1. Ziel des Beitrags
Abfragen zusammenführen: Eine der größten Stärken von Power Query
In den bisherigen Beiträgen dieser Serie habe ich gezeigt, wie ich mit Power Query Daten importiere, aufbereite und daraus eine erste Pivot-Tabelle erstelle. Technisch funktioniert der Bericht bereits – doch fachlich ist er noch unvollständig.
Der Grund ist ein klassisches Praxisproblem:
Die Verkaufsdaten enthalten nur Kunden-IDs, aber keine sprechenden Informationen wie den Kundennamen.
Solange ich mit reinen IDs arbeite, ist der Bericht:
- schwer lesbar
- wenig aussagekräftig
- für andere kaum verständlich
Genau hier kommt eine der größten Stärken von Power Query ins Spiel:
das Zusammenführen von Abfragen.
Worum es in diesem Beitrag wirklich geht
Der Kern dieses Beitrags ist nicht das Importieren neuer Daten
und nicht das Erstellen einer weiteren Pivot-Tabelle.
Der Fokus liegt auf einer zentralen Fähigkeit von Power Query:
Unterschiedliche Datenquellen logisch miteinander zu verbinden – sauber, reproduzierbar und nachvollziehbar.
Konkret zeige ich:
- wie ich zwei getrennte Abfragen miteinander verknüpfe
- wie Power Query dabei ähnlich wie ein SVERWEIS arbeitet
- warum dieser Ansatz robuster ist als klassische Excel-Formeln
- wie sich das Ergebnis direkt im bestehenden Bericht widerspiegelt
Die typische Praxisfrage hinter diesem Beispiel
In der Praxis sieht die Situation häufig so aus:
- Verkaufsdaten liegen in einer Tabelle vor
- Kundenstammdaten liegen in einer anderen Tabelle
- beide Tabellen sind über eine Kunden-ID verbunden
In Excel würde man dieses Problem oft so lösen:
- SVERWEIS
- XVERWEIS
- INDEX / VERGLEICH
Diese Lösungen funktionieren – haben aber klare Nachteile:
- Formeln müssen kopiert und gepflegt werden
- Fehler bleiben oft unentdeckt
- Änderungen an der Struktur brechen die Logik
- große Datenmengen werden schnell langsam
Power Query verfolgt hier einen anderen Ansatz.
Mein Lernziel in diesem Beitrag
In diesem Artikel zeige ich, dass Power Query Abfragen:
- breiter machen kann (zusätzliche Spalten)
- nicht nur Werte, sondern ganze Datensätze verknüpft
- die Verknüpfungslogik zentral dokumentiert
- bei jeder Aktualisierung automatisch erneut ausführt
Am Ende dieses Beitrags habe ich:
- einen bestehenden Verkaufsbericht fachlich sinnvoll erweitert
- Kunden-IDs durch echte Kundennamen ergänzt
- verstanden, warum Zusammenführen (Merge) ein Schlüsselkonzept von Power Query ist
- ein solides Fundament für spätere Themen wie:
- mehrere Stammdaten
- komplexere Joins
- Datenmodelle
2. Ausgangslage: Zwei getrennte Tabellen – fachlich zusammengehörig
Um zu verstehen, warum das Zusammenführen von Abfragen in Power Query so mächtig ist, lohnt sich zunächst ein genauer Blick auf die Ausgangslage.
Diese Situation ist kein Sonderfall, sondern Alltag im Reporting.
In meiner bestehenden Berichtsdatei arbeite ich bereits mit einer Power-Query-Abfrage, die Verkaufsdaten aus einer Excel-Datei einliest.
Diese Daten sind transaktional aufgebaut und enthalten unter anderem:
- Rechnungsnummer
- Rechnungsdatum
- Kundennummer
- Positionsnummer
- Artikelbezeichnung
- Menge
- Stückpreis
- Verkaufsbetrag (berechnet in Power Query)
Fachlich sind diese Daten korrekt und vollständig.
Was jedoch fehlt, sind sprechende Informationen.
In der Auswertung sehe ich aktuell zum Beispiel:
- C-0001
- C-0002
- C-0003
- usw.
Für Excel ist das kein Problem.
Für uns Menschen aber schon.
Die Kundenstammdaten: sprechend, aber getrennt gepflegt
Die dazugehörigen Informationen – also das, was eine Kunden-ID „lesbar“ macht – liegen nicht in derselben Tabelle.
