Detecção de eventos em séries temporais se refere à identificação de pontos que se diferenciam do comportamento esperado. Em cenários de alta conectividade, gêmeos digitais e tráfego de dados em nuvem observa-se o aumento da velocidade e do volume de geração dos dados de séries em streaming. Assim, a detecção de eventos é fundamental para tomada de decisões para correção ou prevenção de situações indesejadas. Divide-se a detecção de eventos em online e offline. Na detecção online o acesso aos dados é em tempo real, enquanto na detecção offline há acesso prévio ao conjunto de dados completo. A detecção offline não permite monitoramento dos dados enquanto eles são gerados. Contudo, a detecção a cada novo ponto na série pode trazer custos computacionais que reduzem a aplicabilidade dos métodos. Contudo, nota-se que, ainda que o processamento em lote possa ser associado ao processamento offline, mesmo o processamento de dados em streaming pode ocorrer por meio do fluxo de dados em pequenos lotes. Ainda há escassez de trabalhos com ferramentas para integração e avaliação de métodos voltados para o streaming. Mesmo em trabalhos existentes, não se identificam formas de analisar o comportamento dos métodos ao longo do streaming. A especificidade dos métodos existentes, a necessidade de equilíbrio entre o custo da detecção online e acurácia da detecção offline permitem levantar a questão: o uso de lotes configuráveis na detecção de eventos em séries em streaming resulta em detecção precoce e redução do custo computacional? Outras questões relevantes são: É possível avaliar o tempo entre a leitura de uma observação na série e sua detecção como evento? É possível avaliar o comportamento dos métodos ao longo do streaming? Para explorar as lacunas existentes na literatura, o presente trabalho propõe uma análise do uso de lotes configuráveis na detecção de eventos em séries temporais em streaming, avaliando seus impactos no equilibrio entre a acurácia e a detecção precoce de eventos. Além disso, o trabalho apresenta o framework Nexus para integração de métodos de detecção de eventos em streaming e métricas para avaliação de atraso na detecção e do comportamento dos métodos ao longo do streaming