1. Ziel des Beitrags
Ziel dieses Beitrags ist es, erste praktische Erfahrungen mit Power Query zu sammeln.
Anhand eines realistischen Praxisbeispiels zeige ich Schritt für Schritt, wie ich Power Query in Excel einsetze, um Daten strukturiert aufzubereiten und für Auswertungen nutzbar zu machen.
Dabei lernen wir insbesondere:
- wo Power Query in Excel zu finden ist
- wie ich eine externe Datenquelle anbinde
- wie der Power Query Editor aufgebaut ist und funktioniert
- wie Daten vorbereitet werden, bevor sie ausgewertet werden
Auf dieser Grundlage erstelle ich anschließend einen konkreten Bericht:
Ich baue eine Verbindung zur Quelldatei auf, bereite die Daten im Power Query Editor vor und lade das Ergebnis in eine Pivot-Tabelle – ohne die Rohdaten direkt in der Berichtsdatei zu bearbeiten.
Mein Praxisziel:
Am Ende soll eine Pivot-Tabelle entstehen, die die Anzahl der verkauften Artikel pro Kunde zeigt und sich später mit einem Klick aktualisieren lässt.
2. Ausgangssituation: typische Excel-Realität
Warum ich Datenquelle und Auswertung konsequent trenne
In der Praxis sieht meine Ausgangssituation häufig so aus:
- Verkaufsdaten liegen in einer Excel-Datei vor
- regelmäßig kommen neue Zeilen hinzu
- Kunden-, Rechnungs- und Positionsinformationen sind in einer Liste kombiniert
- die Datei wächst mit jeder Auswertung weiter
Der klassische Excel-Ansatz wäre, diese Datei direkt weiterzuverarbeiten:
Formeln werden ergänzt, Hilfsspalten eingefügt, Pivot-Tabellen erstellt und Diagramme darauf aufgebaut. Mit jedem neuen Datenstand wiederholt sich dieser Ablauf ganz oder teilweise.
Das führt langfristig zu typischen Problemen:
- Arbeitsmappen werden groß und langsam
- Logik verteilt sich auf Formeln, Hilfsspalten und Pivots
- Änderungen sind schwer nachvollziehbar
- Fehler schleichen sich unbemerkt ein
Deshalb treffe ich zu Beginn eine bewusste Grundsatzentscheidung:
Ich trenne Datenquelle und Auswertung strikt voneinander.
Die Datei mit den Verkaufsdaten dient ausschließlich als Quelle.
Die Auswertung entsteht in einer separaten Berichtsdatei, die keine Rohdaten enthält, sondern nur Verbindungen, Transformationslogik und Berichte.
Power Query ist genau für diesen Ansatz konzipiert.
Es liest Daten aus externen Quellen, bereitet sie auf und stellt sie für Auswertungen bereit – ohne die Quelldatei zu verändern.
Diese Trennung bringt mehrere Vorteile:
- die Quelldatei bleibt stabil und unverändert
- die Berichtsdatei bleibt schlank
- die Datenaufbereitung ist dokumentiert
- Aktualisierungen erfolgen per Klick statt per Handarbeit
Damit schaffe ich eine saubere Grundlage für automatisierte und wartbare Excel-Berichte.
3. Power Query finden und richtig einordnen
Warum der Einstiegspunkt entscheidend ist
Bevor ich mit Power Query arbeiten kann, muss ich wissen, wo ich das Werkzeug in Excel finde – und noch wichtiger: wie es konzeptionell einzuordnen ist.
Ich starte Power Query über die Registerkarte:
Daten → Daten abrufen und transformieren
Dieser Menübereich ist bewusst so aufgebaut. Er macht deutlich, dass Power Query vor der eigentlichen Auswertung angesiedelt ist. Ich nutze Power Query nicht, um Ergebnisse darzustellen, sondern um Daten zu beschaffen, zu strukturieren und vorzubereiten.
Ein häufiger Irrtum besteht darin, Power Query mit klassischen Excel-Funktionen oder mit Pivot-Tabellen gleichzusetzen. Tatsächlich erfüllt Power Query eine ganz andere Rolle:
- Excel-Formeln rechnen mit vorhandenen Zellwerten
- Pivot-Tabellen werten vorbereitete Daten aus
- Power Query bereitet Daten für diese Auswertungen vor
Genau deshalb befindet sich Power Query im Menü Daten und nicht bei Formeln oder Diagrammen.
Auf derselben Registerkarte sehe ich außerdem den Bereich „Abfragen & Verbindungen“.
Dieser Bereich dient jedoch nicht als Einstiegspunkt für neue Abfragen, sondern als Übersicht über bereits bestehende Verbindungen und Abfragen. Neue Datenquellen binde ich immer über „Daten abrufen und transformieren“ an.