Stattdessen befinden sie sich in einem separaten Tabellenblatt der Quelldatei.
Dieses Blatt enthält klassische Stammdaten, zum Beispiel:
- Kundennummer
- Kundenname
- Region
Das ist genau so, wie es fachlich richtig ist.
Stammdaten und Bewegungsdaten gehören nicht in eine gemeinsame Liste, sondern werden:
- getrennt gepflegt
- unabhängig aktualisiert
- über Schlüssel miteinander verknüpft
👉 Genau diese Trennung ist der Grund, warum wir Power Query brauchen.
Warum ich diese Tabellen nicht manuell zusammenführe
An dieser Stelle sehe ich in der Praxis oft drei typische Reflexe:
- Kundennamen in die Verkaufsdatei kopieren
→ erzeugt Redundanzen, Pflegeaufwand und Fehler - SVERWEIS / XVERWEIS in der Berichtsdatei
→ funktioniert, aber:- Formeln müssen gepflegt werden
- Strukturänderungen brechen die Logik
- große Datenmengen werden langsam
- Hilfsspalten und manuelle Anpassungen
→ nicht reproduzierbar, nicht wartbar
All diese Ansätze haben eines gemeinsam:
Sie lösen das Problem auf der Zellebene.
Power Query löst es auf Datenmodellebene.
Der fachliche Kern des Problems
Das eigentliche fachliche Ziel ist sehr klar:
Ich möchte meine Verkaufsdaten um Kundennamen erweitern, ohne die Datenstruktur zu zerstören.
Dazu brauche ich:
- die Verkaufsdaten als Basis
- die Kundenstammdaten als Ergänzung
- eine saubere Verknüpfung über die Kunden-ID
Und genau hier kommt das Zusammenführen von Abfragen (Merge) ins Spiel.
Warum dieses Szenario ideal für Power Query ist
Power Query ist für genau solche Aufgaben gebaut:
- Daten liegen in unterschiedlichen Tabellen
- Daten stammen ggf. aus unterschiedlichen Quellen
- es gibt einen gemeinsamen Schlüssel
- die Logik soll einmal definiert und immer wieder ausgeführt werden
Statt Werte zu „suchen“, wie es ein SVERWEIS tut,
verknüpft Power Query ganze Datensätze miteinander.
Das Ergebnis ist keine Formel, sondern eine strukturierte Abfrage, die:
- dokumentiert ist
- nachvollziehbar bleibt
- automatisch aktualisiert wird
Ergebnis dieses Abschnitts
Nach diesem Abschnitt ist klar:
- warum Verkaufsdaten und Kundenstammdaten getrennt vorliegen
- warum diese Trennung fachlich sinnvoll ist
- warum klassische Excel-Formeln hier an ihre Grenzen kommen
- warum das Zusammenführen von Abfragen die saubere Lösung ist
3. Beispieldateien & Download – Praxis-Setup für diesen Beitrag
Damit Sie die Schritte aus diesem Beitrag vollständig nachvollziehen und selbst umsetzen können, arbeite ich – wie in der Praxis üblich – mit zwei getrennten Excel-Dateien:
- einer Datendatei als reine Quelle
- einer Berichtsdatei, in der Power Query, die Logik und die Pivot-Auswertung liegen
Diese Trennung ist kein theoretisches Konstrukt, sondern genau die Arbeitsweise, mit der Power Query seine Stärken ausspielt.
3.1 Überblick: Welche Datei erfüllt welchen Zweck?
Datendatei – zentrale Quelle (nicht bearbeiten)
Die Datendatei enthält die Rohdaten, auf die Power Query zugreift.
Sie wird nicht verändert, sondern nur gelesen.
In dieser Datei befinden sich zwei relevante Tabellenblätter / Listen, die wir in diesem Beitrag nutzen:
1️⃣ Verkaufsdaten_Liste
Diese Liste enthält die Transaktionsdaten, z. B.:
- Rechnungsnummer
- Rechnungsdatum
- Kundennummer
- Positionsnummer
- Artikelbezeichnung
- Menge
- Stückpreis
Diese Daten bilden die Grundlage unseres Berichts und wurden bereits in den vorherigen Beiträgen per Power Query importiert.
