Power Query: Leistungsprobleme lösen – Ladezeiten optimieren und Fehler vermeiden

Power Query wird langsam? Deine Abfrage braucht 10 Minuten zum laden? Das ist lösbar!

Das klassische Problem: Performance-Probleme entstehen meist durch:

• Zu viele Transformationen (20+ Steps!)
• Filter zu spät (erst am Ende statt am Anfang!)
• Große Datenmengen ohne Optimierung
• Fehlerhafte Quellverbindungen (Network Timeouts!)
• Ungünstige M-Code Patterns

Die Lösung: Performance-Audit durchführen → Bottlenecks finden → Optimieren!

In diesem Tutorial lernst du: Wie du Power Query Performance-Probleme diagnosierst & optimierst für Blitzgeschwindigkeit!

---

1. Performance Probleme erkennen – Die Symptome

Symptom	Ursache	Lösung
Sehr lange Ladezeit (>1min)	Zu viele Zeilen/Spalten? Teure Operationen?	Filter früh, Spalten entfernen, Transformationen vereinfachen
Fehler nach einigen Minuten	Timeout! Server antwortet nicht	Größere Query Timeout setzen oder Split in mehrere Queries
RAM ausgelastet (Excel friert ein)	Zu viele Daten im Memory	Weniger Spalten, Split groß Queries, Load to Power Pivot
Fehler: "Not Enough Memory"	Zu viele Zwischenresultate	Berechnet Columns reducen, Load to Data Model, Smaller chunks
Inkonsistente Fehler (manchmal OK, manchmal Fehler)	Netzwerk instabil oder Server belastet	Query Timeout erhöhen, Server-Load prüfen, Connection testen

Die Wahrheit: 80% der Performance-Probleme = Filter oder Transformationen an falscher Position!

---

2. Die Top 5 Performance-Killer

1. Filter zu spät (am Ende statt am Anfang!)

❌ FALSCH (Langsam!):

let Source = Csv.Document("riesige_datei.csv"), ← 10 Millionen Zeilen! AddedCols = Table.AddColumn(Source, "Calc", each ...), ← Mit 10M! SplitCols = Table.SplitColumn(AddedCols, ...), ← Noch 10M! PivotData = Table.Pivot(SplitCols, ...), ← JETZT 10M pivotieren! FilteredData = Table.SelectRows(PivotData, each [Region]="Nord") ← Erst hier filtern! in FilteredData

🟢 RICHTIG (Schnell!):

let Source = Csv.Document("riesige_datei.csv"), FilteredData = Table.SelectRows(Source, each [Region]="Nord"), ← SOFORT filtern! AddedCols = Table.AddColumn(FilteredData, "Calc", each ...), ← Mit nur 100K SplitCols = Table.SplitColumn(AddedCols, ...), PivotData = Table.Pivot(SplitCols, ...) in PivotData

2. Zu viele Spalten laden (du brauchst nicht alle!)

✅ Best Practice: Nur Spalten laden die du brauchst!

NICHT: Alle 50 Spalten aus DB SONDERN: Table.SelectColumns(Source, {"ID", "Name", "Umsatz", "Datum"}) ← Nur 4!

3. Komplexe Transformationen (Pivot, Unpivot, etc.) auf großen Daten

Pivot mit 10 Millionen Zeilen = Horror!
Lösung: Erst filtern/aggregieren → Dann Pivot auf kleineren Daten!

4. Fehlerhafte Data Type Änderungen

Problem: Table.TransformColumnTypes auf großer Tabelle = langsam!
Bessere Lösung: M-Code Manual Type Change für kritische Spalten nur!

NICHT: Table.TransformColumnTypes(Source, {{"A", type text}, {"B", type number}, ...}) SONDERN: Nur kritische Spalten in Applied Steps!

5. Keine Query Folding (Die M-Code wird nicht auf Source übertragen!)

Query Folding = Magic! Wenn Power Query die Transformationen zur Datenquelle "pusht"
→ Server macht die Arbeit (schnell!) statt Excel (langsam!)
Problem: Viele M-Code Funktionen brechen Query Folding ab!

---

3. Query Folding verstehen – Die Game-Changer

Query Folding = Power Query sendet Filter/Transformationen zur Datenquelle statt lokal zu verarbeiten!

Wie erkennst du Query Folding?

In Power Query Editor:

1. Step auswählen in Applied Steps
2. Rechtsklick → "View Native Query" (wenn verfügbar!)
3. Wenn native Query angezeigt wird → Query Folding aktiv! ✅
4. Wenn "View Native Query" grayed out → Query Folding broken! ❌

Query Folding breakers (vermeiden!):

❌ Text.Combine() – Broken! ❌ Table.AddColumn() mit komplexer Formel – Broken! ❌ List.Transform() – Broken! ❌ Custom Functions – Often broken! ✅ Table.SelectRows() (Filter) – Wird "gefolded"! ✅ Table.SelectColumns() (Spalten) – Wird "gefoldet"! ✅ Table.Sort() – Wird "gefolded"!

---

4. Fallstudie 1: 10M Zeilen Verkaufsdaten – Vor & Nach Optimierung

Szenario: Datenbank mit 10 Millionen Verkaufszeilen

VORHER (Langsam – 5 Minuten!):

Step	Problem	Zeilen
1. Source (DB Query)	Alle 10M Zeilen mit 30 Spalten	10M ❌
2. Add custom Column	Komplexe Berechnung auf 10M	10M 🐌
3. Pivot Region	Pivot 10M Zeilen!	10M 🔥
4. Filter Region	ZU SPÄT!	9.9M

NACHHER (Optimiert – 10 Sekunden!):

Step	Optimierung	Zeilen
1. Source (DB Query mit Filter!)	Nur Region="Nord" + nötige Spalten	100K ✅
2. Select Columns	Nur 5 Spalten brauchen	100K ✅
3. Add Custom Column	Jetzt nur auf 100K!	100K ✅
4. Pivot Region	Viel kleinere Daten	100K ✅

Resultat: 5 Minuten → 10 Sekunden! 🚀 (99% schneller!)

---

5. Best Practices für Performance-Optimierung

✅ Tipp 1: Filter immer am Anfang!

Regel: Wenn du in Datenquelle filtern kannst (SQL WHERE, etc.) → TU ES!
Dann nur noch kleine Daten transformieren!

✅ Tipp 2: Spalten früh selektieren!

Nach dem Filter: Table.SelectColumns() → Nur nötige Spalten!
10M Zeilen × 30 Spalten vs. 10M Zeilen × 5 Spalten = großer Unterschied!