Mit diesem Verständnis wird klar:
Power Query ist keine zusätzliche Excel-Funktion, sondern eine vorgelagerte Verarbeitungsschicht, die mir hilft, Daten sauber und reproduzierbar aufzubereiten.
4. Beispiel-Dateien & Download
Warum ich mit einer Beispieldatei arbeite – und was der Leser daraus mitnimmt
Damit Sie die Schritte aus diesem Beitrag nachvollziehen und selbst nachbauen können, arbeite ich bewusst mit einer realistischen Beispieldatei. Power Query lässt sich zwar auch an kleinen Demo-Listen erklären, den echten Mehrwert erkennt man jedoch erst, wenn Daten eine gewisse Struktur und Größe haben.
Die Beispieldatei bildet deshalb eine typische Verkaufssituation ab:
- mehrere Kunden
- mehrere Rechnungen pro Kunde
- mehrere Positionen pro Rechnung
- realistische Spaltenbezeichnungen statt technischer Platzhalter
So entsteht ein Szenario, das der Praxis sehr nahekommt und sich gut für erste Erfahrungen mit Power Query eignet.
📥 Download der Beispieldatei
Die Datei steht Ihnen hier zum Download zur Verfügung:
Ich empfehle, die Datei unverändert zu lassen und sie ausschließlich als Datenquelle zu verwenden. Alle weiteren Schritte erfolgen später in einer separaten Berichtsdatei.
⚠️ Hinweis zu Haftung & Best Practice (direkt beim Download)
Die bereitgestellte Datei dient ausschließlich zu Lern- und Demonstrationszwecken.
Alle enthaltenen Daten sind fiktiv und wurden vereinfacht dargestellt.
Für produktive Auswertungen gilt grundsätzlich:
- Daten vor der Nutzung prüfen
- Ergebnisse plausibilisieren
- Power Query-Logik regelmäßig validieren
Gerade bei automatisierten Berichten ist es wichtig, fachliche Kontrolle nicht durch Technik zu ersetzen, sondern sinnvoll zu ergänzen.
Warum dieser Download didaktisch wichtig ist
Der Download verfolgt zwei Ziele:
- Nachvollziehbarkeit
Sie können jeden Schritt aus dem Beitrag exakt nachbauen. - Lernerfolg
Power Query erschließt sich nicht durch Lesen allein, sondern durch aktives Arbeiten im Editor.
Ich empfehle daher ausdrücklich, den Beitrag nicht nur zu lesen, sondern parallel in Excel mitzuarbeiten.
5. Verbindung zur Quelldatei herstellen
Wie ich mit Power Query eine externe Excel-Datei anbinde
Nachdem die Beispieldatei bereitliegt, erstelle ich eine neue, leere Excel-Arbeitsmappe, die später ausschließlich als Berichtsdatei dient. In dieser Datei baue ich nun die Verbindung zur Quelldatei auf.
Ich gehe dazu im Menüband auf:
Daten → Daten abrufen → Aus Datei → Aus Excel-Arbeitsmappe
Dieser Menüpfad zeigt sehr gut, wie Power Query denkt:
Ich hole mir Daten von außen, statt sie in meine Arbeitsmappe zu kopieren.
Datei auswählen und importieren
Nach Auswahl des Menüpfads öffnet sich der Dateidialog. Hier wähle ich die zuvor heruntergeladene Beispieldatei aus und bestätige mit Importieren.
Wichtig an dieser Stelle:
Ich öffne die Quelldatei nicht aktiv und bearbeite sie auch nicht. Power Query stellt lediglich eine lesende Verbindung zu dieser Datei her.
Was Power Query an dieser Stelle tut – und was nicht
In diesem Schritt passiert noch keine Datenaufbereitung. Power Query merkt sich lediglich:
- den Speicherort der Datei
- den Dateityp (Excel-Arbeitsmappe)
- dass die Datei künftig als Datenquelle verwendet werden soll
Die Daten werden noch nicht:
- in die Berichtsdatei kopiert
- verändert
- ausgewertet
Das ist ein zentraler Unterschied zu klassischen Excel-Importen und eine wichtige Grundlage für spätere Aktualisierungen.
Warum die Quelldatei keine Excel-Tabelle sein muss
Ein weiterer Vorteil von Power Query:
Die Datenquelle muss nicht zwingend als offizielle Excel-Tabelle (Strg + T) formatiert sein.
Solange:
- die erste Zeile Überschriften enthält
- die Spalten konsistent aufgebaut sind
kann Power Query auch mit ganz normalen Excel-Listen arbeiten. Das ist besonders hilfreich, wenn Daten aus anderen Systemen stammen oder nicht perfekt vorbereitet sind.
