Die Vertriebsleitung öffnet ihren Power-BI-Bericht und sieht einen Monatsumsatz von 184.000 Euro. Im Bericht der Geschäftsführung stehen für denselben Zeitraum 179.500 Euro. Beide Auswertungen sollen auf denselben Unternehmensdaten basieren.
Welche Zahl ist richtig?
Solche Abweichungen sorgen im Unternehmensalltag schnell für Diskussionen. Nicht selten wird zunächst Excel geöffnet, eine neue Auswertung erstellt oder die Datenabteilung gebeten, das Dashboard zu korrigieren.
Doch bevor ein Bericht verändert wird, sollte geklärt werden, warum die Ergebnisse voneinander abweichen.
Wenn Power BI unterschiedliche Zahlen anzeigt, liegt die Ursache nicht zwangsläufig in einem Rechenfehler. Häufig sind unterschiedliche Datenstände, Filterkontexte, Tabellenbeziehungen oder Kennzahlendefinitionen verantwortlich.
Manchmal sind sogar beide Werte technisch korrekt, weil sie unterschiedliche Sachverhalte abbilden.
Dieser Artikel zeigt, wie Unternehmen solche Abweichungen systematisch untersuchen, welche Rolle das Power-BI-Datenmodell spielt und wie sich widersprüchliche Kennzahlen mit nachvollziehbaren Tests eingrenzen lassen.
Warum Power BI unterschiedliche Zahlen anzeigen kann
Power BI stellt Daten nicht einfach nur als Diagramme und Tabellen dar. Zwischen der ursprünglichen Datenquelle und einer angezeigten Kennzahl können mehrere Verarbeitungsschritte liegen.
Daten werden importiert oder direkt abgefragt, gegebenenfalls in Power Query transformiert, über Beziehungen miteinander verknüpft und mithilfe von DAX ausgewertet.
Anschließend beeinflussen Filter, Slicer und Sicherheitsregeln, welche Daten in einem Visual sichtbar sind.
Eine Abweichung kann daher an verschiedenen Stellen entstehen.
| Mögliche Ursache | Typische Auswirkung |
|---|---|
| Unterschiedliche Aktualisierungsstände | Ein Bericht enthält neuere Buchungen als der andere |
| Abweichende Datenquellen | Berichte verwenden verschiedene Tabellen oder Systeme |
| Unterschiedliche Measures | Kennzahlen folgen nicht derselben Berechnungslogik |
| Fehlerhafte Beziehungen | Datensätze werden falsch zugeordnet oder Filter nicht wie erwartet übertragen |
| Abweichende Filter | Visuals berücksichtigen verschiedene Zeiträume, Regionen oder Statuswerte |
| Unterschiedliche Datumsbeziehungen | Ein Bericht verwendet Bestell-, der andere Rechnungsdaten |
| Row-Level Security | Benutzer sehen abhängig von ihrer Rolle unterschiedliche Daten |
| Transformationen in Power Query | Bestimmte Datensätze werden entfernt, geändert oder zusammengeführt |
Die Ursache lässt sich meist besser finden, wenn diese Möglichkeiten nacheinander geprüft werden.
Ein sofortiger Umbau des Datenmodells ist dagegen selten der richtige erste Schritt.
Zuerst prüfen, ob beide Berichte dieselbe Kennzahl meinen
Bevor technische Einstellungen untersucht werden, sollte eine grundlegende fachliche Frage beantwortet werden:
Was genau bedeutet die angezeigte Zahl?
Ein Umsatzbericht kann beispielsweise Bruttoumsatz, Nettoumsatz, gebuchten Umsatz oder fakturierten Umsatz anzeigen.
Alle vier Kennzahlen können aus demselben ERP-System stammen und trotzdem unterschiedliche Ergebnisse liefern.
Auch der betrachtete Zeitraum spielt eine Rolle. Eine Auswertung nach Bestelldatum ist nicht mit einer Auswertung nach Rechnungsdatum gleichzusetzen.