2️⃣ Kunden_Liste
Diese Liste enthält die Stammdaten der Kunden, insbesondere:
- Kunden-ID
- Kundenname
- Region
Wichtig für diesen Beitrag:
👉 Die Kundendaten liegen nicht als CSV oder Textdatei vor, sondern in einem separaten Tabellenblatt derselben Excel-Datei.
📥 Download Datendatei
Praxis-Hinweis:
Diese Datei ist Ihre Single Source of Truth. Sie kann wachsen (neue Kunden, neue Verkäufe), ohne dass Sie Ihre Berichtslogik anfassen müssen.
Berichtsdatei – Power Query & Auswertung
Die Berichtsdatei ist Ihre Arbeits- und Auswertungsdatei.
Hier passiert alles, was Logik, Transformation und Reporting betrifft.
Sie enthält bereits:
- eine Power-Query-Abfrage für die Verkaufsdaten
- eine Pivot-Tabelle auf Basis dieser Abfrage
- die Verbindung zur externen Datendatei
In diesem Beitrag erweitern wir diese Berichtsdatei gezielt, indem wir:
- eine zweite Abfrage (Kundendaten) hinzufügen
- beide Abfragen miteinander zusammenführen (Merge)
- den Kundennamen in die bestehende Auswertung integrieren
📥 Download Berichtsdatei
Berichtsdatei – Power-Query-Praxisbeispiel mit Pivot-Tabelle
(dieselbe Datei, die Sie auch in den vorherigen Beiträgen verwendet haben)
3.2 Warum ich bewusst mit zwei Dateien arbeite
Diese Struktur bringt drei entscheidende Vorteile:
1️⃣ Saubere Trennung von Daten und Bericht
Die Rohdaten bleiben unverändert, der Bericht bleibt übersichtlich und stabil.
2️⃣ Zentrale Logik in Power Query
Alle Regeln (Transformationen, Zusammenführungen, Berechnungen) liegen an einer Stelle – nicht verteilt auf Formeln oder Hilfsspalten.
3️⃣ Aktualisieren statt neu bauen
Neue Daten in der Datendatei → Alle aktualisieren → Bericht ist wieder korrekt.
Kein Kopieren, kein Nachziehen, kein Reparieren.
Gerade bei regelmäßigen Reports ist das der Unterschied zwischen einer einmaligen Lösung und einem professionellen Reporting-Prozess.
3.3 Empfohlenes Ordner-Setup
Damit es beim Nachbauen keine Probleme mit Dateipfaden gibt, empfehle ich folgendes Setup:
- Legen Sie einen Ordner an, z. B.
PowerQuery_Praxisbeispiel - Speichern Sie beide Dateien in diesem Ordner:
Power_Query_Praxisbeispiel_Bedeutende_Spalten.xlsxPower Query - Berichtsdatei.xlsx
Öffnen Sie nun die Berichtsdatei „Power Query – Berichtsdatei.xlsx“ und starten Sie Power Query, indem Sie die Tastenkombination Alt + F12 drücken.
Bitte passen Sie hier als erstes die Datenquelleneinstellungen für die Abfrage Verkaufsdaten an. Klicken Sie hierzu am linken Rand auf die Abfrage Verkaufsdaten. Jetzt können Sie rechts bei den angewendeten Schritten, die Datenquelle anpassen, so dass Sie die Daten auf Ihrem Rechner einlesen können. Klicken Sie hierzu bei dem Schritt Quelle auf das Zahnrad. Es öffnet sich das Dialogfeld Excel-Arbeitsmappe. Wählen Sie hier den Pfad der Quelldatei (Power_Query_Praxisbeispiel_Bedeutende_Spalten.xlsx) auf Ihrem Rechner aus und bestätigen Sie Ihre Einstellung, indem Sie das Dialogfeld durch Klick auf Ok schließen.
3.4 Wichtiger Check vor dem nächsten Schritt
Bevor wir im nächsten Abschnitt die Abfragen zusammenführen, sollten Sie kurz prüfen:
- Gibt es in beiden Tabellen eine Spalte Kunden-ID?
- Haben diese Spalten denselben Datentyp (z. B. Text in beiden Abfragen)?
- Sind die Kundendaten vollständig (jede Kunden-ID aus den Verkaufsdaten existiert auch in der Kundenliste)?
👉 Dieser Punkt ist entscheidend, denn ein Merge in Power Query funktioniert nur dann zuverlässig, wenn die Schlüsselspalten fachlich und technisch zusammenpassen.