✅ Tipp 3: Query Folding aktivieren!

Komplexe M-Code Funktionen vermeiden → Query Folding bleibt aktiv!
View Native Query prüfen ob Folding noch funktioniert!

✅ Tipp 4: Aggregation VOR großen Transformationen!

Statt 10M Zeilen zu pivotieren → Erst aggregieren (GROUP BY) → Dann Pivot auf 1000 Zeilen!

✅ Tipp 5: Query Timeout erhöhen (für große Daten)!

Power Query Options → Data Load → Query Timeout (Default 10 Minuten)
Für sehr große Operationen → 30 Minuten oder mehr!

---

6. Debugging Performance – Schritt-für-Schritt

Die Checkliste:

Schritt 1: Applied Steps durchgehen

• Klick auf jeden Step → Zeilen zählen in Vorschau
• Wo "explodiert" die Zeilenzahl?
• Wo wird's langsam?

Schritt 2: Query Folding prüfen

• View Native Query verfügbar?
• Wo bricht Folding ab?

Schritt 3: M-Code Analysis

• Advanced Editor öffnen
• Query Folding breaker identifizieren
• Vereinfachen oder anders schreiben

Schritt 4: Restrukturieren

• Filter am Anfang?
• Spalten selektieren?
• Aggregation VOR Pivot/Unpivot?

---

7. Häufige Performance-Fehler & Lösungen

❓ F: Query lädt stunden! Was tun?

A: Emergency Fixes:

• Escape drücken um Query zu canceln
• Last Step removeen (Applied Steps panel)
• Query Timeout erhöhen (Options)
• Aber: Applied Steps analysieren um echtes Problem zu finden!

❓ F: "Not Enough Memory" Fehler!

A: Die Lösung:

• Schnell: Excel neustarten → Memory freigeben
• Mittelfristig: Weniger Spalten laden, Kleinere Datenmengen
• Langfristig: Load to Power Pivot statt Worksheet → Komprimierung!

❓ F: Manchmal schnell, manchmal langsam (inkonsistent!)

A: Wahrscheinlich Netzwerk/Server:

• Server ist belastet? → Zu Spitzenzeiten langsamer
• Netzwerk-Lag? → Test mit kleinerer Query
• Connection ist intermittent? → IT-Team kontaktieren!

❓ F: Kann ich Performance messen (nicht raten)?

A: JA! Tools:

• Power Query profiler: Performance analyzer in Advanced Editor
• DAX Studio: Kostenlose Tool für Timing
• SQL Profiler: Wenn DB-Quelle, was wird auf Server ausgeführt?

---

8. Deine nächsten Schritte

1. Applied Steps durchgehen: Welcher Step dauert lange?
2. Query Folding prüfen: "View Native Query" aktiviert?
3. Top 5 Killer identifizieren: Welche trifft zu?
4. Restrukturieren: Filter am Anfang? Spalten selekt?
5. Testen: Ist es schneller?
6. Query Timeout erhöhen: Wenn nötig
7. Load to Power Pivot: Für große Datenmodelle

---

Checkliste für Power Query Performance

• Ich kenne die Performance-Symptome
• Ich verstehe die Top 5 Performance-Killer
• Ich weiß was Query Folding ist
• Ich kann Query Folding prüfen ("View Native Query")
• Ich weiß welche M-Code Funktionen Folding brechen
• Ich platziere Filter am Anfang (nicht am Ende!)
• Ich selektiere Spalten früh
• Ich aggregiere VOR Pivot/Unpivot
• Ich kann Performance-Probleme diagnostizieren
• Ich optimiere Power Query für Production Use

---

Mit Performance-Optimierungen wird Power Query zur Turbine! 🚀⚡

Power Query und Power Pivot verbinden – Das perfekte Duo für Datenmodelle

Power Query + Power Pivot = Die ultimative Kombination für Business Intelligence! Zusammen bilden sie die perfekte Daten-Maschine.

Das Problem: Du hast riesige Datenmengen:

• Power Query allein: Daten transformieren ✅ aber kein echtes Modell
• Power Pivot allein: Analysen! ✅ aber Daten müssen vorher sauber sein
• Beide einzeln: OK, aber separat = verloren!

Die Lösung: Power Query → Daten sauber machen! Power Pivot → Analytisches Modell bauen! → Zusammen = Perfektion!

In diesem Tutorial lernst du: Wie Power Query & Power Pivot zusammenspielen für Enterprise-Grade Datenmodelle!

---

1. Power Query vs. Power Pivot – Die Rollen verstehen

Aspekt	Power Query	Power Pivot
Funktion	ETL – Daten bereinigen	Analytisches Modell bauen
Was es macht	Extract, Transform, Load	Beziehungen, Berechnungen, Analysen
Best für	Saubere Daten! ✅	Schnelle Analysen! ✅
Komplexität	Transformationen	Relationships, DAX, OLAP
Performance	Schnell bei großen Daten	SCHNELL bei Millionen Zeilen!

Die Wahrheit: Power Query bereitet vor, Power Pivot analysiert! Zusammen sind sie unschlagbar!

---

2. Die perfekte Architektur

Der Workflow:

Schritt 1: Rohdaten einladen (Power Query)

• Verschiedene Quellen (Excel, CSV, DB, Web)
• Power Query lädt & transformiert!

Schritt 2: Saubere Tabellen in Power Pivot (Load to Data Model)

• Statt nur in Excel Blatt laden → Zu Data Model laden!
• Power Pivot erstellt automatisch Tabellen

Schritt 3: Datenmodell aufbauen (Power Pivot)

• Beziehungen zwischen Tabellen (Foreign Keys)
• Hierarchien (Year → Month → Day)
• DAX Measures (Berechnungen)

Schritt 4: Pivot Table / Dashboard (Analyse!)

• Schnelle Pivot Tables vom Modell
• Blitzschnell! Auch mit Millionen Zeilen!

---

3. Load to Data Model – Das Schlüssel-Feature

Das wichtigste Feature: "Load to Data Model" statt nur "Load to Worksheet"!

So machst du's:

Nach Power Query Transformation:

1. Power Query Editor → Home → Close & Load → "Close & Load To..."
2. Dialog öffnet sich
3. ✅ "Add this data to the Data Model"
4. ✅ Auch "Create only connection" aktivieren (optional)
5. OK!

Ergebnis: Daten landen in Power Pivot Data Model, nicht nur im Worksheet!

✅ Best Practice: IMMER "Load to Data Model" nutzen! Excel Sheets nur für Visualisierung!

---

4. Beziehungen in Power Pivot – Das Fundament

Beziehungen = Verbindungen zwischen Tabellen = Das Fundament des ganzen Modells!

