1. Ziel des Beitrags
Bericht gezielt verbessern und erste Transformationen verstehen
In diesem Beitrag gehe ich einen Schritt weiter als im vorherigen Artikel.
Dort habe ich gezeigt, wie ich Power Query starte, eine externe Datenquelle anbinde und daraus eine erste Pivot-Tabelle erstelle. Jetzt knüpfe ich genau dort an.
Ziel dieses Beitrags ist es, einen bestehenden Power-Query-Bericht gezielt weiterzuentwickeln und dabei grundlegende Transformationen kennenzulernen, die in der Praxis sehr häufig vorkommen.
Ich arbeite erneut mit einem realistischen Beispiel und einem bereits vorhandenen Bericht. Dadurch zeige ich nicht nur, wie einzelne Funktionen funktionieren, sondern vor allem:
- wie ich eine bestehende Power-Query-Abfrage öffne und weiterbearbeite
- wie Änderungen an der Abfrage sofort Auswirkungen auf die Auswertung haben
- wie Power Query Schritt für Schritt mitdenkt und jede Änderung dokumentiert
Dabei sammle ich bewusst erste echte Erfahrungen mit Transformationen, ohne schon in die Tiefe einzelner Spezialfunktionen einzusteigen.
Was ich in diesem Beitrag konkret lerne
Anhand des Praxisbeispiels zeige ich unter anderem:
- wie ich eine bestehende Power-Query-Abfrage bearbeite
- wie ich den Quellpfad anpassen kann, falls sich die Datei ändert
- worin der Unterschied zwischen „Transformieren“ und „Spalte hinzufügen“ besteht
- wie ich eine berechnete Spalte erstelle (z. B. Verkaufsbetrag = Menge × Preis)
- wie sich diese Änderungen direkt in der Pivot-Tabelle widerspiegeln
Mein Praxisziel
Am Ende dieses Beitrags habe ich:
- einen bestehenden Bericht sinnvoll erweitert
- zusätzliche fachlich relevante Informationen aus den Daten herausgearbeitet
- eine verbesserte Pivot-Tabelle, die auf der erweiterten Power-Query-Abfrage basiert
- ein besseres Verständnis dafür, wie Power Query arbeitet und warum die Reihenfolge der Schritte so wichtig ist
Der Fokus liegt dabei nicht auf perfekten Berichten oder maximaler Komplexität, sondern auf dem Verständnis des Workflows:
Ich lerne, wie ich mit Power Query arbeite – nicht nur, welche Schaltfläche ich anklicke.
Dieses Verständnis bildet die Grundlage für die folgenden Kapitel, in denen wir einzelne Transformationen systematisch und im Detail behandeln.
2. Ausgangslage: bestehender Bericht mit Power Query
Warum ich Berichte weiterentwickle – und mit welchen Dateien ich arbeite
In der Praxis arbeite ich selten mit komplett neuen Excel-Dateien. Viel häufiger ist die Situation, dass bereits ein Bericht existiert, der regelmäßig genutzt wird – und der nun erweitert, angepasst oder fachlich verfeinert werden soll.
Genau in dieser Ausgangslage befinde ich mich auch in diesem Beitrag:
Ich habe bereits einen Bericht, der auf einer Power-Query-Abfrage basiert und eine Pivot-Tabelle enthält. Dieser Bericht funktioniert grundsätzlich – ich möchte ihn nun gezielt verbessern.
Damit Sie alle Schritte aus diesem Beitrag nachvollziehen und selbst ausprobieren können, arbeite ich bewusst mit konkreten Beispiel-Dateien, die exakt diese Situation abbilden.
Mit welchen Dateien ich arbeite (Praxisbasis)
Für diesen Beitrag nutze ich zwei getrennte Excel-Dateien, die zusammen den typischen Power-Query-Arbeitsansatz widerspiegeln.
1️⃣ Quelldatei – Verkaufsdaten (Rohdaten)
Diese Datei enthält die eigentlichen Verkaufsdaten und dient ausschließlich als Datenquelle für Power Query.
Typische Inhalte der Quelldatei:
- Kunden-ID
- Rechnungs-ID
- Positions-ID
- Menge
- Stückpreis
- weitere technische Spalten
Wichtig dabei:
Diese Datei wird nicht bearbeitet. Sie bildet die fachliche Ausgangsbasis und kann jederzeit wachsen (z. B. neue Monate, neue Transaktionen).
2️⃣ Berichtsdatei – bestehender Power-Query-Bericht
Diese Datei enthält bereits:
- eine Power-Query-Abfrage
- eine darauf basierende Pivot-Tabelle
- eine Verbindung zur externen Quelldatei
Genau diese Berichtsdatei entwickeln wir im Beitrag weiter.