Die Kennzahl fachlich eindeutig definieren
Für einen belastbaren Vergleich sollten folgende Angaben dokumentiert werden:
- Name und fachliche Definition der Kennzahl
- Verwendete Datenquelle
- Betrachteter Zeitraum
- Maßgebliches Datumsfeld
- Berücksichtigte Buchungs- oder Vorgangsstatus
- Umgang mit Stornierungen, Retouren und Gutschriften
- Verwendete Währung und gegebenenfalls Umrechnung
- Verantwortliche Person für die fachliche Freigabe
Beispielsweise könnte die Definition lauten:
„Der Nettoumsatz umfasst gebuchte Rechnungspositionen ohne Umsatzsteuer. Stornierte Positionen werden ausgeschlossen. Maßgeblich ist das Rechnungsdatum.“
Erst wenn beide Berichte dieselbe Definition verwenden sollen, ist eine technische Abweichung tatsächlich zu erwarten.
Ist der Datenstand in beiden Power-BI-Berichten identisch?
Ein häufiger Grund für unterschiedliche Zahlen ist die Datenaktualisierung.
Dabei müssen zwei Dinge unterschieden werden: die Aktualität der ursprünglichen Datenquelle und die Aktualität des Power-BI-Semantikmodells.
Ein ERP-System kann bereits neue Buchungen enthalten, während ein Power-BI-Bericht noch auf einem älteren Importstand basiert.
Import und DirectQuery unterscheiden
Power BI unterstützt unterschiedliche Speichermodi.
Im Importmodus werden Daten aus einer Quelle in das Semantikmodell geladen. Veränderungen in der Quelle erscheinen erst nach einer entsprechenden Datenaktualisierung.
Bei DirectQuery werden Abfragen grundsätzlich an die zugrunde liegende Datenquelle weitergeleitet. Das bedeutet jedoch nicht, dass jedes Visual jederzeit automatisch den neuesten Wert anzeigt. Abfragecaches, Berichtsaktualisierung und weitere technische Faktoren können relevant sein.
Auch zusammengesetzte Modelle mit mehreren Speichermodi benötigen eine sorgfältige Betrachtung.
Aktualisierungsverlauf überprüfen
Wenn ein Bericht möglicherweise veraltete Daten verwendet, sollten Administratoren und berechtigte Verantwortliche im Power BI Service das betroffene Semantikmodell und dessen Aktualisierungsverlauf untersuchen.
Wichtige Fragen sind:
- Wann wurde das Semantikmodell zuletzt erfolgreich aktualisiert?
- Gab es fehlgeschlagene oder verzögerte Aktualisierungen?
- Verwenden beide Berichte tatsächlich dasselbe Semantikmodell?
- Werden alle benötigten Tabellen aktualisiert?
- Bestehen Probleme mit dem On-Premises Data Gateway?
- Werden inkrementelle Aktualisierungen eingesetzt?
- Ist die zugrunde liegende Datenquelle selbst aktuell?
Ein erfolgreich abgeschlossener Refresh bedeutet nicht automatisch, dass alle fachlich erwarteten Datensätze vorhanden sind.
Beispielsweise können vorgeschaltete Datenimporte, Power-Query-Filter oder Quellsystemprozesse weiterhin Einfluss auf das Ergebnis haben.
Deshalb sollte für die Untersuchung zusätzlich ein fachlicher Kontrollwert aus der Datenquelle ermittelt werden.
Warum das Power-BI-Datenmodell die Zahlen beeinflusst
Das Datenmodell bestimmt, wie Informationen aus verschiedenen Tabellen miteinander zusammenhängen.
Ein typisches Vertriebsmodell enthält beispielsweise eine Tabelle mit Verkaufspositionen sowie separate Tabellen für Kunden, Produkte und Kalenderinformationen.
Diese Tabellen werden über Beziehungen verknüpft.
Fehlerhafte oder ungeeignete Beziehungen können dazu führen, dass Filter nicht wie vorgesehen wirken oder Ergebnisse falsch interpretiert werden.
Kardinalität und Beziehungsschlüssel prüfen
In Power BI sind unter anderem Eins-zu-viele-, Eins-zu-eins- und Viele-zu-viele-Beziehungen möglich.
Für viele analytische Szenarien eignet sich ein Sternschema, bei dem Faktentabellen über geeignete Schlüssel mit Dimensionstabellen verbunden werden.
Eine Produkttabelle sollte beispielsweise eindeutige Produktkennungen enthalten, wenn sie als Eins-Seite einer regulären Eins-zu-viele-Beziehung dienen soll.