Praktisches Beispiel:

Scenario: Verkaufs-Datenmodell mit 3 Tabellen

Tabelle 1: Sales (aus Power Query)

OrderID	CustomerID	Amount	Date
1	C001	1000€	2025-01-15

Tabelle 2: Customers (aus Power Query)

CustomerID	Name	Region
C001	Mustermann	Nord

Tabelle 3: Calendar (aus Power Query oder erstellt)

Date	Month	Year	Quarter
2025-01-15	Januar	2025	Q1

Beziehungen:

• Sales[CustomerID] → Customers[CustomerID]
• Sales[Date] → Calendar[Date]

So erstellst du Beziehungen:

In Power Pivot:

1. Design Tab → Relationships → Manage Relationships
2. New… → Tabellen & Spalten auswählen
3. Sales[CustomerID] zu Customers[CustomerID]
4. OK!

---

5. DAX Measures – Die Intelligenz des Modells

DAX = Data Analysis Expressions = Die Programmiersprache für Berechnungen in Power Pivot!

Einfache Measures:

Total Sales = SUM(Sales[Amount]) Average Order = AVERAGE(Sales[Amount]) Sales Count = COUNTA(Sales[OrderID])

Komplexere Measures:

Sales by Region = CALCULATE( SUM(Sales[Amount]), Customers[Region] = "Nord" ) YoY Growth = VAR CurrentYear = CALCULATE(SUM(Sales[Amount])) VAR PreviousYear = CALCULATE(SUM(Sales[Amount]), DATEADD(Calendar[Date], -1, YEAR)) RETURN (CurrentYear - PreviousYear) / PreviousYear

Das Brillante: DAX Measures sind dynamisch! Wenn du einen Filter in Pivot Table änderst → Measures recalculate instantly!

---

6. Fallstudie 1: Sales Analytics Modell

Szenario: Enterprise mit vielen Verkäufern in vielen Regionen

Setup (Power Query):

1. Sales Daten laden (Millionen Zeilen!)
2. Transformationen: Duplikate weg, Datum formatieren, Spalten umbenennen
3. Load to Data Model ✅

Setup (Power Pivot):

1. Sales ↔ Customers Relationship
2. Sales ↔ Calendar Relationship
3. DAX Measures: Total Sales, Avg Order, YoY Growth, Top Customers

Resultat:

• Pivot Table mit Region Filter → Instant Analyse!
• Performance: Schnell! (Selbst 10M Zeilen!)
• Interaktiv: Filter ändern → Alles updated!

---

7. Fallstudie 2: Finanzen & Budgeting

Szenario: Finanzabteilung mit Actual vs. Budget

Power Query Setup:

• Actual Sales Daten laden
• Budget Daten laden (aus separater Quelle!)
• Beide zu Data Model laden

Power Pivot Setup:

1. Beiden Tabellen zur gleichen Dimension verlinken (Date, Department)
2. DAX Measures:
   Actual = SUM(ActualSales[Amount]) Budget = SUM(BudgetData[Amount]) Variance = [Actual] - [Budget] Variance % = [Variance] / [Budget]

Resultat: Dashboard zeigt sofort: Budget vs. Actual, Variance, Trends!

---

8. Performance Tipps – Große Datenmengen

✅ Tipp 1: Nur nötige Spalten laden!

In Power Query: Spalten die du nicht brauchst → Remove! Kleinere Datenmengen = schneller!

✅ Tipp 2: Beziehungen vom 1:Many, nicht Many:Many!

Viele:Viele Beziehungen sind kompliziert & langsam! Immer 1:Many wenn möglich!

✅ Tipp 3: DAX Measures statt berechnete Spalten!

Calculated Columns = mehr Speicher! Measures = berechnet on-the-fly! Immer Measures für Analysen!

✅ Tipp 4: Aggregate Awareness!

Große Dimensionen (Millionen Kunden)? → Separate Dimension Tables für Performance!

✅ Tipp 5: Compress & optimize regelmäßig!

Data Model Größe → Design Tab → Optimize → Komprimiert Daten!

---

9. Häufige Fehler & Lösungen

❓ F: "Load to Data Model" ist grayed out!

A: Power Pivot noch nicht aktiviert:

• Lösung 1: File → Options → Add-ins → COM Add-ins → Power Pivot aktivieren
• Lösung 2: Excel neustarten
• Lösung 3: Nur Excel 365 & 2021+ – ältere Versionen nicht supported

❓ F: Pivot Table zeigt die Felder nicht!

A: Wahrscheinlich nicht im Data Model:

• Prüfe: Data Model enthält die Tabelle wirklich?
• Power Query → "Load to Data Model" checkbox?
• Wenn nur Worksheet → Pivot Table kann nicht sehen!

❓ F: Beziehung wird nicht erkannt!

A: Häufige Gründe:

• Datentyp: ID in Sales = Text, ID in Customers = Zahl? Muss gleich sein!
• Duplikate: FK Spalte hat Duplikate? Power Pivot will 1:Many
• Null-Werte: Zu viele Null? Kann Beziehung brechen!

❓ F: DAX Measure gibt Fehler!

A: DAX Syntax-Fehler:

• Tipps: Klammer zählen! Syntax checken!
• Best: Einfach starten, dann komplexer bauen!
• Hilfe: DAX Studio (kostenloses Tool) zum debuggen!

---

10. Deine nächsten Schritte

1. Power Pivot aktivieren: In Excel settings
2. Power Query & Power Pivot verstehen: Ihre Rollen
3. Erstes Modell bauen: Mit einfachen Daten
4. "Load to Data Model" nutzen: Nicht zum Worksheet!
5. Beziehungen erstellen: Sales ↔ Customers
6. DAX Measure schreiben: SUM, CALCULATE, etc.
7. Pivot Table erstellen: Vom Modell!
8. Fallstudien nachbauen: Sales & Finanzen

---

Checkliste für Power Query + Power Pivot Mastery

• Ich verstehe die Rollen: Power Query = Clean, Power Pivot = Analyze
• Ich weiß wo Power Query ↔ Power Pivot Grenze ist
• Ich kann Power Query "Load to Data Model" nutzen
• Ich kenne Power Pivot Data Model Konzept
• Ich kann Beziehungen (Relationships) erstellen
• Ich verstehe 1:Many Beziehungen
• Ich kann einfache DAX Measures schreiben
• Ich kann komplexere DAX (CALCULATE) bauen
• Ich kann Pivot Tables vom Modell erstellen
• Ich erstelle echte Datenmodelle für echte Projekte

---

Mit Power Query + Power Pivot meisterst du Enterprise-Grade Datenmodelle! 🚀📊

Power Query: Änderungsprotokoll verstehen – Jede Transformationsstufe im Griff

Applied Steps sind die Geheimwaffe für Transparenz & Debugging in Power Query! Jeder Klick, jede Transformation wird aufgezeichnet – und du kannst jederzeit zurückgehen!

