Datenauswertung mit Power BI (Option Technologie)

Das Wichtigste in Kürze

  • Power BI wertet grosse Datenmengen aus: beziehen, transformieren, modellieren, berechnen, visualisieren und veröffentlichen.
  • Das Stern-Schema besteht aus einer Faktentabelle und mehreren Dimensionstabellen.
  • Aggregationen gehören in ein Measure, zeilenbasierte Klassifizierungen in eine Calculated Column.
  • Power Query bereitet Daten auf, etwa durch Entfernen von Spalten und Duplikaten, Unpivot und das Setzen von Datentypen.
  • Row-Level-Security (RLS) schützt sensible Daten wie Löhne vor offenem Zugriff.
  • Auswertungen werden adressatengerecht präsentiert; aus den Ergebnissen werden Schlussfolgerungen abgeleitet.

Grundsatz: Grosse Datenmengen lassen sich systematisch auswerten. Microsoft Power BI wertet Daten in einem durchgehenden Ablauf von der Quelle bis zum Bericht aus.

Power-BI-Workflow

Power-BI-Workflow:

SchrittTool
Daten beziehenExcel, SQL, API, OData
Daten transformierenPower Query (M-Sprache)
DatenmodellStern-Schema, Beziehungen
BerechnungenDAX (Data Analysis Expressions)
VisualisierenReports / Dashboards
VeröffentlichenPower BI Service

Stern-Schema

Stern-Schema (Star Schema): Das Standard-Datenmodell in Power BI besteht aus einer zentralen Faktentabelle (enthält Messwerte/Transaktionen, z. B. Verkäufe mit Datum, Betrag, Menge) und mehreren Dimensionstabellen (beschreiben den Kontext, z. B. Produkt, Kunde, Zeit). Die Faktentabelle verknüpft sich über Fremdschlüssel mit den Dimensionen. Eine Faktentabelle speichert Beobachtungen oder Ereignisse (zum Beispiel Verkaufsaufträge) und enthält Schlüsselspalten zu den Dimensionen sowie numerische Messwertspalten. Eine Dimensionstabelle beschreibt einen Geschäftsgegenstand (Produkte, Personen, Orte, auch die Zeit); sie hat eine Schlüsselspalte als eindeutige Kennung, und ihre weiteren Spalten dienen dem Filtern und Gruppieren. Die am häufigsten vorkommende Dimension ist die Datumstabelle. Vorteile: schnelle Aggregation, einfache Filter-Logik.

Faktentabelle: Verkauf (datum_id, produkt_id, kunden_id, betrag, menge)
    ↑                  ↑               ↑
Zeit-Dim.       Produkt-Dim.      Kunden-Dim.

Beziehungen zwischen den Tabellen setzt man im Datenmodell. Mehr dazu und zu den Formeln: DAX und Datenmodell.

DAX: Measure und Calculated Column

DAX — Measure vs. Calculated Column:

TypZeitpunktVerwendung
Measure (Kennzahl)Berechnung zur Laufzeit, das Ergebnis ändert sich je nach Filter und Interaktion im BerichtAggregationen: SUM, AVERAGE, TOTALYTD — passt sich Filtern/Slicern an
Calculated Column (berechnete Spalte)Werte werden pro Zeile berechnet, sobald die Formel eingegeben ist, und im Datenmodell gespeichert; bei Datenaktualisierung werden sie neu berechnetZeilenweise Werte, die in der Tabelle gespeichert werden (z. B. Gewinnmarge pro Zeile)

Faustregel: Aggregationen → Measure. Zeilenbasierte Klassifizierung → Calculated Column.

DAX-Grundformel (Measure):

Umsatz_YTD = TOTALYTD(SUM(Verkauf[Betrag]); Verkauf[Datum])

Power Query: Transformationsschritte

Power Query verbindet sich mit Datenquellen, formt die Daten um und speichert die Transformationsschritte als wiederholbare Abfrage, die sich aktualisieren lässt. Es erledigt den ETL-Ablauf: extrahieren, transformieren, laden. Der Vorteil gegenüber von Hand erledigten Umformungen in Excel: Wiederkehrende Schritte laufen bei neuen Daten erneut ab, ohne dass man sie wiederholt.