Enthält die vermeintliche Dimension unerwartete Duplikate, kann das auf ein Modellierungsproblem hinweisen.
Wichtig ist dabei, nicht nur zu kontrollieren, ob eine Beziehung existiert.
Auch die verwendeten Spalten, die Kardinalität, der Aktivierungszustand und die Filterrichtung müssen zur fachlichen Datenstruktur passen.
Warum die Kreuzfilterrichtung relevant ist
Beziehungen steuern die Weitergabe von Filtern zwischen Tabellen.
Eine Filterung nach Produktkategorie soll beispielsweise die zugehörigen Verkaufspositionen einschränken.
Ist der erforderliche Beziehungspfad nicht vorhanden oder inaktiv, kann ein Visual andere Ergebnisse liefern als erwartet.
Bidirektionale Filterung sollte jedoch nicht pauschal aktiviert werden, um eine Abweichung zu beheben.
Microsoft weist darauf hin, dass bidirektionale Beziehungen die Leistung beeinträchtigen und mehrdeutige Filterpfade ermöglichen können.
Die bessere Lösung ist häufig, das Modell und den beabsichtigten Filterfluss zu überprüfen.
Inaktive Datumsbeziehungen beachten
Eine Verkaufstabelle kann mehrere Datumsfelder enthalten, etwa Bestelldatum, Versanddatum und Rechnungsdatum.
Eine Kalendertabelle kann dabei über mehrere Beziehungen mit der Faktentabelle verbunden sein.
Wenn eine Beziehung aktiv und eine andere inaktiv ist, können Measures mit unterschiedlicher DAX-Logik verschiedene Datumsbezüge auswerten.
Das ist nicht automatisch ein Fehler.
Problematisch wird es, wenn die verwendete Beziehung nicht zur Definition der Kennzahl passt.
Warum DAX Measures unterschiedliche Werte berechnen
DAX ist die Formelsprache, mit der sich in Power BI unter anderem Measures erstellen lassen.
Ein Measure wird im jeweiligen Auswertungskontext berechnet.
Dieser Kontext kann sich je nach ausgewähltem Visual, Filter, Slicer oder Tabellenbeziehung unterscheiden.
Deshalb muss ein Measure nicht in jedem Diagramm denselben Wert liefern.
Ein einfaches Umsatz-Measure
Angenommen, eine Tabelle Verkaeufe enthält eine Spalte Betrag.
Ein einfaches Measure könnte folgendermaßen aussehen:
Umsatz Gesamt =
SUM ( Verkaeufe[Betrag] )Dieses Measure addiert die Beträge innerhalb des jeweils wirksamen Filterkontexts.
Wenn ein Visual auf eine bestimmte Region eingeschränkt ist, werden normalerweise nur die dazugehörigen Verkaufspositionen berücksichtigt, sofern die Filter korrekt bis zur Faktentabelle wirken.
Unterschiedliche Geschäftsregeln in Measures
Nehmen wir an, in derselben Tabelle gibt es zusätzlich eine Spalte Status.
Ein zweites Measure könnte ausschließlich gebuchte Positionen berücksichtigen:
Umsatz Gebucht =
CALCULATE (
SUM ( Verkaeufe[Betrag] ),
Verkaeufe[Status] = "Gebucht"
)Beide Measures liefern unterschiedliche Ergebnisse, wenn die Tabelle auch andere Statuswerte enthält.
Das ist kein Rechenfehler, sondern eine unterschiedliche Definition.
Die DAX-Funktion CALCULATE verändert den Filterkontext einer Berechnung. Deshalb sollte besonders bei komplexen Measures geprüft werden, welche Filter ergänzt, ersetzt oder entfernt werden.
Funktionen wie ALL, REMOVEFILTERS, USERELATIONSHIP oder KEEPFILTERS können ebenfalls das Ergebnis beeinflussen.
Warum ein Measure nicht vorschnell geändert werden sollte
Wenn eine Zahl unerwartet erscheint, sollte nicht sofort ein zusätzlicher Filter in die DAX-Formel eingebaut werden.
Eine solche Änderung kann zwar einen bestimmten Bericht korrigieren, gleichzeitig aber andere Auswertungen beeinflussen.
Besser ist es, die fachliche Definition mit dem tatsächlichen Measure abzugleichen und die Berechnung anhand bekannter Beispieldaten zu überprüfen.