Das Problem: Du hast eine komplexe Abfrage mit 20 Transformationen – aber:

• Wo ist der Fehler? Welcher Step macht das kaputt?
• Warum fehlen plötzlich 100 Zeilen?
• Kann ich einen Step ändern ohne alles neu zu bauen?
• Welche Transformation war nochmal hier?

Die Lösung: Applied Steps Panel! Jeder Step ist sichtbar, bearbeitbar, einfügbar, löschbar!

In diesem Tutorial lernst du: Wie du Applied Steps meisterst für vollständige Kontrolle über deine Transformationen!

---

1. Applied Steps verstehen – Das Herzstück

Applied Steps ist das Änderungsprotokoll deiner Abfrage – das Gegenstück zu Excel's Undo/Redo!

Aspekt	Was es ist	Warum wichtig
Definition	Liste ALLER Transformationsschritte	Vollständige Dokumentation!
Sichtbarkeit	Auf rechts Panel in Power Query Editor	Sofort klar was passiert!
Bearbeitbarkeit	Jeden Step ändern, löschen, einfügen	Volle Flexibilität!
Debugging	Auf einen Step klicken → Vorschau davor	Fehler sofort finden!

Die Magic: Applied Steps = Vollständige Audit-Trail für alle Transformationen!

---

2. Typische Applied Steps in Power Query

Die Standard-Steps:

Step-Typ	Was er macht	Beispiel
Source	Daten laden (erste Step!)	Excel.Workbook("C:\Datei.xlsx")
Navigation	Blatt/Tabelle auswählen	Verkauf Blatt auswählen
Promoted Headers	Erste Zeile als Kopfzeile nutzen	Überschrift: "Kunde, Umsatz, Datum"
Changed Type	Datentyp ändern	Text → Zahl oder Datum
Filtered Rows	Zeilen filtern	Nur Umsatz > 1000€
Removed Columns	Spalten löschen	ID & Kommentar Spalte entfernt
Added Custom	Neue Spalte hinzufügen	Custom Column "Region"
Sorted Rows	Daten sortieren	Nach Umsatz absteigend

---

3. Applied Steps Panel – So funktioniert's

Layout & Navigation:

Das Panel zeigt:

• Oben: "Source" – Der Anfang! (Daten laden)
• Mitte: Alle Steps – Jede Transformation als Eintrag
• Unten: Aktueller Step – Mit Eintrag hervorgehoben

Interaktion:

• Klick auf einen Step: → Vorschau danach anzeigen!
• Rechtsklick auf Step: → Edit, Delete, Insert After
• Drag & Drop: → Steps neu anordnen (manchmal möglich!)

---

4. Debugging mit Applied Steps – Fehler finden!

Das ist die Super-Power: Jedes Mal wenn etwas schiefgeht, kannst du Step-für-Step durchgehen!

Praktisches Szenario:

Problem: Der Report zeigt nur noch 500 Zeilen statt 5000!

Debugging-Prozess:

1. Source anklicken: → 5000 Zeilen ✅ (OK)
2. Promoted Headers: → 4999 Zeilen ✅ (Erwartet)
3. Changed Type: → 4999 Zeilen ✅ (OK)
4. Filtered Rows: → 500 Zeilen ❌ (HIER ist das Problem!)

Erkenntniss: Der Filter-Step entfernt zu viele Zeilen!
Lösung: Step anklicken → Edit → Filter Bedingung überprüfen → Korrigieren!

---

5. Steps bearbeiten – Die Kontrolle haben

Schritt bearbeiten (nicht löschen):

So machst du's:

1. Applied Steps Panel → Step auswählen
2. Rechtsklick → "Edit"
3. Dialog öffnet sich → Bedingung ändern
4. OK → Step wird aktualisiert!

Beispiel: Filter-Step "Umsatz > 1000" zu "Umsatz > 5000" ändern → ALLE nachgelagerten Steps werden sofort aktualisiert!

Schritt löschen:

So machst du's:

1. Rechtsklick auf Step → "Delete"
2. Step ist weg! Alle nachgelagerten Steps bleibt!
3. Aber: Abhängigkeiten? Ggfs. Fehler in nachgelagerten Steps!

Vorsicht: Wenn du "Changed Type" löscht aber nächster Step braucht Text... Fehler! Power Query warnt dich aber!

Schritt einfügen:

So machst du's:

1. Rechtsklick auf einen Step → "Insert Step After"
2. Neuer Step wird eingefügt!
3. Z.B. nach "Filtered Rows" noch einen "Split Column" Step

---

6. M-Code verstehen – Was die Steps wirklich sind

Wichtig zu wissen: Jeder Step ist M-Code! Applied Steps = Schrittweise M-Code Aufbau!

So funktioniert's:

GUI (Applied Steps):

Source → Navigation → Promoted Headers → Changed Type

Ist wirklich:

let Source = Excel.Workbook(File.Contents("...")).Table, Navigation = Source{[Item="Verkauf"]}[Data], PromotedHeaders = Table.PromoteHeaders(Navigation), ChangedType = Table.TransformColumnTypes(PromotedHeaders, ...) in ChangedType

Wichtig: Jeder Step ist ein Zwischen-Ergebnis! Darum sind sie so wertvoll für Debugging!

---

7. Fallstudie: Komplexer Datenbereinigungs-Prozess

Szenario: Chaotische Kundenliste mit vielen Fehler

Applied Steps (Protokoll):

#	Step	Was	Zeilen After
1	Source	CSV laden	1500
2	Promoted Headers	Kopfzeile	1499
3	Changed Type	Datentypen	1499
4	Removed Duplicates	Duplikate weg	1245
5	Filtered Rows	Nur gültig	1190
6	Split Column	Name aufteilen	1190
7	Trimmed Text	Whitespace	1190
8	Added Custom	Region Column	1190

Erkenntnis: Applied Steps zeigen genau wo die "Verluste" sind!
Vorteil: Wenn man den prozess dokumentieren muss → Steps perfekt dafür!