Ergebnis dieses Abschnitts
Nach Abschnitt 3 haben Sie:
- die Struktur der Dateien verstanden
- Datendatei und Berichtsdatei korrekt eingeordnet
- eine saubere Praxisbasis für den Merge-Schritt geschaffen
- die Voraussetzungen erfüllt, um Kundendaten per Power Query zusammenzuführen
Damit sind wir perfekt vorbereitet für den Kern dieses Beitrags:
👉 Abfragen zusammenführen – der SVERWEIS-Gedanke in Power Query, sauber und skalierbar umgesetzt.
4. Kundendaten als zweite Abfrage importieren und vorbereiten
Bevor ich Abfragen zusammenführen kann, brauche ich natürlich zwei saubere Abfragen im Power Query Editor.
Die Verkaufsdaten sind bereits vorhanden – jetzt kommt der zweite, entscheidende Baustein hinzu: die Kundendaten.
Der Fokus dieses Abschnitts liegt bewusst auf zwei Punkten:
- Wie ich eine zweite Tabelle aus derselben Excel-Quelldatei in Power Query einbinde
- Wie ich diese Abfrage gezielt vorbereite, damit sie später sauber mit den Verkaufsdaten zusammengeführt werden kann
4.1 Ausgangssituation: Kundendaten liegen im gleichen Excel-File
Wichtig für dieses Praxisbeispiel – und auch sehr typisch für den Alltag:
- Die Kundendaten liegen nicht als separate CSV- oder Textdatei vor
- Sie befinden sich in einem eigenständigen Tabellenblatt / einer eigenen Liste innerhalb der Datendatei
- Die Datendatei enthält also mehrere logisch getrennte Tabellen
Genau für solche Szenarien ist Power Query gemacht.
👉 Merksatz:
Power Query arbeitet nicht datei-, sondern tabellenorientiert.
4.2 Kundendaten in Power Query importieren
Ich öffne die Berichtsdatei und gehe im Menüband auf:
Daten → Daten abrufen → Aus Datei → Aus Excel-Arbeitsmappe
Ich wähle dieselbe Datendatei aus, die auch schon die Verkaufsdaten enthält
(Power_Query_Praxisbeispiel_Bedeutende_Spalten.xlsx).
Daraufhin öffnet sich der Navigator.
Im Navigator sehe ich nun:
- mehrere Tabellenblätter bzw. Listen
- darunter die bereits bekannte Verkaufsdaten-Liste
- zusätzlich die Kunden-Liste
👉 Wichtig:
Ich wähle ausschließlich die Kunden-Liste aus – nicht mehrere Tabellen gleichzeitig.
Anschließend klicke ich unten auf:
Daten transformieren
So stelle ich sicher, dass ich die Kundendaten vor dem Laden gezielt aufbereiten kann.
4.3 Erste Prüfung im Power Query Editor
In unserem Beispiel werden die Überschriften der Kundentabelle nicht erkannt. Die eigentlichen Überschriften werden als 1 Listeneintrag und nicht als Spaltenüberschrift dargestellt.
Ich klicke daher in der Registerkarte Start auf dem Befehl Erste Zeile als Überschriften verwenden.
Durch diese Aktion wird die erste Zeile jetzt als Spaltenüberschrift verwendet, was sachlich richtig ist.
Im nächsten Schritt prüfe ich die Kundendaten bewusst, bevor ich irgendetwas verändere.
Ich achte dabei insbesondere auf:
- Spaltennamen
- Gibt es eine eindeutige Kundennummer?
- Ist der Kundenname sauber befüllt?
- Datentypen
- Kundennummer: Zahl oder Text?
- Kundenname: Text?
- Datenumfang
- Sind alle Kunden enthalten, die auch in den Verkaufsdaten vorkommen?
👉 Praxisregel:
Je sauberer die Stammdaten, desto stabiler wird später das Zusammenführen (Merge) der unterschiedlichen Abfragen.
4.4 Datentypen prüfen – absolute Pflicht vor dem Merge
Ein ganz entscheidender Punkt, den viele unterschätzen:
Die Join-Spalten müssen nicht gleich heißen – aber sie müssen denselben Datentyp haben.
Ich prüfe daher explizit:
- Kundennummer in der Kunden-Liste
- Kundennummer in der Verkaufsdaten-Abfrage
Beide müssen z. B.:
- Zahl ↔ Zahl
oder - Text ↔ Text
sein.
