Echtzeit-Dashboards in Power BI: Streaming-Daten und Live-Updates

Die meisten Analyseplattformen sind für die Daten von gestern konzipiert – sie werden nach Zeitplänen aktualisiert, die in Minuten oder Stunden gemessen werden, und Benutzer verstehen, dass es sich bei dem, was sie sehen, um eine Momentaufnahme von einem Zeitpunkt in der Vergangenheit handelt. Für die meisten analytischen Anwendungsfälle ist das in Ordnung.

Aber es gibt eine Klasse von Problemen, bei denen die Daten von gestern nutzlos sind: Überwachung einer Fertigungslinie, bei der ein Qualitätsmangel innerhalb von Sekunden erkannt werden muss, Verfolgung der Echtzeitbelastung der Serverinfrastruktur, Überwachung von Betrug bei Einzelhandelstransaktionen, während er auftritt, oder Verwaltung der Fahrzeugflottenpositionen in Echtzeit. Für diese Anwendungsfälle verwandeln die Streaming- und Echtzeitfunktionen von Power BI Dashboards von historischen Überprüfungstools in Live-Betriebsmonitore.

In diesem Leitfaden werden die drei Ansätze von Power BI für Echtzeitdaten, die jeweilige technische Architektur, praktische Konfigurationsschritte sowie die IoT- und Betriebsüberwachungsmuster behandelt, bei denen Echtzeit-Dashboards den größten Nutzen bringen.

Wichtige Erkenntnisse

– Power BI unterstützt drei Streaming-Modi: Push-Datensätze (REST-API), Streaming-Datensätze (kein Verlauf) und Hybrid-Streaming (REST-API mit Verlauf). – Azure Event Hubs und Azure Stream Analytics sind die Standardpipeline für großvolumiges IoT und Event-Streaming – Streaming-Kacheln auf Power BI-Dashboards werden in Echtzeit ohne Seitenaktualisierung aktualisiert

• Push-Datensätze unterstützen historische Analysen; Reine Streaming-Datensätze zeigen nur den aktuellen Status an
• Echtzeit-Dashboards eignen sich am besten für die Betriebsüberwachung und nicht für explorative Analysen – Das Streaming-Dataset-Limit beträgt 1 Million Zeilen pro Stunde und Dataset – Mit Power BI können Echtzeit-Dashboards in benutzerdefinierten Betriebsanwendungen angezeigt werden – Die Anomalieerkennung kann mithilfe von Azure Stream Analytics für Streaming-Daten ausgeführt werden, bevor die Daten Power BI erreichen

---

Die drei Echtzeitmodi von Power BI

Power BI bietet drei unterschiedliche Ansätze für Echtzeitdaten mit jeweils unterschiedlichen Funktionen und Kompromissen.

Modus 1: Streaming-Datensätze (reines Streaming) Die Daten werden über die REST-API an einen Streaming-Datensatz übertragen. Dashboards werden in Echtzeit aktualisiert. Es werden keine historischen Daten gespeichert – der Datensatz zeigt nur den aktuellen/aktuellen Status. Betrachten Sie es als Live-Ticker, nicht als historische Aufzeichnung.

• Ideal für: Live-Betriebsmetriken, bei denen kein historischer Kontext erforderlich ist
• Datenaufbewahrung: Keine (oder sehr kurze Zeitspanne)
• Berichtstypen: Nur Dashboard-Kacheln (keine Berichte)
• Latenz: Nahezu in Echtzeit (Sekunden)
• Limit: 1 Million Zeilen/Stunde pro Datensatz

Modus 2: Datensätze übertragen (API mit Verlauf) Daten werden über die REST-API übertragen und im Power BI-Datensatz gespeichert (wie im Importmodus). Dashboards werden aktualisiert, sobald neue Daten eintreffen. Vollständige Berichte und Diagramme sind verfügbar, da der Verlauf erhalten bleibt. Aktualisierungen erfolgen beim Eintreffen der Daten und nicht nach einem Zeitplan.

• Ideal für: Betriebsüberwachung mit Trendanalyse
• Datenaufbewahrung: Vollständiger Verlauf (begrenzt durch die Größe des Importmodus-Datensatzes)
• Berichtstypen: Vollständige Berichte + Dashboard-Kacheln
• Latenz: Nahezu in Echtzeit (Sekunden)
• Limit: 1 Million Zeilen pro Stunde und Datensatz, insgesamt 5 Millionen Zeilen (erweiterbar mit Premium)

Modus 3: Direkte Abfrage/Live-Verbindung (datenbankgestützt) Power BI stellt eine Verbindung zu einer Live-Datenbank oder einer Azure Analysis Services-Instanz her und fragt diese in Echtzeit ab. Wenn sich die zugrunde liegenden Daten ändern, spiegeln Power BI-Diagramme die Änderung bei der Aktualisierung wider.