---

8. Best Practices für Applied Steps

✅ Tipp 1: Aussagekräftige Step-Namen

Standardmäßig: "Filtered Rows", "Changed Type", etc.
Besser: Doppelklick auf Step → Namen ändern zu "Filter: Umsatz > 1000", "Format: Datum konvertieren"

✅ Tipp 2: Regelmäßig Applied Steps überprüfen

Nach großen Änderungen → Applied Steps Panel anschauen → Macht Sinn?

✅ Tipp 3: Dokumentation via Step-Namen

"Filter: Nur Q1 2025", "Split: Name aufteilen", "Pivot: Nach Region"
→ Nächste Person versteht sofort was passiert!

✅ Tipp 4: Fehler-Step isolieren

Wenn Error sichtbar wird → Applied Steps durchgehen step-by-step → Wo zuerst Error?

✅ Tipp 5: Steps nicht zu viele!

>50 Steps = zu komplex! Evtl. Abfrage in mehrere kleinere aufteilen!

---

9. Häufige Fehler & Lösungen

❓ F: Applied Steps Panel ist nicht sichtbar!

A: Es wird rechts normalerweise angezeigt:

• Lösung 1: View Tab → Applied Steps anklicken
• Lösung 2: Rechts-Panel versteckt? → Resize by dragging!
• Lösung 3: Power Query neu starten wenn nötig

❓ F: Kann ich Steps auf eine andere Abfrage kopieren?

A: NEIN – Steps sind an Abfrage gebunden!
ABER: M-Code kopieren ist möglich!

• View → Advanced Editor
• M-Code kopieren
• In neue Abfrage einfügen

❓ F: Ein Step hat Fehler – Was tun?

A: Applied Steps zeigt Fehler-Icone:

• Step mit Fehler anklicken → Details sehen
• Rechtsklick → Edit → Problem fixen
• Oder: Step löschen wenn nicht nötig

❓ F: Ich möchte einen Step umbenennen – wie geht das?

A: Super wichtig für Dokumentation!

• Doppelklick auf Step-Name in Applied Steps
• Namen eingeben: z.B. "Filter: Nur Verkäufe"
• Enter
• Fertig!

---

10. Deine nächsten Schritte

1. Applied Steps Panel: Finden und öffnen
2. Eine Abfrage analysieren: Alle Steps ansehen
3. Step klicken: Vorschau davor/danach sehen
4. Step umbenennen: Aussagekräftige Namen
5. Step bearbeiten: Änderung in Step machen
6. Debugging üben: Mit fehlerhafte Abfrage arbeiten
7. M-Code checker: Advanced Editor öffnen & M-Code studieren

---

Checkliste für Applied Steps Meisterschaft

• Ich kann Applied Steps Panel finden & nutzen
• Ich verstehe was jeder Standard-Step tut
• Ich kann einen Step anklicken & Vorschau sehen
• Ich kann Steps umbenennen zu aussagekräftigen Namen
• Ich kann einen Step bearbeiten (Edit)
• Ich kann einen Step löschen (Delete)
• Ich kann einen Step einfügen (Insert After)
• Ich kann Fehler-Steps identifizieren & fixen
• Ich kann M-Code in Advanced Editor sehen
• Ich nutze Applied Steps für Debugging & Dokumentation

---

Mit Applied Steps behältst du Kontrolle über jede Transformation! 🎯📊

Power Query: Abfragen parametrisieren – Berichte für unterschiedliche Zeiträume auf Knopfdruck

Parametrisierung ist der Gamechanger für flexible Reports! Einmal setup → Dann können User verschiedene Zeiträume/Filter auswählen → Rapport aktualisiert sich automatisch!

Das klassische Problem: Du hast einen Report für Januar – aber der Boss fragt:

• "Zeig mir das gleiche für Februar!"
• "Was ist mit Q1?"
• "Vergleich Nord vs. Süd!"
• Und das alles JETZT!

Alt: Stunden Arbeit! Power Query abändern, neuen Report bauen, etc.

Neu: 1 Klick! Parameter setzen → Abfrage aktualisiert sich selbst!

In diesem Tutorial lernst du: Wie du Power Query Abfragen parametrisierst für maximale Flexibilität!

---

1. Parameter vs. Abfragen – Die Grundlagen

Aspekt	Ohne Parameter	Mit Parameter
Flexibilität	Hard-coded (Jan, Feb, Mär)	User wählt über Dropdown/Input!
Wartung	Jeden Monat manuell ändern	Setup einmal, dann auto!
Fehler	Hoch – Manuell vergesslich	0% – Automatisch konsistent
Speed	Stunden pro Report	Sekunden – einfach Refresh!

Die Magic: Parameter = Variablen in Power Query! Einmal setup → Für immer flexibel!

---

2. Parameter erstellen – Schritt für Schritt

Die Idee:

Statt eine Abfrage zu schreiben wie "WHERE Monat = Januar", schreibst du "WHERE Monat = @SelectedMonth" und der User kann auswählen!

Schritt 1: Parameter erstellen

So machst du's:

1. Power Query Editor öffnen (Data → Edit Queries)
2. Home → Manage Parameters → New Parameter
3. Name: "SelectedMonth"
4. Type: Text
5. Default Value: "Januar"
6. Suggested Values: List (Januar, Februar, März, ...)

Schritt 2: Parameter verwenden

In deiner Abfrage:

let Source = ... (Daten laden), FilteredData = Table.SelectRows(Source, each [Monat] = Parameter.SelectedMonth) in FilteredData

Das wichtige: Statt "Januar" hart zu schreiben, nutzt du den Parameter!

---

3. Parameter Typen – Welcher passt?

Parameter-Typ	Best für	Beispiel
Text	Monate, Regionen, Kategorien	"Januar", "Nord", "Premium"
Number	Jahres, Grenzwerte, Mengen	2025, 1000€, 50 Einheiten
Date	Von/Bis Datum, Zeiträume	01.01.2025, 31.12.2025
Logical (True/False)	On/Off, Include/Exclude	true = mit Retouren, false = ohne

---

4. Suggested Values – Der UX-Hit!

Das beste Feature: Suggested Values zeigen dem User eine Dropdown-Liste!

Schritt 1: Dynamische Liste aus Daten

Neue Abfrage erstellen: "MonthList"

let Source = // Von wo kommen die Monate? DistinctMonths = Table.SelectColumns(Source, "Monat"), UniqueMonths = Table.Distinct(DistinctMonths), MonthList = UniqueMonths[Monat] in MonthList

Dann: Im Parameter → Suggested Values = "Query" → "MonthList" auswählen!

Das Brillante: User sieht automatisch die Monate die in den Daten existieren – immer aktuell!