Filter im Bericht prüfen, bevor das Datenmodell verändert wird
Nicht jede Abweichung entsteht im Modell.
Power BI ermöglicht Filter auf unterschiedlichen Ebenen.
Ein Filter kann nur für ein einzelnes Visual gelten, für eine gesamte Berichtsseite oder für alle Seiten eines Berichts.
Zusätzlich können Slicer und visuelle Interaktionen das angezeigte Ergebnis verändern.
Visualfilter, Seitenfilter und Berichtsfilter
Angenommen, zwei Diagramme zeigen einen Umsatzwert.
Im ersten Diagramm ist ein Visualfilter aktiv, der stornierte Vorgänge ausschließt.
Das zweite Diagramm enthält diesen Filter nicht.
Auch wenn beide Visuals dasselbe Measure und dasselbe Semantikmodell verwenden, können sie unterschiedliche Ergebnisse anzeigen.
Deshalb sollten die Filtereinstellungen beider Visuals systematisch verglichen werden.
Slicer und gespeicherte Berichtszustände
Slicer erlauben Benutzern, beispielsweise Regionen oder Zeiträume auszuwählen.
Darüber hinaus können persönliche Lesezeichen, gespeicherte Filterzustände oder persistente Filter dafür sorgen, dass verschiedene Benutzer einen Bericht in unterschiedlichen Zuständen öffnen.
Auch versteckte oder synchronisierte Slicer verdienen Aufmerksamkeit.
Bei der Diagnose sollte daher geprüft werden, ob beide Berichte wirklich mit identischen Filtereinstellungen angezeigt werden.
Das Zurücksetzen auf einen definierten Ausgangszustand kann helfen, Unterschiede sichtbar zu machen.
Visualinteraktionen berücksichtigen
In Power BI können bestimmte Visuals andere Diagramme filtern oder hervorheben.
Wird beispielsweise in einem Balkendiagramm eine Region ausgewählt, kann ein benachbartes KPI-Visual anders reagieren als ein weiteres Diagramm.
Deshalb sollte nicht nur der Filterbereich, sondern gegebenenfalls auch die Konfiguration der Visualinteraktionen untersucht werden.
Zwei unterschiedliche Umsatzwerte mit einem reproduzierbaren Beispiel erklären
Ein kleines Testmodell zeigt, wie unterschiedliche Zahlen entstehen können, obwohl die zugrunde liegenden Daten identisch sind.
Das folgende Beispiel ist bewusst vereinfacht und stellt keine reale Kundenumgebung dar.
Ausgangsdaten
Eine Verkaufstabelle enthält vier Vorgänge:
| Vorgang | Region | Status | Betrag |
|---|---|---|---|
| V-101 | Nord | Gebucht | 400 € |
| V-102 | Nord | Gebucht | 300 € |
| V-103 | Süd | Gebucht | 200 € |
| V-104 | Süd | Storniert | 100 € |
Die Summe aller Beträge beträgt 1.000 Euro.
Werden ausschließlich gebuchte Vorgänge berücksichtigt, ergibt sich ein Wert von 900 Euro.
Wird zusätzlich die Region Nord ausgewählt, beträgt der Wert für die gebuchten Vorgänge 700 Euro.
<text color=“secondary“>Die folgenden Werte dienen ausschließlich der Demonstration.</text>
Vergleich der Ergebnisse
| Auswertung | Ergebnis |
|---|---|
| Alle Vorgänge ohne Statusfilter | 1.000 € |
| Nur gebuchte Vorgänge | 900 € |
| Gebuchte Vorgänge in Region Nord | 700 € |
Keiner dieser Werte ist für sich genommen falsch.
Entscheidend ist, welche Kennzahl dargestellt werden soll.
Wenn die Geschäftsführung den gebuchten Umsatz erwartet, ist die Summe inklusive stornierter Vorgänge ungeeignet.
Wenn ein regionales Vertriebsdashboard ausschließlich den Norden betrachtet, darf der dortige Wert wiederum nicht direkt mit dem unternehmensweiten Gesamtumsatz verglichen werden.
So lässt sich der Unterschied nachstellen
Erstellen Sie in einem geeigneten Testmodell eine Tabelle mit den vier Beispieldatensätzen.
Definieren Sie anschließend die Measures Umsatz Gesamt und Umsatz Gebucht.