Power Query — Konkrete Transformationsschritte:

  1. Spalten entfernen: Irrelevante Spalten löschen (Datenmenge reduzieren).
  2. Duplikate entfernen: «Remove Duplicates» auf Schlüsselspalte → verhindert Doppelzählung.
  3. Unpivot: Monatsspalten (Jan, Feb, …) in Zeilen umwandeln → Vorbereitung für Zeitachse. Beim Unpivot werden Spalten zu Attribut-Wert-Paaren, die Spalten werden also zu Zeilen.
  4. Datentyp setzen: Datum als «Date», Betrag als «Decimal Number» — sonst falsche Aggregationen.

Beispiel Unpivot: Eine Tabelle mit Spalten Produkt | Jan | Feb | Mrz wird zu Produkt | Monat | Umsatz umgewandelt.

Self-Service-BI und Enterprise-BI

Self-Service-BI vs. Enterprise-BI: Self-Service erlaubt dem Fachbereich, eigene Reports zu erstellen; Governance (Datenmodelle, Sicherheit, RLS) bleibt bei der IT.

Row-Level-Security (RLS) beschränkt den Datenzugriff bestimmter Benutzer auf Zeilenebene: Man definiert Rollen mit Filtern (DAX-Filterausdrücke), veröffentlicht das Modell und weist Mitglieder den Rollen zu. RLS wirkt nur für Benutzer mit der Berechtigung «Viewer», nicht für Admin, Member oder Contributor des Arbeitsbereichs.

Beispiel — Vertriebs-Dashboard

Datenquelle: SQL-Tabelle Verkäufe (Faktentabelle) + Dimensionen Produkt, Kunde, Zeit. Visualisierungen:

  • Kachel: Gesamtumsatz YTD (Measure)
  • Karte: Schweizer Kantone mit Heatmap
  • Linie: Monatlicher Umsatzverlauf
  • Slicer: Produktkategorie, Region

→ Aktualisierung täglich 06:00 via Power BI Service.

Häufige Fehler

  • Daten direkt im Visualisierungstool joinen: Power Query oder SQL-Sicht bevorzugen.
  • Measure mit Calculated Column verwechseln: Measure für Summen/Quoten; Calculated Column für Zeilenklassifizierungen.
  • Visualisierungs-Overkill: 20 Diagramme pro Seite → Information Overload.
  • Berechtigungen offen: Reports mit Lohndaten «jedermann» lesbar — Row-Level-Security (RLS) nutzen.

Daten auswerten und präsentieren

Kaufleute wenden die Vorgehensschritte bei Erfassung, Verarbeitung und Analyse von Daten an und werten grosse Datenmengen aus. Sie exportieren Daten aus einer Datenbank, werten Datenbanken mit geeigneten Werkzeugen aus (zum Beispiel Pivot, Power Query), erstellen Abfragen nach unterschiedlichen Kriterien und über mehrere Tabellen hinweg, suchen und filtern relevante Informationen und verbinden Daten aus verschiedenen Quellen. Die Auswertung wird adressatengerecht mit geeigneten Hilfsmitteln präsentiert. Zuletzt werden die Ergebnisse analysiert und Schlussfolgerungen daraus abgeleitet; vorher werden die Daten bereinigt, geprüft und plausibilisiert.

Für einen bedingten Durchschnitt in Excel (zum Beispiel pro Kundensegment) verwendet man =MITTELWERTWENN(Bereich;Kriterien;Mittelwert_Bereich); Pivot-Tabellen fassen Daten ohne Formeln zusammen.

Verwandte Themen

Kurz-Check

Weisst du es noch? Drei Fragen zu dem, was du gerade gelesen hast.