Ich zeige also nicht, wie man immer wieder neu anfängt, sondern wie man mit bestehenden Power-Query-Berichten arbeitet – das ist der Regelfall in der Praxis.
📥 Download der Beispieldateien
Damit Sie direkt mitarbeiten können, stehen Ihnen die Dateien hier zum Download zur Verfügung:
- Quelldatei – Verkaufsdaten (Excel)
- Berichtsdatei – Power-Query-Praxisbeispiel mit Pivot-Tabelle
Meine Empfehlung:
Lassen Sie die Quelldatei unverändert und führen Sie alle Schritte ausschließlich in der Berichtsdatei aus. So arbeiten Sie exakt so, wie Power Query gedacht ist.
⚠️ Hinweis zu Haftung & Best Practice
Die bereitgestellten Dateien dienen ausschließlich zu Lern- und Demonstrationszwecken.
Alle enthaltenen Daten sind fiktiv und vereinfacht dargestellt.
Für den produktiven Einsatz gilt:
- Daten vor Nutzung prüfen
- Ergebnisse fachlich plausibilisieren
- Power-Query-Abfragen regelmäßig kontrollieren
- automatisierte Berichte nicht blind übernehmen
Power Query unterstützt die Arbeit – ersetzt aber nicht die fachliche Verantwortung.
Bericht öffnen und Sicherheitswarnung richtig einordnen
Ich öffne die Berichtsdatei per Doppelklick.
Da diese Datei eine externe Datenverbindung enthält, zeigt Excel beim Öffnen eine Sicherheitswarnung an.
👉 „Inhalt aktivieren“
Diese Meldung ist kein Fehler, sondern ein bewusstes Sicherheitsmerkmal von Excel. Sie weist darauf hin, dass die Arbeitsmappe auf externe Inhalte zugreift – in diesem Fall auf eine Power-Query-Datenquelle.
Praxis-Hinweis:
Ich aktiviere den Inhalt nur dann, wenn ich der Quelle vertraue. Gerade bei Dateien aus E-Mails oder Netzlaufwerken ist das ein wichtiger Kontrollpunkt.
Abfragen & Verbindungen – Überblick über den bestehenden Bericht
Um mir einen Überblick zu verschaffen, gehe ich im Menüband auf:
Daten → Abfragen & Verbindungen
Hier sehe ich alle Power-Query-Abfragen der Arbeitsmappe – inklusive:
- Abfragename
- Ladeziel (z. B. Pivot-Tabelle)
- letzter Aktualisierung
- Datenquellenpfad
Wenn ich mit der Maus über die Abfrage fahre, erhalte ich zusätzlich eine Datenvorschau.
Das ist besonders hilfreich, um schnell zu prüfen, ob die Abfrage noch das liefert, was ich fachlich erwarte.
Bestehende Abfrage gezielt bearbeiten
Um den Bericht weiterzuentwickeln, öffne ich die bestehende Abfrage:
- per Doppelklick
- oder per Rechtsklick (Kontextmenü) → Abfrage bearbeiten
Damit gelange ich direkt in den Power Query Editor und arbeite nicht an Kopien, sondern an der bestehenden Transformationslogik.
Ergebnis dieses Abschnitts
Nach Abschnitt 2 habe ich:
- die Ausgangslage klar verstanden
- die benötigten Dateien bereitgestellt
- die Sicherheitswarnung eingeordnet
- die bestehende Abfrage identifiziert
- den Einstiegspunkt für alle weiteren Transformationen gefunden
Damit ist die Grundlage gelegt, um im nächsten Schritt gezielt an der Abfrage selbst zu arbeiten.
3. Abfrage bearbeiten & Quelle anpassen
Warum der Quellschritt das Fundament jeder Power-Query-Abfrage ist
Nachdem ich die bestehende Abfrage geöffnet habe, lande ich automatisch im Power Query Editor.
Bevor ich mit inhaltlichen Transformationen beginne, lohnt sich ein Blick auf das Fundament der Abfrage: die Datenquelle selbst.
Gerade in der Praxis ist dieser Punkt entscheidend, denn Daten liegen selten dauerhaft am selben Ort oder unter demselben Dateinamen.
Der Quellschritt – Ursprung der gesamten Abfrage
Im Bereich Angewendete Schritte auf der rechten Seite sehe ich ganz oben den Schritt Quelle. Dieser Schritt ist der Startpunkt der gesamten Abfrage.
Im Quellschritt ist festgelegt:
- woher die Daten stammen (Dateipfad)
- welcher Typ von Quelle verwendet wird (Excel-Arbeitsmappe)
- wie Power Query auf diese Quelle zugreift (lesend)
Alle weiteren Schritte bauen exakt auf diesem Quellschritt auf.
Wenn hier etwas nicht stimmt, funktionieren auch alle nachfolgenden Transformationen nicht mehr korrekt.
