Grundsatz: Power BI verarbeitet Daten in drei Schritten: Power Query (Import + Bereinigung) → Datenmodell (Tabellen und Beziehungen) → DAX (Analysen + Kennzahlen).
Phase 1 — Power Query (M-Sprache)
Power Query ist der ETL-Schritt vor dem Datenmodell: Daten werden importiert, bereinigt und in die gewünschte Form gebracht.
| Schritt | Typische Aktionen |
|---|---|
| Verbinden (Extract) | Excel, CSV, SQL-Datenbank, Web-API anbinden |
| Transformieren (Transform) | Spalten umbenennen/löschen, Datentypen setzen, Nullwerte bereinigen, Tabellen zusammenführen (Merge/Append) |
| Laden (Load) | Bereinigte Tabelle ins Datenmodell laden |
Die M-Sprache arbeitet im Hintergrund; in der Praxis benutzt man die grafische Oberfläche des Power Query-Editors. Beispiel: Table.TransformColumnTypes(Quelle, {{"Datum", type date}, {"Betrag", Currency.Type}}).
Phase 2 — Datenmodell und Beziehungen
Im Datenmodell werden Tabellen über Beziehungen verknüpft (analog Fremdschlüssel in SQL). Beim Laden mehrerer Tabellen versucht Power BI Desktop, Beziehungen anhand der Spaltennamen selbst zu erkennen; Kardinalität, Kreuzfilterrichtung und der Status «aktiv» sind einstellbar.
| Einstellung | Bedeutung |
|---|---|
| Aktive Beziehung | Wird automatisch für Filter genutzt; pro Tabellenpaar nur eine aktive |
| Inaktive Beziehung | Wird nur explizit per USERELATIONSHIP() aktiviert — nützlich bei Rollenspiel-Dimensionen (z. B. zwei Datumsrollen: Buchungsdatum / Valutadatum) |
| Kreuzfilter-Richtung | «Einfach»: Dimension filtert Fakten; «Beidseitig»: gegenseitig (mit Vorsicht einsetzen) |
Empfehlung: Stern-Schema (zentrale Faktentabelle + Dimensionstabellen) anstatt flache Tabellen mit allen Spalten. Beziehungen setzt man im Datenmodell, statt Tabellen von Hand zu verbinden oder Spalten zu kopieren.
Phase 3 — DAX (Data Analysis Expressions)
DAX steht für Data Analysis Expressions. Es ist die Formelsprache in Power BI und Excel Power Pivot — spalten- und tabellenbasiert (kein Zellbezug wie in Excel). Formeln bestehen aus Funktionen, Operatoren und Werten; verwendet werden sie in Measures, berechneten Spalten, berechneten Tabellen und Zeilensicherheit (RLS).
DAX-Kategorien
| Kategorie | Beispiele |
|---|---|
| Aggregation | SUM, AVERAGE, COUNT, MIN, MAX |
| Filter | CALCULATE, FILTER, ALL, ALLEXCEPT |
| Logik | IF, SWITCH, IFERROR |
| Datum | YEAR, MONTH, TOTALYTD, SAMEPERIODLASTYEAR |
| Beziehung | RELATED, LOOKUPVALUE, USERELATIONSHIP |
| Iterator | SUMX, AVERAGEX, MAXX (Zeile für Zeile auswerten) |
Wichtige Funktionen im Einzelnen
SUM(<Spalte>)addiert alle Zahlen einer Spalte (einfache Aggregation).CALCULATE(<Ausdruck>; <Filter1>; …)wertet einen Ausdruck in einem geänderten Filterkontext aus. Die Filter sind boolesche Ausdrücke, Tabellenausdrücke oder Filtermodifikatoren wieALLoderREMOVEFILTERS.RELATED(<Spalte>)holt über eine bestehende Beziehung (viele-zu-eins) einen Wert aus einer verknüpften Tabelle. Dafür braucht es einen Zeilenkontext, also zum Beispiel eine berechnete Spalte; ohne Beziehung muss zuerst eine angelegt werden.IF(<Test>; <Wert_wenn_wahr>; [<Wert_wenn_falsch>])undSWITCH(<Ausdruck>; <Wert>; <Ergebnis>; …; [<Sonst>])gehören zur Logik; SWITCH vermeidet mehrere verschachtelte IF.SUMX(<Tabelle>; <Ausdruck>)ist ein Iterator: Er wertet den Ausdruck für jede Zeile der Tabelle aus und summiert die Ergebnisse.