---

5. Fallstudie 1: Monatlicher Verkaufs-Report

Szenario: Verkaufsleiter braucht Berichte für verschiedene Monate

Setup:

1. Parameter "SelectedMonth": Type = Text, Default = "November"
2. Suggested Values: Dynamisch von Daten
3. Abfrage "SalesData":
   let Source = Excel.Workbook(File.Contents("C:\Verkauf\2025.xlsx")), Data = Source{[Item="Daten"]}[Data], FilteredByMonth = Table.SelectRows(Data, each [Monat] = SelectedMonth), GroupedByRegion = Table.Group(FilteredByMonth, {"Region"}, {{"Umsatz", each List.Sum([Umsatz]), type number}}) in GroupedByRegion

Resultat: Boss öffnet Report → Dropdown "November" → "Dezember" wählen → Refresh → Sofort neue Daten! 🎉

---

6. Fallstudie 2: Zeitraum-Vergleich

Szenario: Vergleich zwischen zwei Monaten (z.B. "November vs. Oktober")

Setup:

1. 2 Parameter: "StartMonth" & "EndMonth"
2. Abfrage:
   let Source = ... (Daten laden), FilteredRange = Table.SelectRows(Source, each [Monat] >= StartMonth AND [Monat] <= EndMonth) in FilteredRange
3. Pivot: Nach Monat um Vergleich zu sehen

Resultat: User wählt "Oktober" und "November" → Report zeigt Seite-an-Seite Vergleich! 📊

---

7. Fallstudie 3: Region-Filter

Szenario: Report nur für eine Region

Setup:

1. Parameter "SelectedRegion": Default = "Alle" oder "Nord"
2. Abfrage mit Conditional Logic:
   let Source = ... (Daten laden), FilteredData = if SelectedRegion = "Alle" then Source else Table.SelectRows(Source, each [Region] = SelectedRegion) in FilteredData

Resultat: "Alle", "Nord", "Süd", "West" wählbar → Je nach Wahl andere Daten! 🎯

---

8. Best Practices für Parametrisierung

✅ Tipp 1: Immer Default-Wert setzen!

Wenn User den Parameter nicht setzt → Default verwendet → Report funktioniert trotzdem!

✅ Tipp 2: Suggested Values statt freier Text

Mit Dropdown machen User keine Tippfehler! ("Januar" nicht "jan" oder "JANUAR")

✅ Tipp 3: Mehrere Parameter kombinieren

Month UND Region → Noch flexibler! But: Nicht zu viele! (Max 3-4 pro Report)

✅ Tipp 4: Parameter dokumentieren

Im Excel Sheet eine Hilfe-Seite → "Parameter explanation" → Für andere User hilfreich!

✅ Tipp 5: Validation & Error Handling

Was wenn User ungültige Werte eingibt? → M-Code Check einbauen!

---

9. Häufige Fehler & Lösungen

❓ F: Parameter wird nicht erkannt in der Abfrage!

A: Häufige Gründe:

• Falscher Name: "SelectedMonth" vs "selectedmonth" – Case sensitive!
• Nicht mit # prefixed: In M-Code muss es #"SelectedMonth" sein (mit #!)
• Parameter noch nicht created: Erst Parameter erstellen, DANN in Abfrage nutzen!

❓ F: Suggested Values zeigen sich nicht!

A: Wahrscheinlich Source Query nicht gefunden:

• Prüfe: Ist die "MonthList" Query wirklich erstellt?
• Format: Liste (nicht Tabelle!)
• Power Query neustart wenn nötig!

❓ F: Keine Daten im Report wenn Parameter andere Wert hat!

A: Wahrscheinlich Schreibfehler im Filter:

• Prüfe: Matches der Wert in den Daten? ("Jan" vs "Januar"?)
• Case-sensitive? ("Januar" vs "januar"?)
• Trimme Whitespace: Text.Trim(SelectedMonth)

❓ F: Kann ich mehrere Werte gleichzeitig auswählen?

A: JA, aber komplizierter! Workaround:

• Text-Parameter: "Januar,Februar,März" (mit Kommas)
• In Abfrage: Splitten & filtern nach jedem Wert
• ODER: Verwende True/False Parameter für "Include Januar", etc.

Einfacher: Seperate Parameter pro Monat (zu viel aber!) ODER nur Einzelwahl zulassen!

---

10. Deine nächsten Schritte

1. Parameter verstehen: Konzept & Vorteile
2. Erstes Parameter erstellen: Text-Type mit Default
3. In Abfrage nutzen: Filter mit Parameter
4. Suggested Values setup: Dropdown für User
5. Testen: Parameter ändern → Refresh → Funktioniert?
6. Fallstudien nachbauen: Monat, Zeitraum, Region
7. Mehrere Parameter kombinieren: Für maximale Flexibilität!

---

Checkliste für Power Query Parametrisierung

• Ich verstehe was Parameter sind
• Ich kann Parameter erstellen (Text, Number, Date)
• Ich kann Default-Wert setzen
• Ich kann Suggested Values konfigurieren
• Ich weiß wie man Parameter in Abfrage nutzt
• Ich kann Filter mit Parameter schreiben
• Ich kann Conditional Logic (if/then) nutzen
• Ich kann Errors bei ungültigen Werten handhaben
• Ich kann mehrere Parameter kombinieren
• Ich erstelle parametrisierte Reports in echten Projekten

---

Mit parametrisierten Abfragen schaffst du Reports für alle Szenarien! 🚀📊

Power Query: Spalten aufteilen, pivotieren und entpivotieren – Praxisbeispiele

Power Query ist der König der Datentransformation! Mit 3 Power-Moves wirst du zum Datenmeister: Spalten aufteilen, Pivotieren, Entpivotieren.

Das klassische Problem: Deine Daten sehen chaotisch aus:

• "Mustermann, Max" in einer Spalte → Du brauchst Vor- und Nachname getrennt!
• Breite Tabelle mit Monaten als Spalten → Du brauchst Zeilen statt Spalten!
• Lange Liste mit Monaten als Zeilen → Du brauchst Spalten statt Zeilen!

Die Lösung: Spalten aufteilen (Split), Pivotieren (Wide), Entpivotieren (Long)!

In diesem Tutorial lernst du: Wie du mit 3 Transformations-Tricks messerscharf saubere Daten schaffst!

---

1. Die 3 Power-Transformationen verstehen

Transformation	Was	Problem das es löst	Best für
Split Column	Teile eine Spalte in mehrere auf	"Max Mustermann" → "Max" & "Mustermann"	Namen, Adressen, Datumszeiten
Pivot	Drehe Zeilen zu Spalten	Lange Liste → Breite Tabelle	Zeitreihen (Monate als Spalten)
Unpivot	Drehe Spalten zu Zeilen	Breite Tabelle → Lange Liste	Excel-Reports normalisieren

Das Magic: Diese 3 Transformationen lösen 80% aller "chaotischen Daten" Probleme!

