Das Fundament – Warum fast alle Fehler hier entstehen (und wie Sie sie vermeiden)
Lesezeit: ca. 12 Minuten
Ziel dieses Beitrags
Wenn Sie mit Power Query arbeiten, konzentrieren Sie sich häufig auf Transformationen, Filter oder das Zusammenführen von Daten. Doch ein Thema entscheidet im Hintergrund über Erfolg oder Misserfolg Ihrer gesamten Auswertung: der Datentyp.
In diesem Beitrag lernen Sie:
- was Datentypen in Power Query wirklich sind
- warum falsche Datentypen zu Fehlern, falschen Ergebnissen oder leeren Auswertungen führen
- wie Power Query Datentypen automatisch erkennt – und warum das oft problematisch ist
- welche typischen Fehlerquellen es gibt
- wie Sie Datentypen systematisch und bewusst einsetzen
Kurz gesagt: Sie verstehen nach diesem Beitrag, warum viele Power-Query-Probleme keine Logikfehler, sondern Datentypfehler sind.
1. Praxisziel: Fehler vermeiden, bevor sie entstehen
Stellen Sie sich folgendes Szenario vor: Sie importieren eine Verkaufsdatei und möchten:
- Umsätze berechnen
- Datumsfilter setzen
- nach Kunden gruppieren
Alles funktioniert scheinbar – aber:
- Summen stimmen nicht
- Datumsfilter greifen nicht
- Gruppierungen liefern falsche Ergebnisse
In den meisten Fällen liegt die Ursache nicht in Ihrer Logik, sondern im falschen Datentyp.
Ziel dieses Beitrags: Sie erkennen diese Probleme sofort – und verhindern sie bereits beim Aufbau Ihrer Abfrage.
2a. Was sind Datentypen in Power Query überhaupt?
Ein Datentyp definiert, wie Power Query einen Wert interpretiert.
Beispiel:
- „100“ → kann Text sein
- 100 → ist eine Zahl
- „01.01.2025“ → kann Text oder Datum sein
Der Wert sieht gleich aus – die Bedeutung ist komplett unterschiedlich.
💡 Tipp: Sie erkennen den aktuellen Datentyp immer an dem kleinen Symbol links neben dem Spaltennamen im Power Query Editor.
2b. Power Query vs. Excel: Ein fundamentaler Unterschied
Bevor wir tiefer einsteigen, müssen wir einen der häufigsten Denkfehler ausräumen:
In Excel ändert Formatierung nur die Darstellung – nicht den Wert.
Wenn Sie in Excel eine Zahl wie 5.160,27 so formatieren, dass keine Dezimalstellen angezeigt werden, sehen Sie 5.160. Der zugrunde liegende Wert bleibt aber 5.160,27. Alle Berechnungen arbeiten weiterhin mit dem vollen Wert.
In Power Query ist das grundlegend anders.
Wenn Sie den Datentyp einer Spalte von Dezimalzahl auf Ganze Zahl ändern, werden die Dezimalstellen nicht nur ausgeblendet – sie werden unwiederbringlich gelöscht.
⚠️ Achtung: Typwechsel ist destruktiv: Wechseln Sie eine Spalte mit dem Wert 5.160,27 auf den Typ „Ganze Zahl“, wird der Wert zu 5.160. Wechseln Sie danach zurück auf Dezimalzahl, erhalten Sie NICHT 5.160,27 zurück – die Dezimalstellen sind endgültig verloren. Das gilt auch dann, wenn zwischen dem Typwechsel noch andere Schritte liegen.
Praxisfolge: Die Sampledata-Falle
Besonders tückisch ist dieses Verhalten beim Aufbau von Abfragen mit Testdaten: Wenn Ihre Beispieldaten noch keine Dezimalstellen enthalten (z. B. nur ganze Umsätze wie 100, 200, 300), erkennt Power Query die Spalte automatisch als Ganze Zahl. Kommen in den echten Produktionsdaten später Dezimalwerte hinzu (z. B. 100,75), werden diese stillschweigend abgeschnitten – ohne Fehlermeldung.