👉 Typischer Fehler aus der Praxis:
Der Merge findet „keine Übereinstimmungen“, obwohl die IDs identisch aussehen –
Ursache ist fast immer ein unterschiedlicher Datentyp.
Falls nötig, passe ich den Datentyp direkt im Power Query Editor an.
4.5 Kundendaten auf das Wesentliche reduzieren
Für den Merge brauche ich keine überladenen Stammdaten.
Im Gegenteil: Je schlanker die Abfrage, desto besser verständlich und performanter.
In unserem Beispiel brauchen wir eigentlich nur:
- Kundennummer
- Kundenname
Weitere Spalten könnten wir entfernen, sofern diese für den aktuellen Bericht keine fachliche Rolle spielen. Wenn ich die Spalte Region später nicht brauchen würde, dann könnte ich diese hier entfernen. Ich markiere hierzu die Spalte Region und klicke mit der rechten Maustaste auf dem Spaltenname. Im Kontextmenü wähle ich den Befehl Entfernen aus.
👉 Warum ich das hier schon machen sollte:
- Der Merge wird übersichtlicher
- Die spätere Abfrage bleibt leichter lesbar
- Ich vermeide unnötige Datenballast in der Berichtslogik
Alle Schritte werden – wie immer – automatisch in den angewendeten Schritten dokumentiert.
In diesem Beispiel lasse ich die Spalte Region aber in der Abfrage doch stehen, da es sehr wahrscheinlich ist, dass ich die Daten über die Region in weiteren Berichten benötigen werde.
4.6 Ladeoption: „Nur Verbindung erstellen“
Ganz wichtig für die Architektur:
Diese Kunden-Abfrage soll nicht:
- als Tabelle im Excel-Blatt landen
- direkt ausgewertet werden
Sie dient ausschließlich als Verweis- / Stammdatentabelle für den Merge.
Ich wähle daher:
Schließen & Laden → Schließen & laden in… → Nur Verbindung erstellen
👉 Best Practice:
Verweis-Tabellen lade ich fast immer nur als Verbindung.
So bleibt das Excel-Workbook aufgeräumt und logisch sauber.
Ergebnis dieses Abschnitts
Nach Abschnitt 4 habe ich:
- eine zweite Power-Query-Abfrage für die Kundendaten
- saubere Datentypen für die Kundennummer
- eine auf das Wesentliche reduzierte Stammdatentabelle
- die Abfrage korrekt als reine Verbindung eingebunden
Damit sind alle technischen Voraussetzungen erfüllt, um im nächsten Abschnitt den zentralen Schritt dieses Beitrags umzusetzen:
👉 Abfragen zusammenführen (Merge) – Power Query als skalierbare Alternative zum SVERWEIS.
5. Abfragen zusammenführen (Merge) – Power Query als moderne Alternative zum SVERWEIS
Jetzt kommt der Kern dieses Beitrags und einer der größten Vorteile von Power Query überhaupt:
Ich kann mehrere Abfragen miteinander verbinden, auch wenn sie aus unterschiedlichen Tabellen oder sogar aus unterschiedlichen Dateien stammen.
Genau hier zeigt sich, warum Power Query im Reporting-Alltag klassischen Excel-Formeln deutlich überlegen ist.
5.1 Ziel des Merges – was ich fachlich erreichen möchte
Ausgangslage:
- In meiner Verkaufs-Abfrage habe ich aktuell:
- Kundennummer
- Verkaufsbetrag
- weitere transaktionsbezogene Informationen
- In meiner Kunden-Abfrage habe ich:
- Kundennummer
- Kundenname
Was mir im Bericht fehlt, ist der sprechende Kundenname in der Auswertung.
Die Kundennummer allein ist technisch korrekt, aber fachlich wenig hilfreich.
👉 Ziel:
Ich möchte den Kundenname dauerhaft an jede Verkaufszeile anbinden – nicht per Formel, sondern direkt in der Datenlogik.
5.2 Abfragen zusammenführen – wo ich die Funktion finde
Ich öffne die Verkaufs-Abfrage im Power Query Editor.
Im Menüband gehe ich auf:
Start → Kombinieren → Abfragen zusammenführen
👉 Hinweis für Leser:
Es gibt auch „Abfragen als neu zusammenführen“.