Platzieren Sie beide Measures in separaten Kartenvisuals und ergänzen Sie einen Slicer für die Region.
Ohne Regionsfilter sollte das erste Measure 1.000 Euro und das zweite 900 Euro anzeigen.
Bei Auswahl von Nord ergeben beide Measures 700 Euro, da in dieser Region ausschließlich gebuchte Vorgänge vorhanden sind.
Damit lässt sich nachvollziehen, wie sich Filterkontext und Geschäftsregel gegenseitig beeinflussen.
Für die Fehlersuche in einem echten Bericht kann ein vergleichbarer Test mit einer abgegrenzten und fachlich überprüften Datenstichprobe verwendet werden.
Können Power Query und Datenbereinigung für Abweichungen sorgen?
Power Query ist ein weiterer wichtiger Bestandteil der Analyse.
Hier können Daten bereits vor ihrer Verwendung im Semantikmodell transformiert werden.
Typische Schritte sind das Filtern von Zeilen, das Entfernen von Duplikaten, das Ändern von Datentypen oder das Zusammenführen mehrerer Tabellen.
Solche Transformationen sind häufig notwendig.
Sie müssen jedoch zur fachlichen Bedeutung der Daten passen.
Wenn Datensätze bereits beim Import ausgeschlossen werden
Ein Bericht könnte beispielsweise nur Verkaufspositionen importieren, deren Status „Gebucht“ lautet.
Ein anderer Bericht importiert sämtliche Positionen und entscheidet erst später über DAX Measures, welche Werte berücksichtigt werden.
Beide Modelle können deshalb unterschiedliche Datengrundlagen besitzen.
Auch das Entfernen von Duplikaten kann Ergebnisse verändern, wenn der verwendete Schlüssel nicht tatsächlich einen eindeutigen Geschäftsvorgang beschreibt.
Transformationen nachvollziehbar dokumentieren
Bei ungeklärten Abweichungen sollten die relevanten Power-Query-Schritte überprüft werden.
Besonders wichtig sind:
- Filter auf Status- und Datumsfelder
- Zusammenführung und Erweiterung von Tabellen
- Entfernen von Duplikaten
- Behandlung fehlender Werte
- Änderungen von Datentypen
- Umrechnung und Rundung numerischer Werte
Die Untersuchung sollte idealerweise an einer Kopie oder in einer geeigneten Testumgebung erfolgen, damit produktive Berichte nicht unbeabsichtigt verändert werden.
Warum verschiedene Benutzer unterschiedliche Zahlen sehen
Wenn zwei Mitarbeiter denselben Bericht öffnen und verschiedene Werte sehen, kann die Ursache in der Berechtigungsstruktur liegen.
Power BI unterstützt Row-Level Security, kurz RLS.
Damit lässt sich der Zugriff auf bestimmte Datenzeilen abhängig von Rollen und Benutzerzuordnungen einschränken.
Ein regionaler Vertriebsleiter kann beispielsweise ausschließlich seine Vertriebsregion sehen, während die Geschäftsführung Zugriff auf die Gesamtauswertung erhält.
Row-Level Security gezielt prüfen
Bei unterschiedlichen Ergebnissen zwischen Benutzern sollten folgende Fragen geklärt werden:
- Sind die Benutzer unterschiedlichen RLS-Rollen zugeordnet?
- Verwenden die Rollen unterschiedliche Filterausdrücke?
- Bestehen dynamische Sicherheitsregeln?
- Welche Berechtigungen haben die Benutzer im Arbeitsbereich?
- Wird tatsächlich derselbe Bericht und dasselbe Semantikmodell geöffnet?
Wichtig ist eine Besonderheit der Power-BI-Berechtigungen:
Laut Microsoft wirkt die Row-Level Security im Power BI Service auf Benutzer mit der Workspace-Rolle Viewer, nicht jedoch auf Administratoren, Mitglieder oder Mitwirkende des Arbeitsbereichs.
Deshalb kann ein Test mit einem Administratorkonto andere Ergebnisse liefern als die spätere Nutzung durch reguläre Berichtsempfänger.
Für die Prüfung sollten die vorgesehenen Testfunktionen für Rollen und geeignete Benutzerkontexte verwendet werden.