Was passiert, wenn sich der Dateipfad ändert?
Ein sehr typisches Praxis-Szenario:
- die Quelldatei wird umbenannt
- sie wird in einen anderen Ordner verschoben
- der Pfad ändert sich z. B. durch einen neuen Monatsordner
In solchen Fällen schlägt die Aktualisierung der Abfrage fehl.
Das ist kein Fehler in der Logik, sondern schlicht eine geänderte Umgebung.
👉 Wichtig zu wissen:
Power Query „merkt sich“ den Pfad – es sucht nicht automatisch nach der Datei.
Das Zahnradsymbol – kontrollierte Anpassung statt Neuaufbau
Neben einigen Schritten im Bereich Angewendete Schritte sehe ich ein Zahnradsymbol.
Dieses Symbol zeigt mir, dass der Schritt parametrisierbar ist und nachträglich angepasst werden kann.
Ich klicke auf das Zahnradsymbol neben dem Quellschritt.
Daraufhin öffnet sich der bekannte Dateidialog, und ich kann:
- eine neue Datei auswählen
- einen anderen Speicherort festlegen
- den Pfad gezielt korrigieren
Nach Bestätigung mit OK wird die Abfrage automatisch auf die neue Quelle umgestellt – alle nachfolgenden Schritte bleiben erhalten.
👉 Das ist ein zentraler Vorteil von Power Query:
Ich passe die Quelle an, ohne die gesamte Datenaufbereitung neu bauen zu müssen.
Schritte löschen – bewusst und mit Verständnis
Neben jedem angewendeten Schritt befindet sich außerdem ein X-Symbol.
Damit kann ich einen Schritt vollständig entfernen.
Das ist nützlich, wenn ich z. B.:
- eine Transformation doch nicht benötige
- einen Fehler gemacht habe
- einen Schritt neu aufbauen möchte
Wichtig zu wissen:
Power Query hat keine klassische Rückgängig-Funktion (Strg + Z) über mehrere Schritte hinweg.
Wenn ein Schritt gelöscht ist, ist er zunächst weg.
👉 Praxis-Empfehlung:
Ich lösche Schritte bewusst und mit Verständnis dafür, was sie tun. Alternativ kann ich mir den Schritt auch vorher ansehen, indem ich ihn anklicke und mir die Datenvorschau dazu anschaue.
Warum ich den Quellschritt früh prüfe
Ich prüfe und verstehe den Quellschritt immer zu Beginn, bevor ich fachlich tiefer einsteige.
Der Grund ist einfach:
- Alle Transformationen hängen an dieser Quelle
- Änderungen am Pfad sind in der Praxis unvermeidbar
- Eine saubere Quelle spart später viel Fehlersuche
Gerade bei Berichten, die regelmäßig aktualisiert werden, ist dieser Schritt ein entscheidender Stabilitätsfaktor.
Ergebnis dieses Abschnitts
Nach diesem Abschnitt habe ich:
- den Quellschritt als Fundament der Abfrage verstanden
- gelernt, wie ich den Dateipfad kontrolliert anpassen kann
- gesehen, wie Power Query Änderungen sauber kapselt
- ein besseres Gefühl dafür entwickelt, wie robust Abfragen aufgebaut sind
Damit ist die technische Basis gelegt.
Im nächsten Schritt beginne ich mit den ersten echten Transformationen an den Daten selbst.
4. Transformieren oder Spalte hinzufügen?
Ein zentrales Denkmodell in Power Query verstehen
Nachdem die Quelle geprüft und die Abfrage geöffnet ist, beginne ich mit den ersten inhaltlichen Anpassungen.
Bevor ich jedoch konkrete Transformationen durchführe, halte ich bewusst kurz inne – denn an dieser Stelle stoßen viele Einsteiger auf ein grundlegendes Verständnisproblem in Power Query.
Im Menüband des Power Query Editors sehe ich nämlich zwei scheinbar ähnliche Registerkarten:
- Transformieren
- Spalte hinzufügen
Beide bieten auf den ersten Blick sehr ähnliche Funktionen an. Genau hier entsteht häufig Verwirrung.
Warum dieser Unterschied so wichtig ist
Ob ich eine Transformation über Transformieren oder über Spalte hinzufügen durchführe, entscheidet darüber:
- ob bestehende Daten verändert werden
- oder ob zusätzliche Informationen ergänzt werden
- wie nachvollziehbar die Abfrage später bleibt
- ob ich mir ungewollt Informationen „abschneide“
Deshalb ist es wichtig, dieses Konzept früh zu verstehen – nicht erst bei komplexen Abfragen.