In diesem Beitrag verwende ich bewusst „Abfragen zusammenführen“, damit die bestehende Verkaufs-Abfrage erweitert und nicht eine neue Abfrage erstellt wird.
5.3 Die richtige Abfrage auswählen (Primär- und Sekundärtabelle)
Nach dem Klick öffnet sich der Dialog zum Zusammenführen.
Hier treffe ich drei wichtige Entscheidungen:
1️⃣ Obere Tabelle (Primärabfrage)
→ meine Verkaufs-Abfrage
Diese Abfrage wird „breiter“, sie bleibt die fachliche Basis.
2️⃣ Untere Tabelle (Sekundärabfrage)
→ die Kunden-Abfrage
Sie liefert zusätzliche Informationen.
👉 Denkmodell:
Die obere Abfrage bestimmt, wie viele Zeilen ich am Ende habe.
Die untere Abfrage liefert zusätzliche Spalten.
5.4 Join-Spalten auswählen – der wichtigste technische Punkt
Jetzt sage ich Power Query, wie die beiden Abfragen zusammengehören.
Ich klicke:
- in der Verkaufs-Abfrage auf Kunden-ID
- in der Kunden-Abfrage ebenfalls auf Kunden-ID
👉 Ganz wichtiger Hinweis (Best Practice):
- Die Spalten müssen denselben Datentyp haben
- Der Name ist egal – der Typ ist entscheidend
Wenn hier Zahl ↔ Text kombiniert wird, findet Power Query keine Treffer.
5.5 Verbindungsart verstehen – warum „Links außen“ richtig ist
Im unteren Bereich des Dialogs wähle ich die Join-Art.
Standard ist:
Links außen (alle aus erster, übereinstimmende aus zweiter)
Das entspricht exakt dem klassischen SVERWEIS:
- alle Verkaufszeilen bleiben erhalten
- passende Kundendaten werden ergänzt
👉 Hintergrundwissen:
- Links außen = Standard im Reporting
- andere Join-Arten (Rechts, Inner, Vollständig) sind Spezialfälle
- wir gehen darauf später in einem eigenen Kapitel detailliert ein
Power Query zeigt mir unten zusätzlich:
- wie viele Übereinstimmungen gefunden wurden
Das ist ein erster Qualitätscheck meiner Daten.
5.6 Ergebnis des Merges – warum jetzt eine „Tabellen-Spalte“ entsteht
Nach Klick auf OK passiert etwas, das Einsteiger oft irritiert:
- Es erscheint eine neue Spalte
- Der Inhalt dieser Spalte ist „Table“
👉 Wichtig zu verstehen:
Power Query hat die komplette passende Zeile aus der Kunden-Abfrage angehängt –
aber noch nicht aufgelöst.
Das ist kein Fehler, sondern ein bewusstes Zwischenformat.
5.7 Daten erweitern – die „magische“ Doppelpfeil-Schaltfläche
Um die Informationen nutzbar zu machen, erweitere ich die neue Spalte.
Ich klicke auf das Doppelpfeil-Symbol (Erweitern) in der Spaltenüberschrift.
Im Auswahlfenster:
- wähle ich Kundenname
- deaktiviere „Spaltennamen als Präfix verwenden“
Nach Bestätigung wird:
- der Kundenname direkt in jede Verkaufszeile geschrieben
- ein neuer Schritt in den angewendeten Schritten angelegt
👉 Ergebnis:
Der SVERWEIS ist erledigt –
ohne Formel, ohne Hilfsspalte, ohne Fehleranfälligkeit.
5.8 Warum der Merge in Power Query überlegen ist
An dieser Stelle lohnt sich ein kurzer Vergleich:
SVERWEIS / XVERWEIS
- arbeitet zeilenweise
- abhängig von Zellbezügen
- fehleranfällig bei Strukturänderungen
Merge in Power Query
- arbeitet tabellenbasiert
- einmal definiert, immer reproduzierbar
- unabhängig von Zeilenanzahl
- automatisch bei jeder Aktualisierung
👉 Merksatz:
Der Merge ist kein Trick – er ist ein fester Bestandteil eines sauberen ETL-Prozesses.
