS) للمركبة بإرسال رموز الموقع والسرعة ومستوى الوقود والتشخيص كل 30 ثانية. تحسب Stream Analytics:

• مواقع المركبات الحالية (آخر موقع معروف لكل مركبة)
• مخالفات السرعة (المركبات التي تتجاوز حدود السرعة الجغرافية)
• المركبات التي تقترب من عتبة الوقود
• أعلام الصيانة التنبؤية من رموز التشخيص obd2

تعرض مرئيات ArcGIS أو Azure Maps من Power BI مواقع المركبات في الوقت الفعلي على الخريطة. تقوم مجموعة البيانات المتدفقة بتحديث علامات الموضع عند وصول سجلات GPS جديدة.

---

الوقت الفعلي مقابل الوقت الفعلي القريب: اتخاذ القرار الصحيح

يعد الوقت الفعلي الحقيقي (زمن الاستجابة أقل من ثانية) أكثر تعقيدًا وتكلفة من الوقت الفعلي القريب (زمن الاستجابة من 15 ثانية إلى 5 دقائق). بالنسبة لمعظم حالات الاستخدام التجاري، يكون الوقت الفعلي القريب كافيًا.

بالنسبة لمعظم حالات استخدام مراقبة الأعمال - لوحات معلومات العمليات، وقوائم انتظار تذاكر الدعم، ومراقبة نشاط المبيعات - يعد زمن الوصول من 1 إلى 5 دقائق كافيًا تمامًا ويمكن تحقيقه من خلال تحديث مجدول بسيط بدلاً من بنية البث.

يتم تبرير بنية البث الحقيقية عندما: (1) يجب أن يحدث قرار العمل الناتج عن البيانات في غضون ثوانٍ ليكون ذا قيمة، أو (2) يكون حجم البيانات مرتفعًا جدًا لدرجة أن تجسيدها في قاعدة البيانات يستغرق وقتًا طويلاً حتى لا يستمر التحديث المجدول.

---

الأسئلة المتداولة

كم عدد الأجهزة التي يمكنها دفع البيانات إلى مجموعة بيانات تدفق Power BI في وقت واحد؟

تحتوي مجموعات بيانات تدفق Power BI على حد معدل يبلغ مليون صف في الساعة لكل مجموعة بيانات. بالنسبة لسيناريوهات إنترنت الأشياء حيث تقوم آلاف الأجهزة بإرسال البيانات كل ثانية، يتم تجاوز هذا الحد بسرعة. تستخدم البنية القياسية Azure Event Hubs (التي يمكنها التعامل مع مليارات الأحداث يوميًا) وAzure Stream Analytics لتجميع القياس عن بعد للجهاز قبل دفع البيانات المخفضة والمجمعة إلى Power BI. يعد الدفع المباشر من جهاز إلى Power BI مناسبًا فقط للبيانات ذات التردد المنخفض من أعداد صغيرة من الأجهزة.

هل تعمل الإطارات المتجانبة لمجموعة البيانات المتدفقة في تقارير Power BI، أم في لوحات المعلومات فقط؟

تعمل الإطارات المتجانبة لمجموعة بيانات التدفق النقي (بدون بيانات تاريخية) فقط في لوحات معلومات Power BI، وليس في التقارير التفاعلية. وذلك لأن عارض التجانب المتدفق يعمل على طبقة لوحة المعلومات مع التحديث التلقائي، وليس في محرك التقرير. تدعم مجموعات البيانات المدفوعة ذات البيانات التاريخية (نوع المصدر "API" مع تمكين التحليل التاريخي) التقارير التفاعلية الكاملة مع جميع أنواع المخططات. يتم أيضًا تحديث لوحات لوحة المعلومات من مجموعات بيانات الدفع في الوقت الفعلي تقريبًا.

كيف يتعامل Power BI مع ترتيب البيانات في مجموعات البيانات المتدفقة؟

لا تفرض مجموعة بيانات التدفق الخاصة بـ Power BI الترتيب — يتم عرض البيانات بالترتيب الذي وصلت به. بالنسبة لمخططات السلاسل الزمنية، يتم استخدام عمود التاريخ والوقت لترتيب المحور السيني. قد تؤدي البيانات المتأخرة (السجلات التي تصل خارج التسلسل) إلى حدوث خلل في العرض اللحظي قبل إعادة فرز المخطط. يتعامل Azure Stream Analytics مع تسامح الوصول المتأخر لخطوط التدفق المنظمة، مما يضمن وصول البيانات بترتيب ثابت قبل الوصول إلى Power BI.

هل يمكنني دمج بيانات البث في الوقت الفعلي مع بيانات الاستيراد التاريخية في نفس التقرير؟

نعم، ولكن مع نموذج مركب. يمكن استيراد مجموعة بيانات الدفع (REST API مع البيانات التاريخية) إلى مجموعة بيانات Power BI إلى جانب جداول وضع الاستيراد الأخرى. أسلوب أكثر شيوعًا: استخدم Azure Stream Analytics لكتابة ملخصات متدفقة إلى كل من Azure SQL (للتحليل التاريخي عبر وضع الاستيراد) ومجموعة بيانات دفق Power BI (للعرض في الوقت الفعلي). تتصل التقارير بمجموعة بيانات Azure SQL في وضع الاستيراد للمخططات التاريخية، بينما تستخدم لوحة المعلومات الإطارات المتجانبة لمؤشرات الأداء الرئيسية في الوقت الفعلي.

ما هو الحد الأدنى للتحديث التلقائي للوحات معلومات Power BI غير المتدفقة؟

تحتوي لوحات معلومات Power BI (المتصلة بمجموعات بيانات الاستيراد أو DirectQuery) على حد أدنى للفاصل الزمني للتحديث التلقائي يبلغ دقيقة واحدة للوحات المعلومات ذات السعة المميزة المعينة. بدون Premium، الحد الأدنى هو 30 دقيقة. يؤدي هذا "التحديث التلقائي" إلى إعادة الاستعلام عن مجموعة البيانات في الفاصل الزمني - وهو ليس تدفقًا حقيقيًا، ولكنه يوفر تحديثات في الوقت الفعلي تقريبًا لمراقبة التشغيل حيث تكون الحداثة لمدة دقيقة واحدة مقبولة.

---

الخطوات التالية

تتطلب لوحات المعلومات في الوقت الفعلي نهجًا فنيًا مختلفًا عن التحليلات التاريخية - حيث تتغير البنية وخط أنابيب البيانات وتصميم لوحة المعلومات. ويكون الاستثمار مبررًا عندما تكون هناك حاجة فعلية إلى اتخاذ القرارات التشغيلية في غضون ثوانٍ أو دقائق من الأحداث، وليس ساعات أو أيام.

خدمات تطوير لوحة معلومات Power BI من ECOSIRE تتضمن تصميم بنية البث في الوقت الفعلي، وتكوين Azure Event Hub وStream Analytics، وتنفيذ لوحة معلومات المراقبة التشغيلية. اتصل بنا لتقييم ما إذا كانت حالة الاستخدام الخاصة بك تتطلب البث في الوقت الفعلي أو ما إذا كان التحديث المجدول في الوقت الفعلي تقريبًا يلبي احتياجاتك.