RLS sollte nicht deaktiviert werden, nur um zwei Kennzahlen kurzfristig anzugleichen.
Ein sinnvoller Diagnoseablauf für unterschiedliche Power-BI-Zahlen
Bei einem widersprüchlichen Bericht empfiehlt sich ein Vorgehen, das vom sichtbaren Unterschied zu den technischen Ursachen führt.
Zunächst wird die konkrete Abweichung dokumentiert.
Dazu gehören die Namen der Berichte, der Zeitpunkt der Beobachtung, die angezeigten Werte und die verwendeten Filter.
Anschließend sollte die fachliche Definition der Kennzahl geklärt werden.
Erst danach werden das Semantikmodell und die technischen Einzelheiten untersucht.
| Beobachtung | Nächster Prüfschritt |
|---|---|
| Werte unterscheiden sich nur zeitweise | Aktualisierungsstände und Datenquellen vergleichen |
| Eine bestimmte Region zeigt falsche Werte | Beziehungen und regionale Filter prüfen |
| Nur ein Diagramm weicht ab | Visualfilter und Interaktionen untersuchen |
| Alle Visuals eines Berichts weichen ab | Modell, Measures und Berichtsfilter vergleichen |
| Zahlen unterscheiden sich nach Benutzer | RLS-Rollen und Workspace-Berechtigungen prüfen |
| Summen ändern sich nach einer Modellanpassung | Beziehungseigenschaften und DAX prüfen |
| Abweichung entsteht nach einem Refresh | Power Query, Quelldaten und Aktualisierungsverlauf untersuchen |
Die Reihenfolge sollte sich an der konkreten Beobachtung orientieren.
Sind beispielsweise beide Berichte auf demselben aktuellen Semantikmodell aufgebaut, ist eine vollständige Untersuchung zweier unabhängiger Datenimporte zunächst möglicherweise unnötig.
Ein solches Vorgehen spart Zeit und reduziert das Risiko, bereits funktionierende Teile des Berichtssystems unbeabsichtigt zu verändern.
Wie Unternehmen widersprüchliche Kennzahlen langfristig vermeiden
Ein einzelner Fehler lässt sich häufig durch eine gezielte Korrektur beheben.
Wiederkehrende Abweichungen deuten dagegen möglicherweise auf fehlende Standards in der Datenmodellierung oder im Reporting hin.
Wenn jede Abteilung ihre eigene Umsatzdefinition erstellt, sind unterschiedliche Ergebnisse auch bei technisch einwandfreien Berichten wahrscheinlich.
Einheitliche KPI-Definitionen schaffen
Für wichtige Kennzahlen sollte festgelegt werden, was berechnet wird und welche Daten dafür verwendet werden.
Dazu gehören eindeutige Definitionen für Umsatz, Marge, Auftragseingang, offene Forderungen und andere geschäftskritische Kennzahlen.
Auch fachliche Ausnahmen müssen berücksichtigt werden.
Eine KPI-Dokumentation sollte deshalb gemeinsam von den zuständigen Fachbereichen und den Verantwortlichen für das Datenmodell entwickelt werden.
Wiederverwendbare Semantikmodelle einsetzen
Wenn mehrere Berichte dieselben Geschäftskennzahlen verwenden, kann ein gemeinsam verwaltetes Power-BI-Semantikmodell helfen, einheitliche Berechnungen bereitzustellen.
Dabei sollten Measures zentral definiert und kontrolliert weiterentwickelt werden.
Das verhindert nicht jede Abweichung, da unterschiedliche Filter weiterhin unterschiedliche Ergebnisse liefern können.
Es reduziert jedoch das Risiko, dass dieselbe Kennzahl in mehreren Berichten mit abweichender Logik implementiert wird.
Änderungen testen und dokumentieren
Änderungen an Beziehungen, Power-Query-Transformationen oder DAX Measures können mehrere Berichte beeinflussen.
Deshalb sollten wichtige Anpassungen möglichst zunächst in einer kontrollierten Umgebung getestet werden.
Geeignete Testfälle mit bekannten Sollwerten sind dabei besonders wertvoll.
Nach der Änderung sollte dokumentiert werden, welche Ursache festgestellt und welche Berechnung angepasst wurde.
