Power BI: Datenmodellierung & DAX-Einstieg – Kurs

Dieser Kurs vermittelt den strukturierten Einstieg in Microsoft Power BI mit dem Schwerpunkt auf einem sauber aufgebauten Datenmodell als Grundlage jeder späteren Analyse. Teilnehmende lernen, sinnvolle Beziehungen zwischen Tabellen zu definieren, DAX als zentrale Funktionssprache für Berechnungen kennenzulernen und Daten mittels SQL für die Weiterverarbeitung vorzubereiten. Ergänzt wird dieses Fundament um einen Ausblick auf maschinelles Lernen, mit dem sich automatisierte Mustererkennung und einfache Prognosen in Berichte integrieren lassen. Der Kurs eignet sich damit besonders für den Einstieg in datengetriebenes Arbeiten mit Power BI, ohne Vorwissen in Modellierung oder DAX vorauszusetzen.

Datenmodellierung in Power BI Der Kurs beginnt mit dem Fundament jeder späteren Analyse: einem sauber strukturierten Datenmodell. Teilnehmende lernen, wie sich Tabellenbeziehungen sinnvoll definieren lassen und welche Modellstruktur eine skalierbare Berichterstattung überhaupt erst ermöglicht.

• Entwicklung leistungsfähiger Datenmodelle für die Analyse komplexer Datensätze
• Definition sinnvoller Beziehungen zwischen Tabellen und Abgrenzung unterschiedlicher Beziehungstypen
• Aufbau strukturierter Datenmodelle als Basis für aussagekräftige und skalierbare Berichte
• Vermeidung typischer Modellierungsfehler wie zirkulärer oder mehrdeutiger Beziehungen
• Organisation von Tabellen in Fakten- und Dimensionsstrukturen
• Einordnung, wie Modellentscheidungen spätere DAX-Berechnungen beeinflussen

DAX-Funktionen als Einstieg in komplexe Analysen Aufbauend auf dem Datenmodell führt der zweite Block in DAX als zentrales Element für Berechnungen und gezielte Analysen in Power BI ein.

• Einsatz grundlegender DAX-Funktionen für Kennzahlen und Aggregationen
• Definition leistungsfähiger Measures auf Basis des zuvor aufgebauten Datenmodells
• Erstellung interaktiver, präziser und benutzerdefinierter Berichte
• Unterscheidung zwischen berechneten Spalten und Measures
• Nutzung von Filterkontext als Grundprinzip von DAX-Berechnungen
• Aufbau erster zusammengesetzter Kennzahlen für typische Reporting-Fragestellungen

Datenvorbereitung mittels SQL Der dritte Block widmet sich der Vorbereitung großer Datenmengen, bevor diese überhaupt in ein Power-BI-Modell einfließen.

• Vorbereitende Verarbeitung und Integration großer Datenmengen in Power BI
• Formulierung optimierter SQL-Abfragen für die Datenaufbereitung
• Einsatz von Joins zur Zusammenführung mehrerer Datenquellen
• Nutzung von Indexierungen zur effizienten Bereitstellung von Daten
• Filterung und Aggregation von Rohdaten vor dem Import in das Datenmodell
• Zusammenspiel von SQL-Vorbereitung und nachgelagerten DAX-Berechnungen

Maschinelles Lernen als Erweiterung für Berichte Als Erweiterung des zuvor aufgebauten Fundaments zeigt der vierte Block, wie sich maschinelles Lernen gezielt einsetzen lässt, um Berichte um automatisierte Mustererkennung und Prognosen zu ergänzen.

• Automatisierte Mustererkennung zur Erweiterung klassischer Berichte
• Gezielter Einsatz von überwachtem und unüberwachtem Lernen für Analysezwecke
• Integration datengetriebener Prognosen in Dashboards und Berichte
• Einordnung, für welche Fragestellungen sich prädiktive Modelle eignen
• Nachvollziehbare Darstellung von Modellergebnissen für Berichtsempfänger
• Abgrenzung zwischen klassischer DAX-Kennzahl und modellbasierter Prognose

Praxisteil – Vom Datenmodell zum prognosefähigen Bericht Alle Inhalte werden an einem durchgängigen Beispieldatensatz erprobt, der vom Rohdatenimport bis zum fertigen, um Prognosen erweiterten Bericht reicht.

• Aufbau eines vollständigen Datenmodells für einen Beispieldatensatz
• Definition von Tabellenbeziehungen und Vermeidung von Modellierungsfehlern
• Formulierung optimierter SQL-Abfragen zur Vorbereitung des Beispieldatensatzes
• Schreiben erster DAX-Measures für zentrale Kennzahlen
• Aufbau zusammengesetzter DAX-Berechnungen für ein Beispiel-Reporting
• Einbindung mehrerer Datenquellen über Joins in ein gemeinsames Modell
• Einsatz von Indexierungen zur Beschleunigung der Datenbereitstellung
• Integration eines einfachen prädiktiven Modells in einen bestehenden Bericht
• Visualisierung von Prognoseergebnissen im Vergleich zu historischen Werten
• Fehlersuche bei unerwarteten Ergebnissen im Datenmodell oder in DAX-Formeln
• Bewertung, ob ein Bericht eher klassische Kennzahlen oder zusätzlich Prognosen benötigt
• Übertragung des bearbeiteten Beispiels auf einen eigenen Datensatz