Überblick: Die beiden Registerkarten im Power Query Editor
Im Power Query Editor sehe ich:
- unter Transformieren: Funktionen, die bestehende Spalten verändern
- unter Spalte hinzufügen: Funktionen, die auf Basis bestehender Spalten neue Spalten erzeugen
Viele Funktionen tauchen in beiden Bereichen auf – zum Beispiel:
- Text formatieren
- Text extrahieren
- Zahlen berechnen
Der Unterschied liegt nicht in der Funktion selbst, sondern in ihrer Wirkung.
Transformieren: Bestehende Spalten verändern
Wenn ich eine Funktion über die Registerkarte Transformieren anwende, passiert Folgendes:
- die ausgewählte Spalte wird direkt verändert
- der ursprüngliche Inhalt wird ersetzt
- es entsteht keine neue Spalte
Typische Einsatzszenarien für „Transformieren“
Ich nutze Transformieren, wenn:
- ich sicher bin, dass ich die ursprüngliche Information nicht mehr benötige
- ich Daten bereinige oder normalisiere
- ich Formate vereinheitliche (z. B. Text → Zahl, Groß-/Kleinschreibung)
👉 Wichtiges Denkmodell:
Transformieren heißt: Ich greife direkt in die vorhandene Spalte ein.
Spalte hinzufügen: Bestehende Daten erweitern
Ganz anders verhält es sich bei der Registerkarte Spalte hinzufügen.
Hier bleibt die ursprüngliche Spalte immer erhalten.
Power Query erstellt zusätzlich eine neue Spalte, die auf der bestehenden Logik basiert.
Typische Einsatzszenarien für „Spalte hinzufügen“
Ich nutze Spalte hinzufügen, wenn:
- ich zusätzliche Kennzahlen berechnen möchte
- ich Informationen ableite, ohne das Original zu verändern
- ich mir bewusst eine „Zwischenschicht“ für Auswertungen schaffe
Ein klassisches Beispiel (auch in unserem Beitrag):
- Verkaufsbetrag = Menge × Stückpreis
Die ursprünglichen Spalten Menge und Stückpreis bleiben erhalten – der Verkaufsbetrag kommt neu hinzu.
👉 Wichtiges Denkmodell:
Spalte hinzufügen heißt: Ich erweitere meine Daten, ohne sie zu zerstören.
Warum Power Query beide Wege anbietet
Power Query zwingt mich bewusst, eine Entscheidung zu treffen:
- Will ich bestehende Daten verändern? → Transformieren
- Will ich zusätzliche Informationen ableiten? → Spalte hinzufügen
Diese Trennung sorgt dafür, dass Abfragen:
- nachvollziehbar bleiben
- fachlich sauber aufgebaut sind
- später leichter angepasst werden können
Gerade bei komplexeren Modellen zahlt sich dieses Denken enorm aus.
Typischer Denkfehler – und wie ich ihn vermeide
Ein häufiger Fehler ist, reflexartig immer Transformieren zu verwenden, weil die Funktion dort „schneller erreichbar“ wirkt.
Das führt oft dazu, dass:
- Originalinformationen verloren gehen
- spätere Auswertungen unnötig kompliziert werden
- Abfragen schwerer zu verstehen sind
👉 Meine Faustregel:
Wenn ich mir nicht sicher bin, ob ich die ursprüngliche Information noch brauche, füge ich eine Spalte hinzu.
Ergebnis dieses Abschnitts
Nach diesem Abschnitt habe ich:
- den konzeptionellen Unterschied zwischen Transformieren und Spalte hinzufügen verstanden
- ein wichtiges Denkmodell für alle weiteren Transformationen gelernt
- eine klare Entscheidungsgrundlage für zukünftige Schritte
Mit diesem Verständnis im Hinterkopf können wir nun gezielt mit einer ersten inhaltlichen Transformation beginnen.
5. Berechnete Spalte erstellen
Verkaufsbetrag aus Menge und Preis ableiten
Nachdem ich die Datenquelle geprüft, die Abfrage geöffnet und die Struktur verstanden habe, folgt nun ein sehr typischer Praxisschritt:
Ich leite aus vorhandenen Spalten eine neue fachliche Kennzahl ab.
In unserem Beispiel liegen folgende Informationen bereits vor:
- Menge (Anzahl verkaufter Artikel je Position)
- Stückpreis (Preis pro Artikel)
Was fehlt, ist eine direkt auswertbare Kennzahl:
👉 Verkaufsbetrag = Menge × Stückpreis
Diese Kennzahl ist die Grundlage für nahezu jede Vertriebs-, Umsatz- oder Controlling-Auswertung.
Warum ich den Verkaufsbetrag in Power Query berechne
Theoretisch könnte ich diese Kennzahl auch an anderer Stelle berechnen:
- als berechnetes Feld in der Pivot-Tabelle
- als Measure in Power Pivot (DAX)
Beides ist möglich – aber bewusst nicht mein erster Weg.