💡 Tipp: Bauen Sie Ihre Abfragen immer mit realistischen Testdaten auf, die alle möglichen Wertformate enthalten. Oder setzen Sie den Datentyp von Anfang an bewusst auf Dezimalzahl, wenn Dezimalwerte zu erwarten sind.
3. Die wichtigsten Datentypen im Überblick
Power Query arbeitet mit klar definierten Datentypen. Die wichtigsten sind:
| Datentyp | Bedeutung | Beispiel |
| Beliebig (Any) | Nicht definiert (gefährlich!) | – |
| Text | Beliebige Zeichenketten – auch Zahlen als Text | „Müller“, „12345“ |
| Ganze Zahl | Integer, keine Dezimalstellen erlaubt | 100 |
| Dezimalzahl | Kommazahlen, max. 15 Stellen gesamt | 99,95 |
| Prozent | Im Editor mit %-Zeichen; beim Laden in Excel als Dezimalzahl | 0,25 = 25 % |
| Währung | Genau 4 Nachkommastellen – weitere Stellen werden abgeschnitten | 1.299,9900 |
| Datum | Nur Datumsteil; intern als Dezimalzahl gespeichert | 01.01.2025 |
| Uhrzeit | Nur Zeitteil; intern als Dezimalzahl gespeichert | 14:30 |
| Datum/Uhrzeit | Kombination; intern als Dezimalzahl – ermöglicht Berechnungen | 01.01.2025 14:30 |
| Datum/Uhrzeit/Zeitzone | UTC-Datum mit Zeitzonenversatz | 01.01.2025 14:30 +01:00 |
| Dauer (Duration) | Zeitspanne in Tagen, Std., Min., Sek.; intern als Dezimalzahl | 2 Tage, 3 Std. |
| Wahr/Falsch | Boolean | true / false |
| Binär (Binary) | Rohdaten, z. B. beim Laden von Dateien aus einem Ordner | – |
⚠️ Achtung: Beliebig (Any): Hier hat Power Query noch keinen eindeutigen Datentyp zugewiesen und muss raten. Eine Spalte sollte niemals dauerhaft auf „Beliebig“ stehen bleiben.
💡 Tipp: Interne Speicherung: Datum, Uhrzeit, Datum/Uhrzeit und Dauer werden intern alle als Dezimalzahl gespeichert. Das ist kein Zufall – es ermöglicht Power Query, Berechnungen auf diesen Typen auszuführen, z. B. die Differenz zwischen zwei Datumsangaben oder den Vergleich zweier Zeitspannen.
💡 Tipp: Prozent und Währung: Der Typ „Prozent“ zeigt im Power Query Editor ein %-Zeichen, wird aber beim Laden in die Excel-Arbeitsmappe als Dezimalzahl übergeben (25 % = 0,25). Der Typ „Währung“ erlaubt genau 4 Nachkommastellen – alle weiteren Stellen werden abgeschnitten, nicht gerundet.
4. Warum Power Query Datentypen so kritisch sind
Datentypen steuern, was mit Ihren Daten überhaupt möglich ist.
Beispiel 1: Text statt Zahl
- „100“ + „200“ = „100200“
- 100 + 200 = 300
Beispiel 2: Text statt Datum
- Filter funktioniert nicht
- Zeiträume können nicht berechnet werden
Beispiel 3: Zahl statt Text
- Postleitzahlen verlieren führende Nullen
- IDs werden verfälscht
Beispiel 4: Falsche Umwandlung erzeugt Fehler
Wird eine Text-Spalte mit Buchstaben fälschlicherweise in eine Zahl umgewandelt, erzeugt Power Query in der Zelle einen sichtbaren Error – zum Beispiel:
Diese Fehlermeldung ist ein klares Signal: Eine Zelle enthält einen Wert, der sich nicht in den gewünschten Datentyp umwandeln lässt.