• Geeignet für: Umfangreiche analytische Abfragen anhand einer Live-Analysedatenbank
• Datenaufbewahrung: Wird vom Backend-System verwaltet
• Berichtstypen: Vollständige interaktive Berichte
• Latenz: Sekunden bis Minuten (abhängig von der Abfrage- und Quellleistung)
• Limit: Kapazität der Quelldatenbank

---

Azure Event Hubs + Stream Analytics-Architektur

Für hochvolumiges IoT und Ereignis-Streaming leitet die empfohlene Architektur Daten über Azure-Dienste weiter, bevor sie Power BI erreichen:

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)

Warum diese Architektur?

IoT-Rohdaten kommen mit hoher Geschwindigkeit herein (Tausende Ereignisse pro Sekunde von Fertigungssensoren, Fahrzeugtelemetrie oder Anwendungsprotokollen). Power BI-Streaming-Datensätze können 1 Million Zeilen/Stunde verarbeiten – ausreichend für aggregierte Daten, jedoch nicht für rohe Hochfrequenz-Sensorstreams.

Azure Stream Analytics sitzt in der Mitte und wendet zeitlich begrenzte Aggregationen an, die das Datenvolumen auf etwas reduzieren, das Power BI verarbeiten kann, und gleichzeitig einen analytischen Wert hinzufügen:

-- 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)

Diese Abfrage empfängt rohe Temperatur- und Druckmesswerte von Tausenden von Geräten und gibt einen aggregierten Datensatz pro Gerät pro 30-Sekunden-Fenster aus. Dadurch werden Millionen von Rohereignissen pro Stunde in Zehntausende von aggregierten Datensätzen umgewandelt, die Power BI problemlos verarbeiten kann.

---

Erstellen eines Streaming-Datensatzes in Power BI

Schritt 1: Erstellen Sie den Streaming-Datensatz

Im Power BI-Dienst → Arbeitsbereich → Neu → Streaming-Datensatz.

Wählen Sie „API“ als Datenquelle (für REST API Push). Definieren Sie das Schema – die Felder, die mit jedem Datensatz übertragen werden:

Setzen Sie „Historische Datenanalyse“ auf EIN, wenn Sie den Verlauf für die Analyse auf Berichtsebene speichern möchten. OFF erstellt einen reinen Streaming-Datensatz.

Nach der Erstellung stellt Power BI Folgendes bereit:

• Push-URL: Der REST-Endpunkt, an den Daten gesendet werden
• API-Schlüssel: Authentifizierung für den Push-Endpunkt

Schritt 2: Daten in den Streaming-Datensatz übertragen

Jedes System, das HTTP-POST-Anfragen stellen kann, kann Daten übertragen. Das Nutzlastformat:

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

Zum Testen per Curl drücken:

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"}]'

Schritt 3: Dashboard-Kacheln erstellen

Klicken Sie in einem Power BI-Dashboard auf „Kachel hinzufügen“ → Benutzerdefinierte Streaming-Daten → wählen Sie Ihren Streaming-Datensatz aus → konfigurieren Sie die Visualisierung (Anzeige, Liniendiagramm, Karte usw.) → zum Dashboard hinzufügen.

Streaming-Dataset-Kacheln werden automatisch aktualisiert, wenn neue Daten eintreffen – eine Seitenaktualisierung ist nicht erforderlich.

---

Erstellen von Fertigungs-Dashboards in Echtzeit

Die Fertigung ist einer der wirkungsvollsten Echtzeit-Power BI-Anwendungsfälle. Produktionslinien erzeugen konstante Sensordaten: Temperaturen, Drücke, Geschwindigkeiten, Zählungen und Ergebnisse der Qualitätsprüfung. Ein Echtzeit-Dashboard bietet Betriebsleitern und Qualitätsingenieuren einen sofortigen Überblick über den Linienstatus.

Echtzeit-Dashboard-Layout für die Fertigung:

KPI-Kacheln (obere Reihe):

• Aktuelle OEE (Overall Equipment Effectiveness) – jede Minute aktualisiert
• Heute produzierte Einheiten im Vergleich zum Ziel – aktualisiert mit jeder Produktionszählung
• Fehlerrate (letzte 30 Minuten) – aktualisiert, wenn Qualitätsprüfungen protokolliert werden
• Aktive Warnungen (Anzahl der aktuellen Warnungen/kritischen Bedingungen)

Visual zum Leitungsstatus: Ein visuelles Messgerät oder eine Scorecard, die den aktuellen Status jeder Produktionslinie (Läuft, Leerlauf, Fehler) mit Farbcodierung zeigt. Wird alle 30 Sekunden vom Streaming-Datensatz aktualisiert.