Zwischenfazit zu diesem Schritt
Mit diesem Schritt habe ich:
- eine externe Excel-Datei als Datenquelle angebunden
- die Grundlage für automatisierte Updates geschaffen
- noch keine Transformationen durchgeführt
Der eigentliche Einstieg in die Daten erfolgt im nächsten Schritt über den Navigator.
6. Der Navigator
Blatt auswählen, Daten prüfen und die richtige Entscheidung treffen
Nachdem ich die Quelldatei ausgewählt habe, öffnet Excel automatisch den Navigator. Dieser Schritt wirkt auf den ersten Blick unscheinbar, ist aber fachlich sehr wichtig.
Der Navigator ist kein Bearbeitungsschritt, sondern ein Orientierungs- und Kontrollpunkt. Hier entscheide ich, welche Datenbasis ich tatsächlich weiterverarbeiten möchte.
Aufbau des Navigators verstehen
Im Navigator sehe ich zwei klar getrennte Bereiche:
- linke Seite:
eine Liste aller verfügbaren Objekte der Quelldatei (z. B. Arbeitsblätter oder Excel-Tabellen). Unsere Arbeitsmappe enthält zwei Tabellenblätter: Kunden_Liste und Verkaufsdaten_Liste. Da wir die Verkaufsdaten importieren wollen, klicken Sie hier bitte auf den Verkaufsdaten_Liste. - rechte Seite:
eine Vorschau der jeweils ausgewählten Daten. Sie bekommen hier die Daten des Tabellenblatts Verkaufsdaten_Liste dargestellt.
Diese Vorschau dient ausschließlich der Kontrolle. Sie zeigt mir, ob:
- ich das richtige Blatt ausgewählt habe
- Überschriften korrekt erkannt wurden
- die Daten grundsätzlich plausibel aussehen
Noch findet keine Transformation statt.
Warum ich mir hier bewusst Zeit nehme
Gerade in der Praxis lohnt es sich, den Navigator nicht zu überspringen. Viele typische Probleme lassen sich hier bereits erkennen:
- falsches Blatt in der Arbeitsmappe ausgewählt
- zusätzliche Kopfzeilen oberhalb der Tabelle
- leere Spalten oder unklare Struktur
- unerwartete Datenformate
Was ich hier erkenne, muss ich später nicht aufwendig korrigieren.
Die wichtigste Entscheidung im Navigator
Am unteren Rand des Navigators sehe ich zwei zentrale Optionen:
- Laden
- Daten transformieren
Ich entscheide mich grundsätzlich für „Daten transformieren“ – und nicht nur, um erste Erfahrungen mit Power Query zu sammeln.
Warum „Daten transformieren“ in der Praxis fast immer die bessere Wahl ist:
- ich sehe und kontrolliere die automatisch erkannten Datentypen
- ich kann Überschriften, Spalten und Inhalte prüfen
- ich behalte die volle Kontrolle über die Datenstruktur
- ich baue eine reproduzierbare Transformationslogik auf
- ich verhindere, dass fehlerhafte Daten ungeprüft nach Excel geladen werden
Selbst wenn ich am Ende keine aufwendigen Transformationen benötige, ist der Weg über den Power Query Editor meist sinnvoller als ein direktes Laden.
Einordnung: Was der Navigator ist – und was nicht
Der Navigator:
- ✔ hilft mir, die richtige Datenquelle auszuwählen
- ✔ gibt mir eine erste inhaltliche Kontrolle
- ✔ trennt Auswahl und Bearbeitung sauber
Der Navigator:
- ✖ verändert keine Daten
- ✖ speichert noch keine Logik
- ✖ ist kein Transformationswerkzeug
Diese klare Trennung ist eine der großen Stärken von Power Query.
Ergebnis dieses Schritts
Mit der Entscheidung für „Daten transformieren“ wechsle ich in den Power Query Editor.
Dort beginnt die eigentliche Arbeit: die strukturierte, nachvollziehbare und wiederholbare Aufbereitung der Daten.
7. Power Query Editor
Oberfläche verstehen und das richtige Denkmodell entwickeln
Nach der Entscheidung für „Daten transformieren“ öffnet sich der Power Query Editor.
Spätestens an dieser Stelle wird klar, dass Power Query kein klassisches Excel-Arbeitsblatt ist, sondern ein eigenes Werkzeug mit einer anderen Arbeitslogik.
Mir ist wichtig, den Editor nicht nur zu bedienen, sondern zu verstehen, wie er funktioniert. Genau das entscheidet darüber, ob Power Query später als Hilfe oder als Hürde wahrgenommen wird.
Erste Orientierung im Power Query Editor
Die Oberfläche des Power Query Editors ist klar gegliedert und besteht aus drei zentralen Bereichen:
- links:
die Liste der Abfragen - mittig:
die Datenvorschau - rechts:
die Abfrageeinstellungen mit den angewendeten Schritten
Diese Aufteilung ist kein Zufall. Sie unterstützt das grundlegende Denkmodell von Power Query:
Ich arbeite nicht direkt an Daten, sondern an einer Abfolge von Verarbeitungsschritten.