💡 Tipp: Prüfen Sie systematisch auf Fehlerwerte, z. B. durch Filtern der Spalte auf „Error“ oder mit der M-Funktion Table.HasErrors.
Beispiel 5: Besonderheit von null (leere Werte)
Leere Zellen sind in Power Query der spezielle Wert null. Bei der Typumwandlung bleibt null erhalten – es entsteht kein Fehler. null ist kein Datentyp, sondern ein Zustand „kein Wert“. Verwechseln Sie ihn nicht mit dem Text „null“ oder der Zahl 0.
Beachten Sie: Aggregationsfunktionen ignorieren null-Werte in der Regel stillschweigend. Das kann zu unerwarteten Ergebnissen führen.
💡 Tipp: null vs. optisch leere Zelle: Nicht jede optisch leere Zelle ist wirklich null. Wenn Power Query in einer Zelle kein null anzeigt, obwohl sie leer erscheint, sieht Power Query dort noch etwas – z. B. ein Leerzeichen oder ein unsichtbares Zeichen. Solche Zellen werden bei Filtern und Aggregationen nicht als leer behandelt. Prüfen Sie im Zweifelsfall mit einem Filter, ob die Spalte echte null-Werte oder versteckte Inhalte enthält.
Beispiel 6: Typkonflikt beim Zusammenführen (Merge)
Wenn Schlüsselspalten unterschiedliche Datentypen haben, findet Power Query keine Übereinstimmungen – obwohl die Werte optisch gleich aussehen. Klassisches Beispiel: In Tabelle A ist die Kunden-ID als Text „007“ gespeichert, in Tabelle B als Ganze Zahl 7. Das Ergebnis des Merge ist leer, ohne dass eine Fehlermeldung erscheint.
⚠️ Achtung: Schlüsselspalten immer auf identische Datentypen prüfen, bevor Sie Tabellen zusammenführen.
Performance-Aspekt
Zahlen und echte Datums-/Zeitwerte verarbeitet Power Query wesentlich schneller als Texte. Ein Datumsfilter auf einer Textspalte muss jede Zeile umwandeln – das kostet Zeit.
Fazit: Der gleiche Wert führt zu völlig unterschiedlichen Ergebnissen – je nach Datentyp.
5. Automatische Typenerkennung – Fluch und Segen
Power Query versucht beim Import, Datentypen automatisch zu erkennen. Das sehen Sie bei den angewandten Schritten als: „Geänderter Typ“. Das klingt hilfreich – ist aber eine der größten Fehlerquellen.
Typische Probleme:
- Zahlen werden als Text erkannt
- Datumsformate und Kommazahlen werden falsch interpretiert (z. B. US vs. DE). Das Gebietsschema (Locale) ist die absolute Hauptfehlerquelle bei CSV-Importen (z. B. 1.000,50 vs. 1,000.50).
- Gemischte Spalten führen zu falschen Typen
- Leere Werte verzerren die Erkennung
💡 Tipp: Statt dem normalen „Typ ändern“ nutzen Sie Rechtsklick → „Typ ändern“ → „Mit Gebietsschema verwenden“ und wählen z. B. „Deutsch (Deutschland)“.
Besonders kritisch: Dieser Schritt passiert automatisch und oft unbemerkt.
6. Der wichtigste Grundsatz
Datentypen immer bewusst setzen – niemals blind vertrauen
Das ist einer der wichtigsten Grundsätze im Umgang mit Power Query.