Ergebnis dieses Abschnitts
Nach Abschnitt 5 habe ich:
- zwei Abfragen sauber miteinander verbunden
- den Kundenname dauerhaft in die Verkaufsdaten integriert
- einen stabilen Ersatz für SVERWEIS & Co. geschaffen
- eine Abfrage, die bei jeder Aktualisierung automatisch korrekt bleibt
Im nächsten Abschnitt sehen wir, wie sich diese Erweiterung direkt auf die Pivot-Tabelle auswirkt –
und warum genau hier Power Query und Pivot perfekt zusammenspielen.
6. Ergebnis nutzen: Kundennamen in der Pivot-Tabelle auswerten
Nachdem die Abfragen erfolgreich zusammengeführt wurden, ist die eigentliche Arbeit in Power Query abgeschlossen.
Ab jetzt zeigt sich der große Vorteil dieses Ansatzes: Alle nachgelagerten Auswertungen profitieren automatisch von der erweiterten Datenbasis.
Ich verlasse nun den Power Query Editor und arbeite wieder in Excel mit der bestehenden Pivot-Tabelle weiter.
6.1 Abfrage laden und Pivot-Tabelle aktualisieren
Nach dem Zusammenführen der Abfragen klicke ich im Power Query Editor auf:
Start → Schließen & Laden
👉 Da die Verkaufsabfrage bereits zuvor in eine Pivot-Tabelle geladen wurde, passiert Folgendes:
- keine neue Tabelle wird erstellt
- keine neue Pivot-Tabelle wird angelegt
- stattdessen wird die bestehende Pivot-Tabelle aktualisiert
Power Query führt im Hintergrund automatisch alle Schritte erneut aus:
- Verkaufsdaten einlesen
- Kundendaten einlesen
- Abfragen zusammenführen
- neue Spalten (z. B. Kundenname) bereitstellen
- Pivot-Tabelle aktualisieren
6.2 Neue Felder in der Pivot-Feldliste erkennen
Nach dem Laden wechsle ich zur Pivot-Tabelle.
In der Pivot-Feldliste sehe ich nun zusätzliche Felder aus der Kundenstammdaten-Abfrage, z. B.:
- Kundenname
- weitere Stammdatenfelder (je nach Auswahl beim Zusammenführen)
Dieses Feld stand mir vor dem Zusammenführen nicht zur Verfügung.
👉 Wichtig:
Die Pivot-Tabelle „weiß“ nichts von Power Query im Detail – sie sieht einfach nur eine erweiterte Datenquelle.
6.3 Kunden-ID durch Kundenname ersetzen
Bisher habe ich meine Auswertung auf Basis der Kunden-ID erstellt.
Diese ist technisch korrekt, aber fachlich wenig aussagekräftig.
Jetzt ersetze ich sie:
- Kunden-ID aus dem Bereich Zeilen entfernen
- Kundenname in den Bereich Zeilen ziehen
Sofort wird die Pivot-Tabelle neu aufgebaut – diesmal mit sprechenden Kundennamen statt technischer IDs.
👉 Genau hier zeigt sich der Mehrwert des Zusammenführens:
Ich musste keine einzige Formel anpassen.
6.4 Warum dieser Ansatz so wartungsarm ist
Der entscheidende Vorteil liegt nicht im ersten Ergebnis, sondern im laufenden Betrieb:
- neue Verkaufsdaten → automatisch berücksichtigt
- neue Kunden → automatisch ergänzt
- geänderte Kundennamen → einmal in der Stammdatenliste ändern
- ein Klick auf „Alle aktualisieren“ → alles ist konsistent
Ich habe:
- keine Formeln, die brechen können
- keine manuelle Pflege in der Pivot
- keine Abhängigkeit von Spaltenpositionen
👉 Das ist der Punkt, an dem Excel vom Analyse-Tool zum robusten Reporting-System wird.
Ergebnis dieses Abschnitts
Nach Abschnitt 6 habe ich:
- eine Pivot-Tabelle mit sprechenden Kundennamen
- eine Datenbasis, die Verkaufs- und Stammdaten sauber kombiniert
- volle Flexibilität bei der Auswertung
- ein wartungsarmes, aktualisierbares Reporting-Modell
Damit ist das Praxisziel des Beitrags erreicht:
Ich habe gezeigt, wie Power Query unterschiedliche Abfragen problemlos zusammenführt –
analog zu SVERWEIS, aber deutlich robuster, transparenter und skalierbarer.
Im nächsten Abschnitt runden wir den Beitrag mit einer Zusammenfassung & Einordnung ab und verorten das Gelernte im Gesamtkontext der Serie.