Der wichtigste Unterschied zu Excel
Im klassischen Excel arbeite ich zellenbasiert:
- Formeln greifen auf Zellen zu
- Ergebnisse ändern sich sofort
- Logik ist oft über viele Zellen verteilt
Im Power Query Editor ist das anders:
- es gibt keine Zelladressen
- keine nach unten kopierten Formeln
- keine direkte Bearbeitung einzelner Werte
Stattdessen definiere ich Schritt für Schritt, wie Daten verarbeitet werden sollen.
Power Query speichert nicht das Ergebnis,
sondern die Logik, wie dieses Ergebnis entsteht.
Die Rolle der angewendeten Schritte
Besonders wichtig ist der Bereich „Angewendete Schritte“ auf der rechten Seite.
Hier sehe ich alle Verarbeitungsschritte, die Power Query bereits automatisch oder durch mein Zutun angelegt hat.
Typische Schritte, die bereits beim Öffnen vorhanden sind:
- Quelle
- Navigation
- ggf. „Höher gestufte Header“
- ggf. „Geänderter Typ“
Jeder dieser Schritte ist:
- nachvollziehbar
- anklickbar
- bei Bedarf änderbar oder löschbar
Damit entsteht automatisch eine Dokumentation meiner Datenaufbereitung.
Warum ich hier nichts „kaputt machen“ kann
Ein großer Vorteil des Power Query Editors ist seine Fehlertoleranz.
Ich arbeite immer auf einer Vorschau der Daten und nicht auf den Originaldaten selbst.
Das bedeutet:
- die Quelldatei bleibt unverändert
- ich kann Schritte rückgängig machen
- ich kann jederzeit zu einem früheren Zustand zurückspringen
Diese Arbeitsweise lädt dazu ein, Dinge auszuprobieren und zu lernen – ohne Risiko.
Ergebnis dieses Schritts
Nach diesem Abschnitt habe ich:
- die Oberfläche des Power Query Editors eingeordnet
- verstanden, dass ich mit Schritten statt mit Zellen arbeite
- einen ersten Überblick über die automatisch angelegten Schritte
Damit ist die Grundlage gelegt, um die Abfrage sinnvoll weiter aufzubauen.
8. Abfrage sinnvoll benennen
Warum Ordnung in Power Query früher beginnt als viele denken
Sobald der Power Query Editor geöffnet ist, vergebe ich als Erstes einen sinnvollen Namen für die Abfrage. Dieser Schritt wirkt unscheinbar, ist aber für sauberes Arbeiten mit Power Query sehr wichtig.
Der Abfragename ist kein rein kosmetisches Detail. Er begleitet mich durch den gesamten weiteren Prozess und taucht später an mehreren Stellen wieder auf.
Wo der Abfragename überall verwendet wird
Der Name einer Abfrage erscheint unter anderem:
- in der Abfragenliste im Power Query Editor
- im Bereich „Abfragen & Verbindungen“ in Excel
- als Name der Pivot-Tabelle, wenn ich direkt eine Pivot lade
- als Referenz, sobald ich weitere Abfragen darauf aufbaue
Ein unklarer Name wie „Tabelle1“ oder „Abfrage1“ ist am Anfang vielleicht noch verständlich – spätestens bei mehreren Abfragen führt er jedoch schnell zu Verwirrung.
Wie ich den Abfragenamen ändere
Den Namen ändere ich direkt im Bereich Abfrageeinstellungen auf der rechten Seite des Power Query Editors.
Ich klicke in das Namensfeld, überschreibe den automatisch vergebenen Namen und vergebe einen fachlich sinnvollen Namen, zum Beispiel:
Verkaufsdaten
Damit ist sofort klar, welche Art von Daten diese Abfrage liefert und wofür sie gedacht ist.
Warum ich diesen Schritt bewusst früh mache
Ich benenne die Abfrage bevor ich mit weiteren Transformationen beginne. Das hat mehrere Vorteile:
- ich behalte von Anfang an den Überblick
- die Abfrage ist eindeutig identifizierbar
- spätere Schritte und Auswertungen lassen sich leichter zuordnen
Gerade wenn ich später weitere Abfragen hinzufüge oder Daten kombiniere, zahlt sich diese Ordnung sofort aus.
Typische Denkfehler an dieser Stelle
Gerade Einsteiger neigen dazu, diesen Schritt zu überspringen:
- „Ich weiß ja, was die Abfrage macht.“
- „Ich benenne sie später.“
Die Erfahrung zeigt:
Später wird es selten übersichtlicher – meist nur komplexer. Ein sauberer Name von Anfang an ist deshalb eine einfache, aber sehr wirkungsvolle Best Practice.