Best Practice:
- Automatischen Schritt prüfen
- Gegebenenfalls löschen
- Datentypen bewusst setzen
- Transformationen durchführen
Noch besser: Deaktivieren Sie die automatische Typenerkennung global unter:
Datei → Optionen und Einstellungen → Abfrageoptionen → Global → Datenladen → „Spaltentypen und -überschriften für unstrukturierte Quellen niemals erkennen“
Wie Sie Datentypen manuell setzen – drei Wege
- Klick auf das Symbol im Spaltenkopf (z. B. „ABC“ oder „123“) → Typ direkt auswählen
- Rechtsklick auf die Spaltenüberschrift → „Typ ändern“ → gewünschten Typ wählen (oder „Mit Gebietsschema verwenden“)
- Ribbon → Registerkarte „Transformieren“ → „Datentyp“ → Typ auswählen
Alle drei Wege erzeugen denselben M-Code-Schritt
Bonus: Datentyp automatisch neu erkennen lassen
Falls Sie den automatischen Schritt „Geänderter Typ“ gelöscht haben oder ihn für bestimmte Spalten neu ausführen möchten, bietet Power Query eine praktische Funktion: Transformieren → Datentyp erkennen. Diese erkennt den Typ für die aktuell markierte Spalte neu. Mit Strg+A können Sie zunächst alle Spalten markieren und dann „Datentyp erkennen“ auf einen Schlag auf die gesamte Tabelle anwenden – das spart das manuelle Durchgehen jeder einzelnen Spalte.
7. Typische Power Query Fehler durch falsche Datentypen
Fehler 1: Summen stimmen nicht
Ursache: Zahlen sind als Text gespeichert
Fehler 2: Filter funktioniert nicht
Ursache: Datum ist Text
Fehler 3: Join/Merge funktioniert nicht
Ursache: Unterschiedliche Datentypen in Schlüsselspalten (z. B. Text „007“ vs. Ganze Zahl 7 → kein Match, keine Fehlermeldung)
Fehler 4: Gruppierung liefert falsche Ergebnisse
Ursache: Datentyp verhindert korrekte Aggregation
Fehler 5: Expression.Error beim Typ ändern
Fehlermeldung:
Ursache: Eine oder mehrere Zellen enthalten Werte, die sich nicht in den Zieltyp umwandeln lassen.
⚠️ Achtung: Diese Fehler wirken oft wie „mysteriöse Power Query Probleme“ – sind aber fast immer Datentyp-Themen.
8. Die Logik dahinter (entscheidend für Ihr Verständnis)
Power Query arbeitet intern mit einer klaren Typ-Logik:
- Jeder Schritt baut auf dem vorherigen auf
- Jeder Datentyp beeinflusst alle folgenden Schritte
- Fehler „wandern“ durch die gesamte Abfrage
Das bedeutet: Ein falsch gesetzter Datentyp am Anfang beeinflusst Ihre gesamte Auswertung.
9. Wann sollten Sie Datentypen setzen?
Die richtige Reihenfolge ist entscheidend: So früh wie möglich – aber bewusst
Empfohlene Reihenfolge:
- Daten laden
- Struktur prüfen
- Datentypen setzen
- Transformationen durchführen
Warum? Weil viele Transformationen (Filtern, Gruppieren, Rechnen) vom Datentyp abhängen.
10. Best Practices aus der Praxis
- Datentypen immer prüfen
- „Geänderter Typ“ bewusst kontrollieren
- Schlüsselspalten einheitlich definieren (gleicher Typ auf beiden Seiten eines Merge)
- Datumsspalten immer korrekt setzen – mit Gebietsschema
- Zahlen niemals als Text belassen
- Bei Unsicherheit: Datentyp explizit setzen
- Automatische Typenerkennung global deaktivieren (siehe Abschnitt 6)
- Regelmäßig auf Error-Werte prüfen (z. B. mit Filter)
- null im Auge behalten – es ist kein Fehler, beeinflusst aber Aggregationen (SUM ignoriert null stillschweigend)
11. Mini-Checkliste für Ihre Abfragen
Bevor Sie weiterarbeiten, prüfen Sie:
- ☐ Sind alle Zahlen wirklich Zahlen?
- ☐ Sind Datumsfelder korrekt erkannt – mit dem richtigen Gebietsschema?
- ☐ Haben Schlüsselspalten identische Datentypen (für Merge)?
- ☐ Gibt es gemischte Inhalte in Spalten?
- ☐ Habe ich die automatische Typenerkennung deaktiviert?
- ☐ Sind irgendwo Error-Zellen aufgetaucht?
