El Release Update 23.26.4, nos trae consigo, 4 nuevas funciones de ventanas de tiempo que nos permiten agrupar datos por intervalos fijos sin superposición, por ejemplo para poder obtener las ventas por hora; ventanas deslizantes, para monitoreo de transacciones; ventanas acumulativas para poder calcular ventas acumuladas y sesiones separadas por inactividad, para monitorear la actividad de usuarios.
Veamos el primer caso.
Observen la estructura de la siguiente tabla:
SQL> desc transacciones_stream
Name Null? Type
----------------------------------------- -------- ----------------------
ID_TRANSACCION NOT NULL NUMBER
ID_CLIENTE NUMBER
FECHA_EVENTO TIMESTAMP(6)
MONTO NUMBER(12,2)
En esta tabla tenemos la siguiente información:
Ahora usemos la primera función de ventana de tiempo llamada TUMBLE, para poder determinar las transacciones que ocurrieron cada 10 minutos.
SQL> SELECT window_start,
window_end,
COUNT(*) AS operaciones,
SUM(monto) AS total
FROM TUMBLE(
transacciones_stream,
COLUMNS(fecha_evento),
INTERVAL '10' MINUTE
)
GROUP BY window_start, window_end
ORDER BY window_start;
Resultado obtenido:
Con esta consulta, hemos agrupado las transacciones en intervalos consecutivos de 10 minutos y calculado su monto total.
Las ventanas sin registros no aparecen automáticamente.
Caso de uso: consolidar transacciones financieras, métricas de aplicaciones o eventos de auditoría por intervalos regulares.
Segundo caso.
HOP: ventanas deslizantes
Objetivo: calcular las transacciones de los últimos 20 minutos, iniciando una nueva ventana cada 10 minutos.
SQL> SELECT window_start,
window_end,
COUNT(*) AS operaciones,
SUM(monto) AS total
FROM HOP(
transacciones_stream,
COLUMNS(fecha_evento),
INTERVAL '10' MINUTE,
INTERVAL '20' MINUTE
)
GROUP BY window_start, window_end
ORDER BY window_star;
Obtenemos como resultado:
También aparecerán ventanas anteriores o posteriores que contengan registros.
Una misma transacción puede participar en varias ventanas. Por eso, los totales de ventanas superpuestas no deben sumarse como si fueran períodos independientes.
Caso de uso: detectar aumentos de transacciones, actividad anómala, picos de consumo o potenciales fraudes en intervalos móviles.
Ahora veamos el tercer caso.
CUMULATE: acumulados progresivos
Objetivo: generar ventanas acumulativas que crezcan cada 10 minutos, hasta alcanzar un máximo de 30 minutos.
SQL> SELECT window_start,
window_end,
COUNT(*) AS operaciones,
SUM(monto) AS total
FROM CUMULATE(
transacciones_stream,
COLUMNS(fecha_evento),
INTERVAL '10' MINUTE,
INTERVAL '30' MINUTE
)
GROUP BY window_start, window_end
ORDER BY window_start;
Resultado obtenido
La ventana se reinicia después de alcanzar su duración máxima.
Caso de uso: seguimiento de objetivos comerciales, consumo acumulado, volumen transaccional y métricas operativas.
Ahora vamos al último caso.
SESSIONS: detectar sesiones de actividad por cliente
Objetivo: identificar grupos de transacciones de un mismo cliente separados por períodos de inactividad superiores a 10 minutos.
SELECT id_cliente,
window_start,
window_end,
COUNT(*) AS operaciones,
SUM(monto) AS total
FROM SESSIONS(
transacciones_stream
PARTITION BY id_cliente,
COLUMNS(fecha_evento),
INTERVAL '10' MINUTE
)
GROUP BY id_cliente,
window_start,
window_end
ORDER BY id_cliente, window_start;
Obtenemos como resultado:
Con nuestros datos, el cliente 100 presenta dos grupos de actividad: uno con operaciones a las 09:02 y 09:07, otro con operaciones a las 09:18 y 09:40 que forman sesiones separadas por inactividad. En concreto, aparecen tres sesiones para ese cliente, porque entre 09:07 y 09:18 transcurren 11 minutos.
La función determina las sesiones independientemente por id_cliente.
Cómo se hace en 19c y como lo podemos hacer ahora en 26ai
La ventaja es la declaratividad: Oracle se encarga de asignar los registros a las ventanas, reduciendo la cantidad de SQL necesario.
Hay una distinción arquitectónica importante: estas funciones trabajan sobre filas disponibles para la consulta en modo batch. No constituyen por sí solas un motor de procesamiento continuo de eventos.