---

2. Split Column – Spalten aufteilen

Das Problem:

Du hast:

Kunde	Umsatz
Mustermann, Max	5000€
Schmidt, Anna	3500€

Du brauchst:

Nachname	Vorname	Umsatz
Mustermann	Max	5000€
Schmidt	Anna	3500€

So machst du's in Power Query:

Schritt 1: Split aufrufen

1. Spalte "Kunde" auswählen
2. Home → Split Column → By Delimiter
3. Delimiter: "," (Komma)

Schritt 2: Ergebnis

• Spalte wird in 2 Spalten aufgeteilt: "Kunde.1" & "Kunde.2"
• Automatisch umbenennen: "Nachname" & "Vorname"
• Optional: Whitespace trimmen (Remove Spaces)

Split Varianten:

Variante	Best für	Beispiel
By Delimiter	Bei Trennzeichen (,;|)	"Max,Mustermann" → 2 Spalten
By Number of Characters	Feste Länge	"202501" → "2025" & "01"
By Positions	Spezifische Positionen	Position 1-4, 5-10, 11-end

---

3. Pivot – Zeilen zu Spalten drehen

Das Problem:

Du hast (Lange Liste):

Produkt	Monat	Umsatz
Laptop	Januar	5000€
Laptop	Februar	6000€
Monitor	Januar	3000€
Monitor	Februar	3500€

Du brauchst (Breite Tabelle):

Produkt	Januar	Februar
Laptop	5000€	6000€
Monitor	3000€	3500€

So machst du's in Power Query:

Schritt 1: Pivot aufrufen

1. Tabelle laden in Power Query
2. Transform → Pivot Column
3. Spalte auswählen: "Monat"
4. Value Column: "Umsatz"
5. Aggregation: Sum (oder Count, Average, etc.)

Schritt 2: Fertig!

• Sofort: Breite Tabelle mit Monaten als Spalten!
• Close & Load → Wunderbar!

Tipp: Pivot ist PERFEKT für Zeitreihen-Daten (Monate, Quartale, Jahre als Spalten!)

---

4. Unpivot – Spalten zu Zeilen drehen

Das Problem:

Du hast (Breite Tabelle):

Produkt	Jan	Feb	Mär
Laptop	5000€	6000€	7000€
Monitor	3000€	3500€	4000€

Du brauchst (Lange Liste - für Analysen!):

Produkt	Monat	Umsatz
Laptop	Jan	5000€
Laptop	Feb	6000€
Laptop	Mär	7000€
Monitor	Jan	3000€
...	...	...

So machst du's in Power Query:

Schritt 1: Unpivot aufrufen

1. Spalte "Produkt" auswählen (die ID-Spalte!)
2. Transform → Unpivot Columns
3. Oder: Select Months → Unpivot Selected Columns

Schritt 2: Ergebnis

• Neue Spalten: "Attribute" (Monat) & "Value" (Umsatz)
• Umbenennen: "Attribute" → "Monat", "Value" → "Umsatz"
• Fertig!

✅ Wann Unpivot? Immer wenn du lange Listen für ANALYSEN brauchst! (Pivot Table, Charts, Filter, etc.)

---

5. Fallstudie 1: HR Daten normalisieren

Szenario: Du bekommst Excel-Report mit Mitarbeiter-Daten

PROBLEM:

Mitarbeiter	Email	Telefon
Mustermann, Max	max.mustermann@company.com	+49-123-456789

Was du machst:

1. Split "Mitarbeiter": By Delimiter "," → Nachname & Vorname getrennt
2. Trim: Whitespace entfernen ("Max" statt " Max")
3. Add Index: Mitarbeiter-ID erstellen
4. Close & Load → Saubere HR-Daten!

---

6. Fallstudie 2: Verkaufs-Dashboard vorbereiten

Szenario: Breite Excel-Tabelle mit Monaten → Du brauchst es für Pivot Table

Input (Breite Tabelle):

Produkt | Jan | Feb | Mär | Apr | Mai Laptop | 100 | 120 | 150 | 180 | 200 Monitor | 80 | 85 | 90 | 95 | 100

Process:

1. Pivot Table braucht lange Liste (nicht breite Tabelle!)
2. Power Query: Unpivot alle Monats-Spalten
3. Rename: "Attribute" → "Monat", "Value" → "Menge"

Output (Lange Liste):

Produkt | Monat | Menge Laptop | Jan | 100 Laptop | Feb | 120 Monitor | Jan | 80 ...

Jetzt: Perfekt für Pivot Table, Diagramme, Filter! 🎉

---

7. Fallstudie 3: Datum aufteilen

Problem: Spalte mit "202501" (Jahr+Monat)

Du brauchst: Separaten Jahr & Monat!

Lösung:

• Methode 1: Split by Number of Characters → 4 & 2
• Methode 2: Custom Column → M-Code: Text.Start([Date], 4) & Text.End([Date], 2)

Resultat:

Original	Jahr	Monat
202501	2025	01

---

8. Best Practices für Transformationen

✅ Tipp 1: Immer Unpivot statt Pivot!

Lange Listen sind BESSER für Analysen (Pivot Table, Diagramme, Filter arbeiten damit besser!)

✅ Tipp 2: Spalten umbenennen am Ende

Erst transformieren, dann umbenennen → Weniger Verwirrung!

✅ Tipp 3: Custom Column für komplexe Splits

Wenn Split nicht perfekt passt → Custom Column mit M-Code nutzen!

✅ Tipp 4: Datentypen nach Transformation checken

Nach Split/Pivot → Datentypen prüfen (Text, Zahl, Datum!) & korrigieren

✅ Tipp 5: Dokumentiere die Schritte

Applied Steps in Power Query zeigen was du gemacht hast → Transparent & wartbar!

---

9. Häufige Fehler & Lösungen

❓ F: Pivot funktioniert nicht – "Fehler beim Aggregieren"!

A: Häufige Gründe:

• Duplikate: Gleiche Produkt+Monat Kombination mehrfach?
• Falsche Spalte gewählt: "Value Column" muss die Zahlenspalte sein!
• Aggregation falsch: Sum statt Count?

Lösung: Vorher mit Group By aggregieren wenn nötig!

❓ F: Split zerlegt meine Daten falsch!

A: Zu viele Trennzeichen?