Warum Power Query hier im Vorteil ist
Ich berechne den Verkaufsbetrag in Power Query, weil:
- die Logik einmalig und zentral definiert wird
- die Kennzahl fester Bestandteil der Datenbasis ist
- jede Auswertung (Pivot, Diagramm, Export) darauf zugreifen kann
- die Berechnung bei jeder Aktualisierung automatisch erfolgt
👉 Denkmodell:
Power Query = Daten vorbereiten
Pivot / Power Pivot = Daten auswerten
Wenn eine Kennzahl fachlich zur Datenbasis gehört (z. B. Umsatz, Verkaufsbetrag, Kosten), berechne ich sie bevorzugt vor der Auswertung.
Berechnete Spalte erstellen (Schritt für Schritt)
Ich erstelle die neue Spalte direkt im Power Query Editor.
Spalten für die Berechnung auswählen
Zuerst markiere ich die beiden Spalten, die ich verrechnen möchte:
- Menge
- Stückpreis
Dabei halte ich die Strg-Taste gedrückt, um beide Spalten gleichzeitig auszuwählen.
Berechnung über „Spalte hinzufügen“
Nun gehe ich im Menüband auf:
Spalte hinzufügen → Standard → Multiplizieren
Power Query erstellt daraufhin automatisch:
- eine neue Spalte
- mit einer Berechnung aus den markierten Spalten
- und einem neuen Schritt in den angewendeten Schritten
👉 Wichtig:
Die ursprünglichen Spalten bleiben unverändert.
Genau das ist der Unterschied zur Registerkarte Transformieren.
Transformieren vs. Spalte hinzufügen (wichtiger Hintergrund)
Dieser Punkt ist zentral und wird häufig missverstanden.
Transformieren
- verändert eine bestehende Spalte
- ersetzt den bisherigen Inhalt
- geeignet für Bereinigung, Formatierung, Umwandlung
Spalte hinzufügen
- erstellt zusätzlich eine neue Spalte
- Originaldaten bleiben erhalten
- geeignet für Berechnungen und Ableitungen
👉 Merksatz:
Transformieren ändert Daten – Spalte hinzufügen erweitert Daten.
In unserem Fall möchte ich die ursprünglichen Werte behalten – also ist Spalte hinzufügen die richtige Wahl.
Neue Spalte sinnvoll umbenennen
Nach der Berechnung vergibt Power Query automatisch einen generischen Spaltennamen (z. B. Multiplikation).
Dieser Name ist technisch korrekt, aber fachlich ungeeignet.
So benenne ich die Spalte um
- Doppelklick auf die Spaltenüberschrift
- Neuer Name: Verkaufsbetrag
- Eingabetaste drücken
Power Query legt dabei automatisch einen neuen Schritt „Umbenannte Spalten“ an.
👉 Best Practice:
Spaltennamen sollten fachlich sprechend sein – besonders, wenn sie später in Pivot-Tabellen auftauchen.
Datentyp der neuen Spalte anpassen
Nach der Berechnung prüfe ich den Datentyp der neuen Spalte.
In vielen Fällen erkennt Power Query den Typ korrekt – aber ich verlasse mich nicht blind darauf.
Datentyp bewusst setzen
- Klick auf das Datentyp-Symbol in der Spaltenüberschrift
- Auswahl z. B. Dezimalzahl oder Währung
Warum das wichtig ist:
- Pivot-Tabellen aggregieren abhängig vom Datentyp
- falsche Typen führen zu falschen Ergebnissen
- Formatierungen lassen sich sauber anwenden
👉 Praxisregel:
Berechnete Kennzahlen prüfe ich immer explizit auf den richtigen Datentyp.
Was Power Query im Hintergrund macht
Mit jedem dieser Schritte passiert Folgendes:
- Power Query speichert nicht das Ergebnis, sondern die Logik
- bei jeder Aktualisierung:
- werden Menge und Preis neu eingelesen
- der Verkaufsbetrag neu berechnet
- die Pivot-Tabelle automatisch aktualisiert
Ich muss die Berechnung nie wieder manuell anfassen.
Ergebnis dieses Abschnitts
Nach diesem Abschnitt habe ich:
- eine neue fachliche Kennzahl Verkaufsbetrag
- die Berechnung zentral in der Datenlogik verankert
- eine saubere Grundlage für Umsatz-Auswertungen
- ein besseres Verständnis für Spalte hinzufügen vs. Transformieren
Diese Kennzahl nutzen wir im nächsten Schritt direkt in der Pivot-Tabelle.