Der Kurs ist bewusst so aufgebaut, dass jeder Block auf dem vorherigen aufbaut: Ohne ein durchdachtes Datenmodell bleiben auch komplexe DAX-Formeln fehleranfällig, und ohne saubere SQL-Vorbereitung geraten selbst gute Modelle an ihre Grenzen. Erst auf dieser Grundlage wird der Ausblick auf maschinelles Lernen sinnvoll nutzbar. Wer den Kurs abschließt, verlässt sich beim Berichtsaufbau nicht auf Zufallslösungen, sondern versteht, warum ein bestimmtes Modell, eine bestimmte DAX-Formel oder eine bestimmte SQL-Abfrage die passende Wahl ist – und kann diese Entscheidungen bei Bedarf um datengetriebene Prognosen ergänzen.

Der Kurs richtet sich an Einsteiger:innen, Quereinsteiger:innen und Fachkräfte, die Kompetenzen in Datenanalyse, Reporting oder technisch geprägten Fachbereichen ausbauen möchten. Geeignet ist er für Personen, die lernen möchten, Datenmodelle, DAX-Berechnungen und einfache Machine-Learning-Ansätze beruflich anzuwenden; zwingende Vorkenntnisse in Power BI sind nicht erforderlich.

• Einsteiger:innen in Datenanalyse und Business Intelligence ohne Power-BI-Vorerfahrung
• Quereinsteiger:innen mit Interesse an Data Science und datenbasierten Berichten
• Fachkräfte aus Reporting-nahen Bereichen, die ihre Modellierungskompetenz ausbauen möchten
• Personen mit erster Excel-Erfahrung, die den Schritt zu strukturierten Datenmodellen gehen möchten
• Angehende Datenmodellierer:innen und BI-Entwickler:innen

Der Kurs führt Schritt für Schritt vom Datenmodell über DAX-Grundfunktionen und SQL-Datenvorbereitung bis zum Ausblick auf maschinelles Lernen, wobei jeder neue Themenblock unmittelbar auf dem vorherigen aufbaut. Theoretische Konzepte werden direkt an einem durchgehenden Beispieldatensatz erprobt, sodass Modellierung, Berechnung und Datenvorbereitung nicht getrennt, sondern im Zusammenhang erlernt werden. Der praxisnahe Aufbau richtet sich besonders an Einsteiger:innen, die noch keine Routine im Umgang mit Power BI mitbringen.

Der Kurs gliedert sich in vier aufeinander aufbauende Themenblöcke von der Datenmodellierung über DAX-Grundfunktionen und SQL-Datenvorbereitung bis zum Ausblick auf maschinelles Lernen, ergänzt um einen zusammenfassenden Praxisteil. Konkrete Wochen- oder Stundenangaben liegen nicht einheitlich vor, da der zeitliche Umfang je nach Anbieter variiert. Der modulare Aufbau erlaubt es, jeden Block in sich abzuschließen, bevor der nächste Themenbereich folgt.

Der Kurs schließt mit einem Trägerzertifikat ab, das die Kursinhalte zu Datenmodellierung und DAX-Funktionen dokumentiert; teils ist damit zusätzlich eine Abschlussprüfung verbunden. Eine offizielle Microsoft-Zertifizierungsprüfung ist mit diesem Kurs nicht verbunden. Das Zertifikat bescheinigt die im Kurs erworbenen Kenntnisse in Datenmodellierung, DAX und SQL-gestützter Datenvorbereitung.

Statt mit einzelnen DAX-Formeln oder fertigen Visualisierungen zu beginnen, stellt dieser Kurs bewusst zuerst das Datenmodell in den Mittelpunkt, weil sich darauf jede spätere Berechnung stützt - eine Reihenfolge, die sich auszahlt. Wer diese Grundlage einmal richtig verstanden hat, vermeidet typische Anfängerfehler, die sich sonst erst spät in Form falscher oder widersprüchlicher Kennzahlen bemerkbar machen. Für den Berufsalltag als Data Analyst, BI-Entwickler:in oder Datenmodellierer:in bedeutet das eine solide Basis, die weit über das reine Erstellen einzelner Berichte hinausreicht: Wer Tabellenbeziehungen, DAX-Logik und SQL-Datenvorbereitung im Zusammenhang beherrscht, kann Datenmodelle so gestalten, dass sie auch bei wachsenden Datenmengen oder neuen Fragestellungen stabil bleiben. Der Ausblick auf maschinelles Lernen erweitert dieses Fundament um eine zusätzliche Perspektive, ohne den Kurs mit komplexer Modellentwicklung zu überfrachten: Teilnehmende lernen, wann sich automatisierte Mustererkennung oder einfache Prognosen sinnvoll in bestehende Berichte integrieren lassen, und gewinnen damit einen ersten Zugang zu datengetriebenen Analysen, die über klassische DAX-Kennzahlen hinausgehen.