Datenanalyse mit Power BI und DAX meistern

Ziele

In diesem Seminar vertiefst Du Deine Kenntnisse in der Datenmodellierung und Analyse mit Power BI – auch ohne bisherige Erfahrung mit dem Tool. Aufbauend auf Deinem Wissen in PowerQuery und PowerPivot lernst Du, wie Du Datenmodelle in Power BI effizient strukturierst, komplexe Berechnungen mit DAX erstellst und große Datenmengen performant auswertest.

Du arbeitest mit Beziehungen zwischen Tabellen, entwickelst eigene Measures und berechnete Spalten und erfährst, wie Du durch gezielte Modelloptimierung die Ladezeiten und Analysegeschwindigkeit spürbar verbessern kannst. Das Seminar kombiniert fundierte Theorie mit praxisnahen Übungen – für einen direkten Transfer in Deinen Arbeitsalltag.

Inhalt

Modul 1: Einführung in das Datenmodell und den Unterschied zu PivotTables

• Konzept des Power BI Datenmodells im Vergleich zur PivotTable-Datenbasis (z. B. Excel)
• Vorteile des Tabular-Modells von Power BI (z. B. mehrere Tabellen, Beziehungen, zentrale Measures)
• Vorstellung des VertiPaq-Engines zur In-Memory-Komprimierung
• Unterschiede im Umgang mit Datenaktualisierung und -verknüpfung

Modul 2: Arbeiten mit DAX Data Analysis Expressions

• Überblick über DAX: Zweck und Einsatzbereiche
• Syntax, Operatoren und Funktionen in DAX
• Einführung in wichtige Funktionen: SUM, AVERAGE, CALCULATE, FILTER, IF
• Unterschied zwischen Measures, berechneten Spalten und berechneten Tabellen
• Einführung in Time Intelligence: DATESYTD, SAMEPERIODLASTYEAR

Modul 3: Beziehungen zwischen Tabellen definieren und verwalten

• Erstellen und Bearbeiten von Beziehungen im Model View
• Bedeutung von Kardinalität (z. B. 1:n, n:1) und Kreuzfilterrichtung (single/both)
• Automatisches vs. manuelles Erstellen von Beziehungen
• Auswirkungen von Beziehungen auf Filterkontext und DAX-Auswertungen

Modul 4: Erstellung komplexer berechneter Spalten und Measures

• Wann Spalten, wann Measures?
• Kombination mehrerer DAX-Funktionen zur Modellierung erweiterter Kennzahlen
• Arbeiten mit Variablen (VAR) und Return-Logik
• Fehlervermeidung bei Filterkontext und Row Context
• Fallbeispiele: Dynamische KPIs, Segmentanalysen, Zeitvergleiche

Modul 5: Optimierung von Datenmodellen für bessere Performance

• Reduzierung der Datenmodellgröße durch Spaltenauswahl und -typisierung
• Nutzung von Star Schema anstelle von Snowflake-Strukturen
• Einsatz von Aggregationstabellen zur Performanceverbesserung
• Überwachung und Analyse mit dem Performance Analyzer
• Tipps zur Vermeidung leistungshungriger DAX-Formeln (z. B. Nested Iterators)