Ergebnis dieses Schritts
Nach diesem Schritt habe ich:
- eine eindeutig benannte Abfrage
- eine bessere Orientierung im Editor
- eine saubere Grundlage für alle weiteren Schritte
Damit ist die Abfrage bereit, inhaltlich weiterbearbeitet zu werden.
9. Datentypen prüfen
Warum dieser Schritt eine oft unterschätzte Grundlage für korrekte Auswertungen ist
Nachdem die Abfrage sinnvoll benannt ist, prüfe ich als Nächstes die Datentypen der einzelnen Spalten. Dieser Schritt wirkt auf den ersten Blick technisch, ist aber fachlich extrem wichtig – insbesondere für spätere Pivot-Tabellen.
Viele Probleme in Excel-Auswertungen entstehen nicht in der Pivot-Tabelle selbst, sondern viel früher durch falsch interpretierte Datentypen.
Was Datentypen in Power Query bedeuten
Jede Spalte in Power Query hat genau einen fest definierten Datentyp. Dieser legt fest:
- wie Power Query die Inhalte interpretiert
- welche Transformationen möglich sind
- wie Excel die Daten später weiterverarbeitet
Typische Datentypen sind:
- Text
- Ganze Zahl
- Dezimalzahl
- Datum
- Datum/Uhrzeit
Ein Wert kann optisch korrekt aussehen, fachlich aber falsch interpretiert werden – zum Beispiel, wenn Zahlen oder Datumswerte als Text erkannt wurden.
Automatische Datentyp-Erkennung – hilfreich, aber nicht perfekt
Power Query versucht beim Import automatisch, die Datentypen zu erkennen. Das sehe ich häufig am automatisch angelegten Schritt „Geänderter Typ“.
Diese automatische Erkennung funktioniert oft gut, aber nicht immer zuverlässig. Problematisch sind unter anderem:
- unterschiedliche Datumsformate
- Zahlen mit abweichenden Dezimal- oder Tausendertrennzeichen
- Spalten mit gemischten Inhalten
Deshalb prüfe ich die Datentypen bewusst selbst.
Datentypen manuell anpassen – so gehe ich vor
Den aktuellen Datentyp erkenne ich direkt am Symbol in der Spaltenüberschrift:
- ABC → Text
- 123 → Zahl
- Kalendersymbol → Datum
Um den Datentyp zu ändern, gehe ich wie folgt vor:
- Ich klicke auf das Datentyp-Symbol in der Spaltenüberschrift
- Alternativ: Rechtsklick auf die Spalte → Datentyp ändern
- Ich wähle den fachlich passenden Datentyp aus (z. B. Ganze Zahl oder Datum)
Power Query legt dabei automatisch einen neuen Schritt in den angewendeten Schritten an. Dieser Schritt wird bei jeder Aktualisierung erneut ausgeführt – genau so, wie ich ihn definiert habe.
Warum ich Datentypen bewusst früh prüfe
Ich prüfe Datentypen früh im Prozess, bevor weitere Transformationen folgen. Der Grund ist einfach:
- spätere Schritte bauen auf den Datentypen auf
- falsche Datentypen verfälschen Gruppierungen und Aggregationen
- Pivot-Tabellen reagieren besonders sensibel auf fehlerhafte Typen
Ein typisches Symptom falscher Datentypen:
- eine Pivot zählt Werte, obwohl sie summieren sollte
Die Ursache liegt dann fast immer hier – nicht in der Pivot-Tabelle.
Ergebnis dieses Schritts
Nach der Prüfung der Datentypen habe ich:
- Klarheit darüber, wie Power Query meine Daten interpretiert
- eine stabile Grundlage für weitere Transformationen
- deutlich weniger Risiko für spätere Auswertungsfehler
Damit ist der Weg frei für den nächsten Schritt: das bewusste Reduzieren der Daten.
10. Unnötige Spalten entfernen
Warum weniger Daten oft die bessere Grundlage für gute Auswertungen sind
Nachdem Datentypen geprüft und korrigiert sind, reduziere ich als Nächstes bewusst die Datenmenge. In der Praxis heißt das: Ich entferne alle Spalten, die ich für die Auswertung nicht benötige.
Dieser Schritt ist kein „Aufräumen aus Schönheitsgründen“, sondern ein wichtiger fachlicher und technischer Bestandteil der Datenaufbereitung.
Warum ich Spalten bewusst entferne
Rohdaten enthalten häufig deutlich mehr Informationen, als für einen konkreten Bericht notwendig sind. Technische IDs, Statusfelder oder interne Merkmale sind für die Quelle sinnvoll – für die Auswertung jedoch oft irrelevant.