Calculated Column vs. Measure
- Calculated Column: Pro Zeile berechnet, im Modell gespeichert — gut für zeilenbasierte Merkmale.
- Measure: Wird dynamisch bei der Visualisierung berechnet, reagiert auf Filter — besser für KPIs und Aggregationen.
Time Intelligence — Voraussetzung Datumstabelle
Für Zeitvergleiche (YTD, Vorjahr) braucht Power BI eine eigene Datumstabelle mit lückenlosem Datumsbereich. Vor dem Einsatz der klassischen Time-Intelligence-Funktionen markiert man eine Tabelle mit Datumsspalte als Datumstabelle. Die Funktion CALENDAR erzeugt die Tabelle:
Datum = CALENDARAUTO() -- automatisch aus Modell-Daten abgeleitet (einfachste Variante)
-- oder manuell mit expliziten Start-/Enddaten:
Datum = CALENDAR(DATE(2020,1,1), DATE(2030,12,31))
Wichtig:
CALENDAR()benötigt zwei Argumente (Startdatum, Enddatum) und liefert eine Tabelle mit einer Spalte «Date» mit lückenlosen Tagen von Start bis Ende; ist das Startdatum nach dem Enddatum, entsteht ein Fehler.CALENDARAUTO()leitet den Bereich selbst aus den Daten des Modells ab, bezogen auf volle Geschäftsjahre — einfacher für Einsteiger.
Time Intelligence — Beispiel-Measures
Umsatz YTD = TOTALYTD(SUM(Verkauf[Betrag]), Datum[Datum])
Umsatz Vorjahr = CALCULATE(SUM(Verkauf[Betrag]), SAMEPERIODLASTYEAR(Datum[Datum]))
Umsatzwachstum % = DIVIDE([Umsatz YTD] - [Umsatz Vorjahr], [Umsatz Vorjahr])
TOTALYTD liefert den Jahresverlauf bis zum aktuellen Datum (Standard-Jahresende ist der 31. Dezember), SAMEPERIODLASTYEAR verschiebt die Daten des aktuellen Kontexts um ein Jahr zurück.
Beispiel — Sales-Dashboard
Datenfluss: Excel-Dateien → Power Query (bereinigen, Typen setzen) → Datenmodell (Stern-Schema: Verkauf + Datum, Produkt, Kunde, Region) → DAX-Measures → Visualisierungen.
Visualisierungen: Karten (KPIs), Liniendiagramm (Zeitverlauf), Karte Schweiz (Umsatz pro Kanton), Balkendiagramm (Top-10-Kunden).
Häufige Fehler
- Kein Power Query-Schritt: Rohdaten direkt ins Modell laden ohne Bereinigung → Datenqualitätsprobleme.
- Direkte Excel-Joins statt Beziehungen: Im Datenmodell Beziehungen setzen, nicht Spalten kopieren.
- Iterator wenn Aggregation reicht:
SUMXnur verwenden, wenn eine zeilenweise Berechnung nötig ist; eine einfache Aggregation wieSUMgenügt sonst. - Time Intelligence ohne Datumstabelle:
TOTALYTD/SAMEPERIODLASTYEARbrauchen eine Datumstabelle mit lückenlosem Datumsbereich. CALENDAR()ohne Argumente: Muss Start- und Enddatum erhalten;CALENDARAUTO()für automatische Ableitung nutzen.