6. Daten laden & bestehende Pivot-Tabelle aktualisieren
Warum Power Query Änderungen automatisch in die Auswertung überträgt
Nachdem ich die berechnete Spalte Verkaufsbetrag im Power Query Editor erstellt, sinnvoll benannt und den Datentyp angepasst habe, ist die fachliche Arbeit an den Daten zunächst abgeschlossen.
Jetzt geht es darum, diese Änderungen kontrolliert nach Excel zurückzugeben – und zu verstehen, was dabei im Hintergrund passiert.
Gerade dieser Schritt ist für viele der Moment, in dem Power Query seinen größten Vorteil gegenüber klassischem Excel ausspielt.
Schließen & Laden – warum die Schaltfläche jetzt anders reagiert
Im Power Query Editor befindet sich oben links die Schaltfläche:
Start → Schließen & Laden
Wenn ich hier einfach darauf klicke, passiert etwas, das viele Einsteiger zunächst irritiert:
👉 Es wird keine neue Tabelle oder neue Pivot-Tabelle erstellt.
Stattdessen wird die bereits bestehende Pivot-Tabelle aktualisiert.
Warum ist das so?
In unserem Fall habe ich die Abfrage im vorherigen Beitrag bereits in eine Pivot-Tabelle geladen. Power Query „merkt sich“ dieses Ladeziel.
Das bedeutet:
- das Ladeziel ist fest mit der Abfrage verknüpft
- Änderungen an der Abfrage wirken sich direkt auf dieses Ziel aus
- Power Query erstellt keine Duplikate, sondern aktualisiert bewusst
👉 Das ist kein Fehler, sondern genau so gewollt.
Was Power Query beim Laden tatsächlich tut
Beim Klick auf Schließen & Laden führt Power Query im Hintergrund automatisch folgende Schritte aus – immer in der richtigen Reihenfolge:
- Verbindung zur Quelldatei herstellen
- alle angewendeten Schritte erneut ausführen
- berechnete Spalten neu erzeugen
- Datentypen berücksichtigen
- Ergebnis an das definierte Ladeziel übergeben
Ich muss dabei keinen einzigen Schritt manuell wiederholen.
Das ist ein zentraler Unterschied zu klassischen Excel-Lösungen:
Ich wiederhole keine Arbeit – ich wiederhole nur Logik.
Neue Spalte in der Pivot-Tabelle verwenden
Nach dem Laden wechsle ich zurück zur Pivot-Tabelle.
In der Pivot-Feldliste sehe ich jetzt die neue Spalte Verkaufsbetrag, die zuvor noch nicht existiert hat.
Jetzt kann ich die Pivot gezielt anpassen:
- Kunde → Bereich Zeilen
- Verkaufsbetrag → Bereich Werte
Excel aggregiert den Verkaufsbetrag automatisch, da der Datentyp korrekt als Zahl/Währung erkannt wurde.
👉 Hier zeigt sich, warum der Datentyp in Power Query so wichtig war.
Wäre der Verkaufsbetrag als Text importiert worden, könnte Excel ihn nicht korrekt summieren.
Aggregation prüfen: Summe, nicht Anzahl
Wie bei jeder Pivot-Tabelle prüfe ich bewusst, wie Excel aggregiert.
Ich öffne die Wertfeldeinstellungen und stelle sicher, dass:
- Summe von Verkaufsbetrag
- nicht etwa Anzahl von Verkaufsbetrag
verwendet wird.
👉 Praxis-Hinweis:
Wenn hier etwas nicht passt, liegt die Ursache fast immer vor der Pivot-Tabelle – meist bei Datentypen oder Berechnungen in Power Query.
Warum diese Arbeitsweise so wartungsarm ist
An diesem Punkt wird der eigentliche Mehrwert von Power Query sichtbar:
- Ich habe die Kennzahl einmal sauber definiert
- Die Berechnung ist zentral dokumentiert
- Jede Aktualisierung nutzt automatisch dieselbe Logik
Wenn sich morgen:
- neue Transaktionen ergeben
- weitere Zeilen in der Quelldatei stehen
- neue Kunden hinzukommen
dann genügt ein Klick auf „Aktualisieren“ – und der Bericht ist wieder korrekt.
Ergebnis dieses Abschnitts
Nach diesem Abschnitt habe ich:
- meine Power-Query-Änderungen sauber geladen
- die bestehende Pivot-Tabelle automatisch aktualisiert
- die neue Kennzahl „Verkaufsbetrag“ korrekt ausgewertet
- verstanden, warum Power Query und Pivot-Tabellen ideal zusammenspielen
Damit ist der Bericht fachlich vollständig – und gleichzeitig vollständig automatisiert.
