Häufig gestellte Fragen

Power BI einfach erklärt ist eine Microsoft-Plattform, die Daten aus verschiedenen Systemen sammelt und in interaktive Berichte und Dashboards verwandelt. Sie hilft, zentrale Kennzahlen und die Gründe für ihre Veränderung schnell zu erkennen.

Power BI wird für die Analyse von Vertrieb, Finanzen, Marketing, Beständen und operativen Prozessen eingesetzt. Damit kann ein Unternehmen das Berichtswesen automatisieren, KPIs überwachen und Kennzahlen bis auf ein einzelnes Produkt, eine Region oder einen Manager herunterbrechen.

Ja. Power BI Desktop lässt sich kostenlos für die Erstellung von Berichten nutzen, und die Lizenz Fabric Free eignet sich für die persönliche Arbeit im Service. Für die übliche gemeinsame Nutzung ist Pro oder PPU nötig. Free-Nutzer können außerdem Inhalte ansehen, die auf einer Fabric F64 oder einer größeren Capacity liegen, sofern ihnen der entsprechende Zugriff erteilt wurde.

Power BI Desktop dient der Datenaufbereitung, dem Aufbau von Modellen und der Erstellung von Berichten. Power BI Service wird genutzt, um sie in der Cloud zu veröffentlichen, automatisch zu aktualisieren, gemeinsam daran zu arbeiten und Zugriffe zu verwalten.

Zum Lernen und für die lokale Arbeit reicht das kostenlose Desktop. Pro eignet sich für Teams, die Berichte veröffentlichen und gemeinsam ansehen müssen. PPU wählt man für den persönlichen Zugang zu Premium-Funktionen und Fabric Capacity für dedizierte Ressourcen oder ein großes Publikum.

Am besten beginnt man mit einer konkreten Aufgabe und einem kleinen Datensatz. Binden Sie eine Excel-Datei in Desktop ein, bereinigen Sie die Daten mit Power Query, erstellen Sie einige Basiskennzahlen und bauen Sie Ihren ersten Power BI Bericht. Dieser Ansatz hilft, die Logik der Plattform schneller zu verstehen als das schrittweise Durcharbeiten aller Funktionen.

Das ist die Infrastruktur, die Daten aus allen Systemen des Unternehmens – CRM, ERP, Werbung, Lager – zusammenführt, sie in ein einheitliches Format bringt und für Analytik und automatisierte Entscheidungen verfügbar macht. Es ist keine einzelne Datenbank, sondern ein Zusammenspiel aus Quellen, Speicher, Verarbeitungsschicht und Analysewerkzeugen, die als Ganzes funktionieren.

Ohne sie berechnen die Abteilungen dieselben Kennzahlen unterschiedlich, und Entscheidungen entstehen auf Basis widersprüchlicher Zahlen. Eine einheitliche Datenplattform schafft eine gemeinsame Version der Wahrheit für das gesamte Unternehmen: Marketing, Vertrieb und Finanzen sehen dieselben Metriken, nach derselben Logik berechnet.

Ein Data Warehouse speichert strukturierte Daten in einem festen Schema und eignet sich für Finanzberichte und klar definierte BI-Dashboards. Ein Data Lake speichert beliebige Daten in Rohform: Dateien, Logs, unverarbeitete Datenbestände, und eignet sich besser für Analysen großer Datenmengen und ML-Modelle, bei denen die Struktur im Voraus nicht bekannt ist.

Ein Lakehouse verbindet die Prinzipien von Data Lake und Data Warehouse: Es erlaubt die Arbeit mit großen Mengen unterschiedlichster Daten und unterstützt zugleich strukturierte Analytik. Eine universell bessere Variante gibt es allerdings nicht: Die Wahl zwischen Data Lake, Data Warehouse und Data Lakehouse hängt von den Datentypen, den Analyseaufgaben und den Anforderungen an die Architektur ab.

In einer vereinfachten Architektur lassen sich vier Hauptblöcke unterscheiden: Datenquellen und Integrationen, Speicher, die Analytik- und BI-Schicht sowie Governance – Regeln für Zugriff, Qualität und Datenverwaltung. In komplexeren Plattformen können auch Datenverarbeitung, Katalogisierung, Monitoring und Sicherheitswerkzeuge eigene Komponenten sein.

Schrittweise: zuerst ein Audit der bestehenden Systeme, um zu verstehen, welche Datenquellen kritisch sind. Danach – die Wahl der Architektur passend zur Größe des Unternehmens. Anschließend der Aufbau der ETL/ELT-Pipelines, die die Daten übertragen und transformieren. Und erst am Ende – die Anbindung der BI-Schicht für Dashboards und Berichte. Wird das Audit übersprungen oder gleich mit BI begonnen, steigt das Risiko, dass die Plattform auf widersprüchlichen Daten aufgebaut wird und schon nach dem Start überarbeitet werden muss.

RLS beschränkt den Zugriff auf einzelne Zeilen des Datenmodells je nach Rolle des Nutzers. Deshalb kann ein und derselbe Bericht verschiedenen Personen unterschiedliche Daten anzeigen.

Erstellen Sie eine RLS-Rolle, definieren Sie die Filterregel, testen Sie sie, veröffentlichen Sie das Modell und weisen Sie der Rolle im Power BI Service Nutzer oder Gruppen zu. Prüfen Sie zusätzlich ihre Rechte im Arbeitsbereich und den Zugriff auf den Bericht.

Bei statischem RLS ist die Filterregel fest an eine Rolle gebunden. Bei dynamischem RLS kann sie sich je nach Nutzer ändern, zum Beispiel über USERPRINCIPALNAME() und eine Zuordnungstabelle.

Dafür wird RLS Power BI verwendet: die Regeln des Modells legen fest, welche Daten der Nutzer nach der Anmeldung sieht.

Verwenden Sie in Power BI Desktop View as, um den Bericht im Namen einer Rolle zu prüfen. Nach der Veröffentlichung kann die Rolle auch im Power BI Service getestet werden.

Typische Fehler: ein Fehler im DAX-Filter, falsch zugewiesene Rollen im Arbeitsbereich, eine veraltete Zuordnungstabelle und der Versuch, RLS durch gewöhnliche Filter im Bericht zu ersetzen.