Temperaturtrend (letzte 2 Stunden): Liniendiagramm, das die Temperatur pro Maschinenzone über das gleitende 2-Stunden-Fenster zeigt. Temperaturanomalien (die sich einem kritischen Schwellenwert nähern) erscheinen als visuelle Spitzen, bevor sie Gerätefehler auslösen.

Benachrichtigungs-Feed: Eine Tabellenkachel mit den letzten 10 Warnungen – Geräte-ID, Warnungstyp, Schweregrad und Zeitstempel. Neue Warnungen werden oben angezeigt, wenn sie an den Streaming-Datensatz übertragen werden.

---

Überwachung von Finanztransaktionen in Echtzeit

Finanzdienstleistungsunternehmen nutzen Power BI-Echtzeit-Dashboards zur Transaktionsüberwachung – insbesondere zur Betrugserkennung, bei der die Identifizierung anomaler Transaktionen innerhalb von Sekunden nach der Verarbeitung von entscheidender Bedeutung ist.

Architektur für finanzielle Echtzeitüberwachung:

Zahlungsabwickler → Azure Event Hub → Stream Analytics (Betrugsbewertungsregeln anwenden) → Power BI-Streaming-Dataset

Stream Analytics wendet Regeln an, die Transaktionen klassifizieren:

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)

Das Power BI-Dashboard zeigt fortlaufende 5-Minuten-Fenster mit Indikatoren für Transaktionsvolumen, -wert und Betrugsrisiko. Ein Anstieg der Anzahl risikoreicher Transaktionen löst eine sofortige Überprüfung aus – und da die Daten innerhalb von Sekunden nach den Transaktionen eingehen, kann das Betrugsbekämpfungsteam eingreifen, während Transaktionen noch auf die Autorisierung warten.

---

IoT-Geräteüberwachungs-Dashboards

IoT-Einsätze – intelligente Gebäudesensoren, vernetzte Fahrzeuge, Umgebungsüberwachungsnetzwerke – generieren kontinuierliche Telemetriedaten, die Power BI in Echtzeit visualisieren kann.

Intelligente Gebäudeüberwachung: Gebäudesensoren (Temperatur, Luftfeuchtigkeit, CO2, Belegung, Energieverbrauch) übertragen Daten alle 60 Sekunden an Azure IoT Hub. Stream Analytics aggregiert nach Etage und Zone. Power BI-Dashboards zeigen:

• Temperaturkarte für jede Etage (unter Verwendung der Matrixvisualisierung von Power BI im Stil einer Wärmekarte)
• Echtzeit-Energieverbrauch nach Gebäudezone
• Die Belegung hängt von der Korrelation der HVAC-Effizienz ab
• Luftqualitätsindikatoren mit Schwellenwertwarnungen

Flottenmanagement: Die GPS-Telemetrie des Fahrzeugs übermittelt alle 30 Sekunden Standort, Geschwindigkeit, Kraftstoffstand und Diagnosecodes. Stream Analytics berechnet:

• Aktuelle Fahrzeugpositionen (letzter bekannter Standort pro Fahrzeug)
• Geschwindigkeitsverstöße (Fahrzeuge überschreiten geofenced Geschwindigkeitsbegrenzungen)
• Fahrzeuge nähern sich der Kraftstoffschwelle
• Vorausschauende Wartungsflags aus OBD2-Diagnosecodes

Das ArcGIS- oder Azure Maps-Visual von Power BI zeigt Fahrzeugpositionen in Echtzeit auf einer Karte an. Der Streaming-Datensatz aktualisiert Positionsmarkierungen, sobald neue GPS-Datensätze eintreffen.

---

Echtzeit vs. nahezu Echtzeit: Die richtige Wahl treffen

Echte Echtzeit (Latenz von weniger als einer Sekunde) ist komplexer und teurer als nahezu Echtzeit (Latenz von 15 Sekunden bis 5 Minuten). Für die meisten geschäftlichen Anwendungsfälle ist nahezu Echtzeit ausreichend.

Für die meisten Anwendungsfälle der Geschäftsüberwachung – Betriebs-Dashboards, Support-Ticket-Warteschlangen, Überwachung von Verkaufsaktivitäten – ist eine Latenz von 1–5 Minuten völlig ausreichend und kann durch eine einfache geplante Aktualisierung anstelle einer Streaming-Architektur erreicht werden.

Eine echte Streaming-Architektur ist gerechtfertigt, wenn: (1) die durch die Daten ausgelöste Geschäftsentscheidung innerhalb von Sekunden getroffen werden muss, um wertvoll zu sein, oder (2) das Datenvolumen so groß ist, dass die Materialisierung in einer Datenbank zu lange dauert, als dass die geplante Aktualisierung mithalten kann.

---

Häufig gestellte Fragen

Wie viele Geräte können Daten gleichzeitig an ein Power BI-Streaming-Dataset übertragen?