Durch das Entfernen unnötiger Spalten erreiche ich mehrere Dinge gleichzeitig:
- die Daten werden übersichtlicher
- Pivot-Feldlisten werden schlanker
- Berichte lassen sich schneller verstehen
- die Performance verbessert sich
- Fehlerquellen werden reduziert
Kurz gesagt: Ich konzentriere mich auf das, was ich wirklich auswerten will.
Wie ich Spalten in Power Query entferne
Das Entfernen von Spalten ist im Power Query Editor sehr einfach:
- Ich markiere eine oder mehrere Spalten, die ich nicht benötige
- Ich klicke mit der rechten Maustaste auf eine der markierten Spalten
- Ich wähle „Entfernen“
Alternativ kann ich über das Menüband gehen:
Start → Spalten entfernen
Power Query erstellt automatisch einen neuen Schritt „Entfernte Spalten“ in den angewendeten Schritten.
Was im Hintergrund passiert
Wichtig ist:
Ich lösche hier keine Daten in der Quelldatei. Power Query merkt sich lediglich, dass diese Spalten im Ergebnis nicht mehr enthalten sein sollen.
Bei jeder Aktualisierung:
- liest Power Query erneut alle Spalten aus der Quelle
- entfernt dann genau die Spalten, die ich definiert habe
Das macht den Prozess stabil und reproduzierbar.
Typische Denkfehler an dieser Stelle
Ein häufiger Fehler ist, zu viele Spalten „vorsichtshalber“ stehen zu lassen, nach dem Motto:
„Vielleicht brauche ich die später noch.“
In der Praxis führt das oft zu:
- unübersichtlichen Feldlisten
- falschen Auswertungen
- unnötiger Komplexität
Meine Empfehlung:
Lieber konsequent reduzieren.
Falls später weitere Informationen benötigt werden, lassen sich Spalten jederzeit wieder einblenden oder neu anbinden.
Ergebnis dieses Schritts
Nach dem Entfernen unnötiger Spalten habe ich:
- eine fachlich fokussierte Datengrundlage
- weniger Ballast in der Abfrage
- eine bessere Basis für Pivot-Tabellen
Damit sind die Daten so weit vorbereitet, dass sie nach Excel geladen werden können.
11. Daten laden – bewusst entscheiden, wie und wohin
Warum „Schließen & Laden in…“ der wichtigste Klick ist
Nachdem die Daten vorbereitet sind, folgt ein Schritt, der oft unterschätzt wird: das Laden der Daten nach Excel.
Gerade hier entscheidet sich, ob Power Query seinen größten Vorteil ausspielen kann – oder ob ich wieder in alte Excel-Muster zurückfalle.
Warum ich nicht einfach auf „Schließen & Laden“ klicke
Im Power Query Editor sehe ich oben links den Button „Schließen & Laden“.
Ein direkter Klick darauf würde die Daten als Excel-Tabelle auf einem neuen Arbeitsblatt laden. Das ist technisch korrekt – aber für mein Ziel nicht optimal.
Für dieses Praxisbeispiel möchte ich keine Rohdaten-Tabelle, sondern eine Auswertung. Deshalb wähle ich bewusst den Umweg über die erweiterten Optionen.
Der richtige Weg: „Schließen & Laden in…“
Ich klicke auf den kleinen Pfeil neben „Schließen & Laden“ und wähle:
Schließen & Laden in…
Damit öffnet sich ein Dialog, in dem ich genau steuern kann, wie die Daten in Excel verwendet werden sollen.
Die wichtigsten Ladeoptionen verstehen
Im Dialog „Laden in…“ stehen mir mehrere Optionen zur Verfügung:
- Tabelle
→ lädt die Daten als klassische Excel-Tabelle - PivotTable-Bericht
→ erstellt direkt eine Pivot-Tabelle auf Basis der Abfrage - Nur Verbindung erstellen
→ speichert nur die Abfrage, ohne Daten ins Blatt zu laden
Für dieses Beispiel entscheide ich mich für PivotTable-Bericht.
So nutze ich Power Query genau für das, wofür es gedacht ist: als Datenbasis für Auswertungen.
Warum das Speicher und Performance spart
Ein zentraler Vorteil dieses Vorgehens:
Die Rohdaten werden nicht vollständig in die Arbeitsmappe kopiert. Stattdessen wird nur das Ergebnis geladen, das ich für die Auswertung benötige.
Das führt zu:
- deutlich kleineren Dateien
- besserer Performance
- klarer Trennung zwischen Datenlogik und Darstellung
Gerade bei wachsenden Datenmengen ist das ein enormer Vorteil gegenüber klassischen Excel-Ansätzen.
Ergebnis dieses Schritts
Nach diesem Schritt habe ich:
- eine Power-Query-Abfrage als Datenquelle
- eine direkt darauf basierende Pivot-Tabelle
- eine saubere, wartbare Berichtsstruktur
Jetzt fehlt nur noch eines: die eigentliche Auswertung.