- ☐ Werden null-Werte so behandelt, wie ich es erwarte?
Diese 30 Sekunden sparen Ihnen oft Stunden an Fehlersuche.
12. Häufige Fragen (FAQ)
❓ Wie erkenne ich den Datentyp einer Spalte?
Am einfachsten am Symbol links neben dem Spaltennamen: ABC steht für Text, 123 für Ganze Zahl, 1.2 für Dezimalzahl, ein Kalendersymbol für Datum. Ein Klick auf das Symbol öffnet direkt die Typ-Auswahl.
❓ Was bedeutet die Fehlermeldung „Expression.Error„?
Power Query versucht, einen Wert in einen Zahlentyp umzuwandeln – aber die Zelle enthält etwas, das keine Zahl ist (z. B. Buchstaben, Leerzeichen oder ein Sonderzeichen). Prüfen Sie die Spalte auf gemischte Inhalte und bereinigen Sie diese vor der Typumwandlung.
❓ Warum verliert meine Postleitzahl die führende Null?
Weil Power Query die Spalte als Ganze Zahl erkennt – und 0 am Anfang einer Zahl ist bedeutungslos. Setzen Sie den Datentyp für Postleitzahlen, IDs und ähnliche Felder immer auf Text.
❓ Warum liefert mein Merge leere Ergebnisse, obwohl die Werte gleich aussehen?
Sehr wahrscheinlich haben die Schlüsselspalten unterschiedliche Datentypen. Prüfen Sie beide Tabellen und stellen Sie sicher, dass z. B. beide Spalten als Text oder beide als Ganze Zahl definiert sind.
❓ Werden null-Werte beim Ändern des Datentyps zu Fehlern?
Nein. null bleibt bei der Typumwandlung erhalten und erzeugt keinen Error. Achten Sie aber darauf, dass null in Berechnungen und Aggregationen stillschweigend ignoriert wird.
13. Fazit: Datentypen entscheiden über alles
Datentypen sind kein technisches Detail – sie sind das Fundament Ihrer gesamten Datenverarbeitung.
Die wichtigste Erkenntnis aus diesem Beitrag:
Die meisten Fehler in Power Query entstehen nicht durch falsche Transformationen – sondern durch falsche Datentypen.
Wenn Sie dieses Prinzip verinnerlichen, arbeiten Sie:
- schneller
- stabiler
- fehlerfreier
14. Quellen und weiterführende Links
Microsoft Learn: M-Sprache: Typen
https://learn.microsoft.com/en-us/powerquery-m/m-spec-types
Microsoft Support: Hinzufügen oder Ändern von Datentypen (Power Query)
https://support.microsoft.com/de-de/office/hinzuf%C3%BCgen-oder-%C3%A4ndern-von-datentypen-power-query-b8618bb6-dec6-4fe6-8974-5f799856f218
Microsoft Learn: Datentypen in Power Query
https://learn.microsoft.com/de-de/power-query/data-types
Microsoft Learn: Bewährte Methoden beim Arbeiten mit Power Query
https://learn.microsoft.com/de-de/power-query/best-practices
Microsoft Support: Behandeln von Datenquellenfehlern (Power Query)
https://support.microsoft.com/de-de/office/behandeln-von-datenquellenfehlern-power-query-7b0b4a6e-9402-4f80-ab66-2239dbc7d6e8
Microsoft Learn: Error handling – Power Query
https://learn.microsoft.com/en-us/power-query/error-handling
Microsoft Learn: Dealing with errors – Power Query
https://learn.microsoft.com/en-us/power-query/dealing-with-errors
Microsoft Learn: Power Query documentation
https://learn.microsoft.com/en-us/power-query/
Navigation innerhalb der Power-Query-Serie
- ⬅️ Vorheriger Beitrag: 2.3 Daten verstehen – Datenqualität prüfen mit Spaltenprofil, Spaltenverteilung & Vorschau
- ➡️ Nächster Beitrag: 2.5 Power Query – Transformieren oder Spalte hinzufügen
- 🧭 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/1