Für Power BI-Streaming-Datasets gilt ein Ratenlimit von 1 Million Zeilen pro Stunde und Dataset. Bei IoT-Szenarien mit Tausenden von Geräten, die jede Sekunde Daten senden, wird diese Grenze schnell überschritten. Die Standardarchitektur verwendet Azure Event Hubs (die Milliarden von Ereignissen pro Tag verarbeiten können) und Azure Stream Analytics, um Gerätetelemetriedaten zu aggregieren, bevor die reduzierten, aggregierten Daten an Power BI übertragen werden. Der direkte Geräte-zu-Power BI-Push eignet sich nur für niederfrequente Daten von einer kleinen Anzahl von Geräten.

Funktionieren Streaming-Dataset-Kacheln in Power BI-Berichten oder nur in Dashboards?

Reine Streaming-Dataset-Kacheln (ohne Verlaufsdaten) funktionieren nur in Power BI-Dashboards, nicht in interaktiven Berichten. Dies liegt daran, dass der Streaming-Kachel-Renderer auf der Dashboard-Ebene mit automatischer Aktualisierung arbeitet, nicht in der Berichts-Engine. Push-Datensätze mit historischen Daten (der Quelltyp „API“ mit aktivierter historischer Analyse) unterstützen vollständige interaktive Berichte mit allen Diagrammtypen. Auch die Dashboard-Kacheln aus Push-Datensätzen werden nahezu in Echtzeit aktualisiert.

Wie geht Power BI mit der Datenreihenfolge in Streaming-Datasets um?

Das Streaming-Dataset von Power BI erzwingt keine Reihenfolge – die Daten werden in der Reihenfolge angezeigt, in der sie eintreffen. Bei Zeitreihendiagrammen wird die Spalte „Datum/Uhrzeit“ zum Ordnen der X-Achse verwendet. Zu spät eintreffende Daten (Datensätze, die in der falschen Reihenfolge eintreffen) können vorübergehende Anzeigeartefakte verursachen, bevor das Diagramm neu sortiert wird. Azure Stream Analytics verwaltet die Toleranz für verspätete Ankunft bei strukturierten Streaming-Pipelines und stellt sicher, dass die Daten in einer konsistenten Reihenfolge eintreffen, bevor sie Power BI erreichen.

Kann ich Echtzeit-Streaming-Daten mit historischen Importdaten im selben Bericht kombinieren?

Ja, aber mit einem zusammengesetzten Modell. Ein Push-Datensatz (REST-API mit historischen Daten) kann zusammen mit anderen Tabellen im Importmodus in einen Power BI-Datensatz importiert werden. Ein gängigerer Ansatz: Verwenden Sie Azure Stream Analytics, um Streaming-Zusammenfassungen sowohl in Azure SQL (zur historischen Analyse über den Importmodus) als auch in den Power BI-Streaming-Datensatz (zur Echtzeitanzeige) zu schreiben. Berichte stellen für historische Diagramme eine Verbindung zum Azure SQL-Datensatz im Importmodus her, während ein Dashboard Streaming-Kacheln für Echtzeit-KPIs verwendet.

Was ist das Minimum für die automatische Aktualisierung für Power BI-Dashboards ohne Streaming?

Power BI-Dashboardkacheln (verbunden mit Import- oder DirectQuery-Datensätzen) haben für Dashboards mit zugewiesener Premium-Kapazität ein automatisches Aktualisierungsintervall von mindestens 1 Minute. Ohne Premium beträgt die Mindestdauer 30 Minuten. Diese „automatische Aktualisierung“ führt dazu, dass die Kachel den Datensatz im Intervall erneut abfragt. Dabei handelt es sich nicht um echtes Streaming, sondern um Aktualisierungen nahezu in Echtzeit für die Betriebsüberwachung, bei denen eine Aktualität von einer Minute akzeptabel ist.

---

Nächste Schritte

Echtzeit-Dashboards erfordern einen anderen technischen Ansatz als historische Analysen – die Architektur, die Datenpipeline und das Dashboard-Design ändern sich alle. Die Investition ist gerechtfertigt, wenn betriebliche Entscheidungen wirklich innerhalb von Sekunden oder Minuten nach Ereignissen getroffen werden müssen, nicht innerhalb von Stunden oder Tagen.

Die Power BI-Dashboard-Entwicklungsdienste von ECOSIRE umfassen den Entwurf einer Echtzeit-Streaming-Architektur, die Konfiguration von Azure Event Hub und Stream Analytics sowie die Implementierung eines Dashboards für die Betriebsüberwachung. Kontaktieren Sie uns, um zu beurteilen, ob Ihr Anwendungsfall Echtzeit-Streaming erfordert oder ob eine geplante Aktualisierung nahezu in Echtzeit Ihren Anforderungen entspricht.