12. Pivot-Tabelle erstellen
Aus vorbereiteten Daten wird eine aussagekräftige Auswertung
Nachdem die Daten über Power Query geladen wurden, befindet sich Excel bereits im Pivot-Tabellenmodus. Jetzt geht es darum, aus der sauberen Datenbasis eine konkrete Auswertung zu erstellen.
Zur Erinnerung an das Praxisziel dieses Beitrags:
Ich möchte sehen, wie viele Artikel pro Kunde verkauft wurden.
Die Pivot-Feldliste verstehen
Sobald die Pivot-Tabelle angelegt ist, erscheint auf der rechten Seite die Pivot-Feldliste. Sie zeigt alle Felder, die aus der Power-Query-Abfrage stammen.
Ein großer Vorteil dieses Vorgehens:
Da ich die Daten zuvor reduziert und bereinigt habe, ist die Feldliste übersichtlich und enthält nur relevante Spalten. Genau hier zeigt sich der Nutzen der vorherigen Schritte.
Felder richtig anordnen
Für meine Auswertung gehe ich wie folgt vor:
- Kunde ziehe ich in den Bereich Zeilen
- Menge (oder alternativ Positions-ID) ziehe ich in den Bereich Werte
Excel erstellt daraus automatisch eine Pivot-Tabelle, die pro Kunde die entsprechende Kennzahl berechnet.
Aggregation prüfen und ggf. anpassen
Standardmäßig entscheidet Excel selbst, wie ein Feld im Wertebereich aggregiert wird (z. B. Summe oder Anzahl).
Ich prüfe daher bewusst:
- Wird gezählt, wo gezählt werden soll?
- Wird summiert, wo summiert werden soll?
Falls nötig, passe ich die Aggregation über Wertfeldeinstellungen an. Auch hier gilt: Wenn etwas nicht passt, liegt die Ursache häufig nicht in der Pivot, sondern in den Datentypen, die ich zuvor in Power Query festgelegt habe.
Hinweis: Das Dialogfeld Wertfeldeinstellungen kann geöffnet werden, indem man in der Feldliste der Pivot-Tabelle mit der linken Maustaste auf das Feld bei Werte klickt, und dann den Eintrag Wertfeldeinstellungen auswählt.
Warum diese Pivot bewusst einfach gehalten ist
Diese erste Pivot-Tabelle ist bewusst einfach aufgebaut. Es geht an dieser Stelle nicht um komplexe Analysen, sondern darum:
- den vollständigen Weg von der Quelle bis zur Auswertung zu verstehen
- zu sehen, wie Power Query und Pivot-Tabellen zusammenspielen
- eine belastbare Grundlage für spätere Erweiterungen zu schaffen
Auf dieser Basis lassen sich später problemlos:
- Zeitdimensionen
- Filter
- weitere Kennzahlen
- Diagramme
ergänzen.
Ergebnis dieses Schritts
Nach diesem Schritt habe ich:
- eine funktionierende Pivot-Tabelle
- eine klare Auswertung „verkaufte Artikel pro Kunde“
- eine direkte Verbindung zur Power-Query-Abfrage
Damit ist der fachliche Teil abgeschlossen. Was jetzt noch folgt, ist der eigentliche Automatisierungsgewinn.
13. Aktualisieren
Warum sich der Aufwand mit Power Query jetzt auszahlt
Der größte Mehrwert von Power Query zeigt sich nicht beim ersten Bericht, sondern bei jeder weiteren Aktualisierung. Genau hier trennt sich der klassische Excel-Ansatz von einem sauberen, automatisierten Prozess.
Was bei neuen Daten passiert
Angenommen, die Quelldatei wird aktualisiert:
- neue Transaktionen werden ergänzt
- neue Kunden kommen hinzu
- weitere Rechnungen werden erfasst
Ich muss keine Formeln kopieren,
keine Pivot neu aufbauen,
keine Hilfsspalten nachziehen.
Stattdessen reicht ein einziger Schritt.
Der Aktualisieren-Button
In der Berichtsdatei klicke ich einfach auf:
Daten → Alle aktualisieren
Excel führt nun automatisch aus:
- Verbindung zur Quelldatei herstellen
- Power-Query-Abfrage erneut ausführen
- alle definierten Transformationsschritte anwenden
- Pivot-Tabelle aktualisieren
Alles passiert in der richtigen Reihenfolge – ohne manuelles Eingreifen.
Warum das mehr ist als nur „Bequemlichkeit“
Der Aktualisieren-Button steht für einen grundlegenden Unterschied im Arbeiten mit Excel:
- ich wiederhole keine Arbeit
- ich wiederhole nur Logik
Das bedeutet:
- weniger Fehler
- reproduzierbare Ergebnisse
- nachvollziehbare Berichte
- deutlich geringerer Pflegeaufwand
Gerade bei regelmäßig wiederkehrenden Auswertungen (Monat, Quartal, Jahr) ist das ein enormer Produktivitätsgewinn.