7. Aktualisieren – warum sich der Aufwand mit Power Query jetzt auszahlt
Vom einmaligen Bericht zum reproduzierbaren Prozess
Bis zu diesem Punkt habe ich Zeit investiert:
- ich habe eine bestehende Abfrage geöffnet
- Transformationen ergänzt
- eine berechnete Spalte erstellt
- die Pivot-Tabelle angepasst
Der eigentliche Mehrwert von Power Query zeigt sich aber nicht beim ersten Durchlauf – sondern ab jetzt.
Was sich in der Praxis regelmäßig ändert
In realen Szenarien bleiben Daten nicht statisch. Typische Änderungen sind zum Beispiel:
- neue Transaktionen werden ergänzt
- neue Rechnungen kommen hinzu
- weitere Kunden erscheinen in der Liste
- ein neuer Zeitraum wird hinzugefügt
Ohne Power Query würde das bedeuten:
- Formeln kopieren
- Hilfsspalten prüfen
- Pivot-Tabellen neu aktualisieren oder korrigieren
- Fehler suchen
Mit Power Query ist der Ablauf ein anderer.
Aktualisieren statt neu aufbauen
Da ich meine gesamte Datenlogik in Power Query definiert habe, muss ich bei neuen Daten keinen einzigen Schritt manuell wiederholen.
Ich gehe in der Berichtsdatei einfach auf:
Daten → Alle aktualisieren
Mit diesem einen Klick passiert automatisch Folgendes – in genau der richtigen Reihenfolge:
- Power Query stellt erneut die Verbindung zur Quelldatei her
- alle definierten Transformationsschritte werden ausgeführt
- die berechnete Spalte wird neu berechnet
- die Pivot-Tabelle wird aktualisiert
Ich greife dabei nicht in die Daten ein – ich starte lediglich den Prozess neu.
Warum das mehr ist als nur Zeitersparnis
Der große Unterschied liegt nicht nur in der Geschwindigkeit, sondern im Arbeitsprinzip:
- Ich wiederhole keine Arbeit
- Ich wiederhole nur Logik
Das hat mehrere entscheidende Vorteile:
- deutlich geringere Fehleranfälligkeit
- reproduzierbare Ergebnisse
- saubere Dokumentation aller Schritte
- gleiche Auswertung – unabhängig von der Datenmenge
Gerade bei wiederkehrenden Berichten (monatlich, quartalsweise, jährlich) ist das ein enormer Produktivitätsgewinn.
Typischer Praxisfall: neue Daten, gleicher Bericht
Angenommen, die Quelldatei wird um neue Zeilen ergänzt:
- neue Verkäufe
- neue Rechnungen
- neue Mengen und Preise
Ich muss:
- keine Formeln anfassen
- keine neue Pivot bauen
- keine Spalten nachziehen
Ein Klick auf Alle aktualisieren reicht – und der Bericht ist wieder aktuell.
Warum dieser Punkt der eigentliche Wendepunkt ist
Bis hierhin habe ich gelernt, wie Power Query funktioniert.
Ab diesem Punkt verstehe ich, warum sich der Einsatz lohnt.
Power Query verwandelt Excel von einem Werkzeug für einmalige Auswertungen in ein System für wartbare, skalierbare Berichte.
👉 Genau hier unterscheidet sich ein „funktionierender Bericht“ von einem professionellen Reporting-Prozess.
Ergebnis dieses Abschnitts
Nach diesem Abschnitt habe ich:
- einen vollständig aktualisierbaren Bericht
- einen stabilen Datenfluss von Quelle bis Pivot
- verstanden, warum Power Query kein Zusatz, sondern ein Fundament ist
Damit ist der fachliche Teil dieses Beitrags abgeschlossen.
Im nächsten Abschnitt fasse ich die wichtigsten Erkenntnisse zusammen und ordne sie in den Gesamtkontext der Serie ein.
7. Zusammenfassung & Einordnung – was ich aus diesem Praxisbeispiel mitnehme
In diesem Beitrag habe ich Power Query nicht isoliert betrachtet, sondern bewusst im Zusammenspiel mit einem bestehenden Bericht eingesetzt. Genau das entspricht der Realität in den meisten Unternehmen: Berichte entstehen nicht neu auf der grünen Wiese, sondern werden Schritt für Schritt weiterentwickelt.
1️⃣ Power Query ist kein Einmal-Werkzeug, sondern ein Prozess
Ein zentrales Learning aus diesem Praxisbeispiel ist, dass Power Query nicht dafür gedacht ist, einmal „irgendwie“ Daten zu importieren.
Stattdessen definiere ich mit Power Query einen dauerhaften Datenprozess:
- Ich verbinde eine externe Datenquelle
- Ich beschreibe nachvollziehbar, wie die Daten aufbereitet werden
- Diese Logik wird bei jeder Aktualisierung automatisch erneut ausgeführt
Ich arbeite also nicht am Ergebnis, sondern an der Regel, wie dieses Ergebnis entsteht.