7. Zusammenfassung & Einordnung – warum das Zusammenführen von Abfragen ein Schlüsselkonzept ist
In diesem Beitrag habe ich bewusst einen der wichtigsten Praxis-Anwendungsfälle von Power Query in den Mittelpunkt gestellt:
das Zusammenführen mehrerer Abfragen (engl. Merge) – vergleichbar mit einem SVERWEIS, aber deutlich robuster und professioneller.
Dabei ging es nicht um eine einzelne Funktion, sondern um ein zentrales Denkmodell.
7.1 Eine der größten Stärken von Power Query
Das Zusammenführen von Abfragen zeigt sehr klar, wofür Power Query gedacht ist:
👉 Daten aus unterschiedlichen Quellen logisch zusammenzubringen, bevor sie ausgewertet werden.
In unserem Praxisbeispiel habe ich:
- Verkaufsdaten aus einer Tabelle
- Kundenstammdaten aus einem separaten Tabellenblatt
zu einer gemeinsamen, konsistenten Datenbasis verbunden.
Das Entscheidende dabei:
Ich habe keine Formeln geschrieben und keine Hilfsspalten benötigt.
7.2 Warum Power Query hier besser ist als klassische Excel-Formeln
Natürlich ließe sich das Problem auch mit Excel-Formeln lösen (z. B. SVERWEIS / XVERWEIS).
Der Power-Query-Ansatz hat jedoch klare Vorteile:
- die Verknüpfungslogik ist zentral dokumentiert
- die Datenbasis wird dauerhaft erweitert, nicht nur die Auswertung
- Änderungen an Stammdaten wirken automatisch auf alle Berichte
- keine Abhängigkeit von Spaltenpositionen
- keine kopierten Formeln über tausende Zeilen
👉 Ich arbeite nicht mehr zeilenweise, sondern modellbasiert.
7.3 Trennung von Datenlogik und Auswertung
Ein zentrales Learning aus diesem Beitrag ist die saubere Rollenverteilung:
- Power Query
- Daten importieren
- Daten strukturieren
- Tabellen zusammenführen
- fachliche Logik abbilden
- Pivot-Tabellen
- Daten analysieren
- aggregieren
- flexibel auswerten
Diese Trennung macht Berichte:
- stabiler
- wartbarer
- deutlich leichter erweiterbar
7.4 Warum dieser Beitrag das Kapitel 1 sinnvoll abschließt
Mit diesem Praxisbeispiel habe ich im Einführungskapitel gezeigt:
- wie Power Query mit mehreren Datenquellen umgeht
- warum Power Query mehr ist als ein Import-Werkzeug
- wie typische Excel-Probleme (SVERWEIS, Stammdatenpflege) sauber gelöst werden
- wie sich Reporting-Prozesse professionalisieren lassen
Damit ist die Grundlage gelegt, um im nächsten Kapitel tiefer einzusteigen:
👉 nicht mehr nur „was klicke ich?“,
sondern „wie denkt Power Query?“
7.5 Ausblick auf die nächsten Beiträge
Im nächsten Kapitel der Serie widme ich mich gezielt dem Verständnis von Power Query:
- Aufbau des Editors
- angewendete Schritte und ihre Logik
- Reihenfolge und Abhängigkeiten
- typische Denkfehler
- warum Datentypen so entscheidend sind
Damit wird aus der bisherigen Praxis ein tragfähiges Fundament, auf dem auch komplexere Szenarien sicher aufgebaut werden können.
Navigation innerhalb der Power-Query-Serie
- ⬅️ Vorheriger Beitrag: 1.6 Power Query in der Praxis: Bericht verbessern & erste Transformationen (mit Pivot-Tabelle)
- ➡️ Nächster Beitrag: 1.8 Abgrenzung – Power Query vs. klassische Formeln vs. Power Pivot vs. VBA vs. Python
- 🧭 Zur Übersicht: Power Query-Serie auf Excel-Meister.de
Austausch & Fragen
Wenn Sie Fragen haben oder sich fachlich austauschen möchten, schreiben Sie mir gerne auf LinkedIn.
Dort diskutiere ich regelmäßig über Excel, Power Query und Controlling-Themen.
Den Link zu meinem LinkedIn-Gruppe finden Sie hier: https://www.linkedin.com/groups/13079313