Checkliste bei unterschiedlichen Zahlen in Power BI
Die folgende Übersicht eignet sich für IT-Verantwortliche, Power-BI-Entwickler und Fachbereiche.
| Prüffrage | Status |
|---|---|
| Ist die fachliche Definition der Kennzahl eindeutig? | ☐ |
| Werden identische Zeiträume verglichen? | ☐ |
| Nutzen die Berichte dieselben Datenquellen? | ☐ |
| Ist der Aktualisierungsstand bekannt? | ☐ |
| Wurde der Aktualisierungsverlauf kontrolliert? | ☐ |
| Sind Power-Query-Transformationen geprüft? | ☐ |
| Stimmen Beziehungen und Kardinalitäten? | ☐ |
| Ist die Filterrichtung geeignet? | ☐ |
| Werden dieselben DAX Measures verwendet? | ☐ |
| Sind Datumsbeziehungen berücksichtigt? | ☐ |
| Sind Visual-, Seiten- und Berichtsfilter verglichen? | ☐ |
| Sind Slicer und Visualinteraktionen geprüft? | ☐ |
| Wurden RLS-Rollen und Benutzerrechte berücksichtigt? | ☐ |
| Ist die Abweichung anhand bekannter Testdaten reproduzierbar? | ☐ |
| Wurde das Ergebnis fachlich freigegeben? | ☐ |
Nicht jede Abweichung erfordert sämtliche Prüfungen.
Die Checkliste dient dazu, mögliche Ursachen nachvollziehbar auszuschließen und technische Änderungen erst auf Basis einer belastbaren Diagnose vorzunehmen.
Power-BI-Datenmodelle und Reporting-Anforderungen mit network4you klären
Wenn Berichte regelmäßig widersprüchliche Ergebnisse liefern, reicht es häufig nicht aus, einzelne Diagramme anzupassen.
Entscheidend ist, ob Datenquellen, fachliche Kennzahlen und technische Berechnungen zuverlässig zusammenarbeiten.
network4you unterstützt Unternehmen bei der Planung und Umsetzung von Business-Intelligence-Lösungen mit Microsoft Power BI.
Dabei können vorhandene Datenquellen, Anforderungen an die Berichterstellung und die technische Struktur der Auswertungen betrachtet werden.
Für Unternehmen mit mehreren Fachabteilungen ist insbesondere wichtig, dass Kennzahlen verständlich definiert und Datenmodelle nachvollziehbar aufgebaut sind.
Je nach Projekt können Themen wie Datenintegration, Datenmodellierung, Berichtsaufbau und die organisatorischen Anforderungen an eine gemeinsame Reporting-Lösung berücksichtigt werden.
Weitere Informationen finden Sie unter Microsoft Power BI Beratung und Reporting-Lösungen für Unternehmen.
Reporting-Anforderungen und Datenquellen mit network4you besprechen
Sie möchten widersprüchliche Kennzahlen untersuchen oder Ihre Power-BI-Berichte auf eine einheitliche Grundlage stellen?
Nennen Sie die betroffene Kennzahl, den Zeitraum, die gesetzten Filter und den erwarteten Wert. Falls die Abweichung nur bei bestimmten Nutzerrollen auftritt, geben Sie das an. Ein anonymisiertes Beispiel genügt für die erste Einordnung.
Vertrauliche Unternehmensdaten, Zugangsdaten oder vollständige Datenbankexporte sollten nicht über allgemeine Kontaktformulare versendet werden.
Fazit – Unterschiedliche Power-BI-Zahlen sind ein Signal zur Ursachenanalyse
Wenn Power BI unterschiedliche Zahlen anzeigt, muss nicht zwangsläufig eine Berechnung fehlerhaft sein.
Häufig entstehen Abweichungen durch unterschiedliche Datenstände, fachliche Definitionen, Tabellenbeziehungen oder Filterkontexte.
Auch DAX Measures, Power-Query-Transformationen und Row-Level Security können das Ergebnis beeinflussen.
Die beste Vorgehensweise besteht darin, die Abweichung zunächst anhand einer klar definierten Kennzahl und bekannter Beispieldaten nachzustellen.
Erst wenn die Ursache nachvollziehbar ist, sollten Datenmodell, Formeln oder Filter verändert werden.
Verlässliches Reporting entsteht nicht dadurch, dass jedes Diagramm dieselbe Zahl zeigt, sondern dadurch, dass jede Kennzahl fachlich richtig definiert und technisch nachvollziehbar berechnet wird.