2️⃣ Bestehende Abfragen weiterzuentwickeln ist der Normalfall
Ein wichtiger Praxisaspekt dieses Beitrags war die Arbeit mit einer bereits vorhandenen Abfrage.
Ich habe gesehen:
- wie ich eine bestehende Abfrage öffne
- wie ich Schritte ergänze oder anpasse
- wie Änderungen sofort Auswirkungen auf die Pivot-Tabelle haben
Das zeigt sehr deutlich:
Power Query ist darauf ausgelegt, mitzuwachsen, nicht ersetzt zu werden.
3️⃣ Transformieren vs. Spalte hinzufügen – ein zentrales Denkmodell
Ein besonders wichtiger Punkt war der Unterschied zwischen:
- Transformieren → vorhandene Spalte wird verändert
- Spalte hinzufügen → neue Spalte wird erzeugt, Original bleibt erhalten
Dieses Denkmodell ist entscheidend, um Power Query sauber einzusetzen.
In diesem Beitrag habe ich es am Beispiel der berechneten Spalte „Verkaufsbetrag“ gesehen:
- Die ursprünglichen Spalten Menge und Preis bleiben erhalten
- Die fachliche Kennzahl entsteht bewusst als neue Spalte
- Die Datenbasis bleibt transparent und nachvollziehbar
4️⃣ Warum ich Kennzahlen bewusst in Power Query berechne
Theoretisch hätte ich den Verkaufsbetrag auch:
- direkt in der Pivot-Tabelle berechnen können
- oder später in Power Pivot / DAX
Dass ich mich hier bewusst für Power Query entschieden habe, hat klare Gründe:
- die Kennzahl ist Teil der Datenlogik, nicht der Auswertung
- sie steht allen Auswertungen einheitlich zur Verfügung
- sie ist reproduzierbar und dokumentiert
- sie reduziert Komplexität in Pivot-Tabellen
Damit wird klar:
Power Query ist der richtige Ort für strukturierende und vorbereitende Berechnungen, während Pivot und Power Pivot auf dieser Basis flexibel auswerten.
5️⃣ Datentypen und Benennung sind keine Nebensache
Ich habe in diesem Beitrag bewusst darauf geachtet:
- neue Spalten sauber zu benennen
- Datentypen korrekt zu setzen (z. B. Währung)
Das ist kein kosmetisches Detail, sondern eine Voraussetzung für:
- korrekte Aggregationen
- saubere Pivot-Ergebnisse
- verständliche Berichte
Viele Fehler entstehen nicht in der Pivot-Tabelle, sondern durch unsauber vorbereitete Daten. Power Query zwingt mich hier zu einer klaren Struktur – und genau das ist ein Vorteil.
6️⃣ Der eigentliche Gewinn zeigt sich beim Aktualisieren
Der größte Mehrwert von Power Query zeigt sich nicht beim Erstellen des Berichts, sondern beim Aktualisieren:
- neue Daten in der Quelldatei
- ein Klick auf „Alle aktualisieren“
- Power Query führt alle Schritte erneut aus
- die Pivot-Tabelle ist sofort aktuell
Ich wiederhole keine Arbeit – ich wiederhole nur Logik.
Gerade bei regelmäßigen Auswertungen ist das ein enormer Produktivitätsgewinn.
7️⃣ Einordnung: Power Query, Pivot-Tabellen und Power Pivot gehören zusammen
Ein zentraler Kerngedanke dieses Beitrags ist die Erkenntnis, dass sich diese Werkzeuge nicht ersetzen, sondern ergänzen:
- Power Query
→ Daten beschaffen, bereinigen, strukturieren, vorbereiten - Pivot-Tabellen
→ Daten analysieren, verdichten, flexibel auswerten - Power Pivot / DAX
→ komplexe Kennzahlen, Zeitlogiken, Modelle aufbauen
In diesem Beitrag habe ich genau diese Rollenverteilung umgesetzt:
Power Query liefert eine saubere Datenbasis – die Pivot-Tabelle macht daraus eine verständliche Auswertung.
Fazit
Mit diesem Praxisbeispiel habe ich nicht nur einen Bericht verbessert, sondern ein tragfähiges Arbeitsmodell aufgebaut:
- sauber getrennte Datenquelle und Auswertung
- dokumentierte und reproduzierbare Transformationen
- eine aktualisierbare Pivot-Tabelle
- eine stabile Grundlage für weitere Analysen
Navigation innerhalb der Power-Query-Serie
- ⬅️ Vorheriger Beitrag: 1.5 Power Query starten: Erste Verbindung zur Datenquelle herstellen (Praxisbeispiel)
- ➡️ Nächster Beitrag: 1.7 Power Query Abfragen zusammenführen (Merge) – Kundenstammdaten verknüpfen
- 🧭 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