Typische Praxis-Szenarien
Dieser Ansatz eignet sich besonders gut für:
- monatliche Vertriebsberichte
- wiederkehrende Controlling-Auswertungen
- Daten aus Vorsystemen (ERP, CRM, Exporte)
- wachsende Datenbestände
Einmal sauber aufgebaut, bleibt der Prozess stabil – auch wenn die Datenmenge wächst.
Ergebnis dieses Schritts
Nach diesem Schritt habe ich:
- einen vollständig automatisierten Datenfluss
- eine aktualisierbare Pivot-Tabelle
- einen Bericht, der mit den Daten mitwächst
14. Zusammenfassung – was ich in diesem Beitrag gelernt habe
In diesem Beitrag habe ich meine ersten praktischen Erfahrungen mit Power Query gesammelt – nicht abstrakt, sondern anhand eines konkreten Praxisbeispiels.
Schritt für Schritt habe ich gelernt:
- Power Query richtig einzuordnen
Power Query ist kein Ersatz für Formeln oder Pivot-Tabellen, sondern eine vorgelagerte Verarbeitungsschicht zur Datenaufbereitung. - Warum ich Datenquelle und Auswertung trenne
Durch die Trennung bleibt die Berichtsdatei schlank, übersichtlich und wartbar. - Wie ich eine externe Excel-Datei anbinde
Über Daten abrufen → Aus Datei → Aus Arbeitsmappe stelle ich eine reine Leseverbindung her. - Welche Rolle der Navigator spielt
Der Navigator hilft mir, die richtige Datenbasis auszuwählen und frühzeitig Strukturprobleme zu erkennen. - Warum ich fast immer „Daten transformieren“ wähle
So behalte ich Kontrolle über Datentypen, Spalten und Struktur – selbst wenn ich nur wenig transformiere. - Wie der Power Query Editor funktioniert
Ich arbeite nicht zellenbasiert, sondern schrittbasiert – jede Änderung wird dokumentiert. - Warum saubere Abfragenamen wichtig sind
Ordnung in Power Query beginnt früh und zahlt sich bei wachsenden Modellen sofort aus. - Wie entscheidend korrekte Datentypen sind
Falsche Datentypen führen zu falschen Pivot-Ergebnissen – die Ursache liegt fast immer vor der Auswertung. - Warum ich Daten bewusst reduziere
Weniger Spalten bedeuten weniger Komplexität, bessere Performance und klarere Auswertungen. - Wie ich Daten gezielt lade
Über Schließen & Laden in… entscheide ich bewusst, dass ich direkt mit einer Pivot-Tabelle arbeite. - Wie aus vorbereiteten Daten eine Auswertung entsteht
Die Pivot-Tabelle zeigt mir die Anzahl verkaufter Artikel pro Kunde – exakt das definierte Praxisziel. - Warum Aktualisieren der eigentliche Gewinn ist
Neue Daten werden mit einem Klick verarbeitet – ohne erneute manuelle Arbeit.
Damit habe ich nicht nur einen Bericht erstellt, sondern einen reproduzierbaren, wartbaren Prozess aufgebaut.
Ergänzender Kerngedanke: Power Query und Pivot-Tabellen gehören zusammen
Ein besonders wichtiger Lernpunkt dieses Beitrags ist die Erkenntnis, dass sich Power Query und Pivot-Tabellen nicht ausschließen, sondern sich optimal ergänzen.
- Power Query übernimmt die Aufgabe, Daten zu beschaffen, zu bereinigen, zu strukturieren und reproduzierbar vorzubereiten.
- Pivot-Tabellen übernehmen die Aufgabe, diese vorbereiteten Daten flexibel auszuwerten, zu verdichten und darzustellen.
Power Query ersetzt also keine Pivot-Tabelle – und umgekehrt.
Erst das Zusammenspiel beider Werkzeuge ermöglicht:
- stabile und wartbare Berichte
- klare Trennung von Datenlogik und Auswertung
- flexible Analysen ohne erneute Datenaufbereitung
In diesem Beitrag habe ich genau diesen Ansatz umgesetzt:
Power Query liefert die saubere Datenbasis – die Pivot-Tabelle macht daraus eine aussagekräftige Auswertung.
Navigation innerhalb der Power-Query-Serie
- ⬅️ Vorheriger Beitrag: 1.4 Warum Power Query? – Ein Praxisbeispiel aus dem Reporting-Alltag
- ➡️ Nächster Beitrag: 1.6 Power Query in der Praxis: Bericht verbessern & erste Transformationen (mit Pivot-Tabelle)
- 🧭 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