Häufig gestellte Fragen zu unterschiedlichen Power-BI-Zahlen
Warum zeigt Power BI in zwei Berichten unterschiedliche Zahlen?
Mögliche Ursachen sind unterschiedliche Datenaktualisierungen, Filter, DAX Measures, Tabellenbeziehungen oder Berechtigungen. Auch abweichende fachliche Definitionen können zu verschiedenen Ergebnissen führen. Zunächst sollten Datenstand, Zeitraum und Kennzahlendefinition verglichen werden.
Wie kann ich überprüfen, ob meine Power-BI-Daten aktuell sind?
Im Power BI Service lässt sich der Aktualisierungsverlauf des verwendeten Semantikmodells prüfen. Dabei sollten der letzte erfolgreiche Refresh, mögliche Fehlermeldungen und der verwendete Speichermodus berücksichtigt werden. Auch die Datenquelle selbst muss auf Aktualität geprüft werden.
Können falsche Tabellenbeziehungen zu unterschiedlichen Summen führen?
Ja. Beziehungen bestimmen, wie Filter zwischen Tabellen übertragen werden. Eine ungeeignete Kardinalität, ein falscher Beziehungsschlüssel oder eine unerwartete Filterrichtung kann zu abweichenden Ergebnissen führen. Die Modellansicht hilft bei der Untersuchung.
Warum zeigt ein DAX Measure einen anderen Wert als die Summe einer Spalte?
Measures werden im jeweiligen Filterkontext ausgewertet. Ein Measure kann außerdem zusätzliche Filter anwenden oder bestehende Filter verändern. Deshalb muss das Ergebnis nicht mit einer ungefilterten Spaltensumme übereinstimmen.
Wie finde ich versteckte Filter in einem Power-BI-Bericht?
Prüfen Sie Visual-, Seiten- und Berichtsfilter sowie Slicer, synchronisierte Slicer und gespeicherte Filterzustände. Auch Visualinteraktionen können Ergebnisse beeinflussen. Bei entsprechenden Berechtigungen sollten die Filtereinstellungen der betroffenen Visuals direkt verglichen werden.
Warum sehen verschiedene Benutzer unterschiedliche Werte im selben Power-BI-Bericht?
Eine mögliche Ursache ist Row-Level Security (RLS). Damit können bestimmte Datenzeilen abhängig von Benutzerrollen eingeschränkt werden. Auch Workspace-Berechtigungen und unterschiedliche Filterzustände sollten geprüft werden.
Kann eine Datenaktualisierung falsche Werte in Power BI korrigieren?
Eine Aktualisierung kann Abweichungen beheben, wenn sie durch veraltete importierte Daten verursacht werden. Fehlerhafte Measures, ungeeignete Beziehungen oder unterschiedliche Filterdefinitionen werden dadurch jedoch nicht automatisch korrigiert.
Wie lassen sich einheitliche Kennzahlen in Power BI sicherstellen?
Hilfreich sind zentral definierte KPI-Berechnungen, wiederverwendbare Semantikmodelle, dokumentierte Geschäftsregeln und kontrollierte Änderungen. Wichtige Measures sollten außerdem regelmäßig anhand bekannter Sollwerte getestet werden.
Wann ist eine professionelle Power-BI-Analyse sinnvoll?
Wenn widersprüchliche Kennzahlen mehrere Berichte betreffen, wichtige Geschäftsentscheidungen beeinflussen oder trotz wiederholter Korrekturen erneut auftreten, kann eine strukturierte Analyse von Datenquellen, Datenmodell, Measures und Filterkontext sinnvoll sein.
Power-BI-Abweichung besprechen
Quellen und weiterführende Informationen
- Microsoft Learn – Aktualisieren von Daten in Power BI
- Microsoft Learn – Modellbeziehungen in Power BI Desktop
- Microsoft Learn – Sternschema und Datenmodellierung in Power BI
- Microsoft Learn – Filter zu einem Power-BI-Bericht hinzufügen
- Microsoft Learn – CALCULATE-Funktion und Filterkontext in DAX
- Microsoft Learn – Sicherheit auf Zeilenebene (RLS) in Power BI
- Microsoft Learn – Geplante Datenaktualisierung konfigurieren