• Nutze "Split Column" → Advanced Options
• Oder: "By Number of Characters" statt "By Delimiter"

❓ F: Nach Unpivot fehlen mir Kombinationen!

A: Das kann sein, wenn nicht alle Kombinationen existieren!

Beispiel: Produkt A hat Jan-Mär, Produkt B nur Feb-Apr → Unpivot zeigt nur die Daten die es gibt (keine leeren Zellen!)

Lösung: Später mit Fill Down oder Custom Column füllen!

❓ F: Kann ich Split Ergebnisse umbenennen automatisch?

A: Ja! Nach Split → Rename Columns direkt!
Oder: Custom Column mit besseren Namen erstellen!

---

10. Deine nächsten Schritte

1. Split üben: Mit Namen-Spalte testen
2. Pivot verstehen: Lange Liste → Breite Tabelle
3. Unpivot üben: Breite Tabelle → Lange Liste
4. Kombinieren: Split + Pivot zusammen nutzen
5. Datentypen: Nach Transformation prüfen!
6. Fallstudien nachbauen: HR & Verkauf
7. In echten Projekten: Anwenden & optimieren!

---

Checkliste für Power Query Transformationen

• Ich verstehe was Split Column macht
• Ich kann Split by Delimiter nutzen
• Ich kann Split by Number of Characters nutzen
• Ich verstehe Pivot (Zeilen → Spalten)
• Ich kann Pivot mit Aggregation setup
• Ich verstehe Unpivot (Spalten → Zeilen)
• Ich weiß wann Unpivot besser ist (für Analysen!)
• Ich kann Datentypen nach Transformation korrigieren
• Ich kenne die 3 Fallstudien (HR, Verkauf, Datum)
• Ich kann komplexe Transformationen kombinieren

---

Mit Split, Pivot & Unpivot transformierst du chaotische Daten in saubere Analysen! 🚀📊

Power Query: Daten aus Ordnern zusammenführen – Monatliche Dateien automatisch kombinieren

Power Query ist die Lösung für ein klassisches Problem: Hunderte CSV/Excel Dateien manuell kombinieren! Mit Power Query erledigt sich das automatisch.

Das klassische Problem: Jeden Monat neue Verkaufsdatei, jede Region eigene Datei, jeder Mitarbeiter sein Reporting...

• 12 monatliche Dateien kombinieren? Manual copy-paste = Horror!
• 50 regionale Dateien? Ganz vergessen!
• Daten aus mehreren Quellen? Kompilieren ist zeitraubend!
• Neue Dateien kommen dazu? Alles von vorne!

Die Lösung: Power Query! Zeige einen Ordner → Alle Dateien automatisch kombiniert!

In diesem Tutorial lernst du: Wie du Power Query nutzt um automatisch Daten zusammenführst – einmal setup, dann immer wieder abrufen!

---

1. Power Query verstehen – Was ist das?

Power Query ist der ETL-Motor von Excel – Extract, Transform, Load!

Aspekt	Power Query	Vs. Manueller Approach
Geschwindigkeit	Sekunden (auch 1000 Dateien!)	Stunden / Tage!
Fehlerquote	0% – Automatisch!	Hoch – Manuell anfällig!
Skalierbarkeit	100 neue Dateien? Kein Problem!	Muss alles manuell machen!
Aktualisierung	1 Click → Alles neu geladen!	Alles von vorne!

Die Magic: Einmal konfigurieren → Für immer automatisch! Neue Dateien? Nur "Refresh" klicken!

---

2. Voraussetzungen & Zugang

Power Query ist verfügbar in:

Version	Verfügbar?	Wo?
Excel 365	✅ Ja	Data Tab → Get Data
Excel 2021	✅ Ja	Data Tab → Get Data
Excel 2019	✅ Ja (Edit Queries)	Separate "Get & Transform" Tab
Excel 2016-2013	⚠️ Add-in nötig	Microsoft kostenloses Add-in
Excel älter	❌ Nicht verfügbar	Upgrade notwendig!

---

3. Use Case: Monatliche Verkaufsdateien kombinieren

Szenario: Dein Unternehmen erhält jeden Monat Verkaufsdaten von 3 Regionen

Ordnerstruktur:

C:\Daten\Verkauf\ ├── Januar_2025.csv ├── Februar_2025.csv ├── März_2025.csv ... ├── Dezember_2025.csv

Dateiformat (jede Datei):

Datum	Produkt	Menge	Umsatz
01.01.2025	Laptop	5	5000€
02.01.2025	Monitor	10	3000€

Ziel: Alle 12 Dateien in eine Tabelle kombinieren (mit Monat als Spalte!)

---

4. Schritt-für-Schritt: Ordner-Daten kombinieren

Schritt 1: Zur Quelle navigieren

So geht's:

1. Excel öffnen → Neues Sheet
2. Data Tab (oben) → Get Data (oder Get & Transform)
3. From File → From Folder
4. Ordnerpfad eintragen: C:\Daten\Verkauf\

Schritt 2: Dateien laden & kombinieren

Das Power Query Fenster öffnet sich:

• Du siehst eine Tabelle mit ALLEN Dateien im Ordner!
• Spalten: Name, Pfad, Größe, Änderungsdatum
• Es zeigt aber noch nicht den INHALT!

Das Wichtige:

1. Wähle "Content" Spalte → Double-Click
2. Power Query kombiniert automatisch alle Inhalte!
3. Bestätige: "Combine & Load"

Schritt 3: Transformationen vornehmen

Oft brauchst du noch Feintuning:

• Spalte hinzufügen: "Dateiname" oder "Monat" aus Dateiname extrahieren
• Filter setzen: Bestimmte Dateien ausschließen?
• Spalten umbenennen: Klarer für Benutzer
• Datentypen: Zahlen, Datumen korrekt erkennen

Schritt 4: Daten laden

Finish:

• Close & Load
• Alle Daten in Excel-Tabelle → Automatisch aktualisierbar!

---

5. Monatnummer aus Dateiname extrahieren

Oft brauchst du die Monatsinformation aus dem Dateinamen!

Szenario: Dateiname = "Januar_2025.csv"

Ziel: Spalte "Monat" mit Wert "1" (für Januar)

In Power Query:

1. Add Column → Custom Column
2. Formula (Beispiel):
   = if Text.Contains([Name], "Januar") then 1 else if Text.Contains([Name], "Februar") then 2 else ...
3. Oder einfach "Januar" extrahieren & später in Excel als Zahl konvertieren

---

6. Fallstudie 1: Regionale Vertriebsdaten kombinieren

Szenario: 3 Regionen senden monatlich Vertriebsdaten

Ordner-Struktur:

C:\Verkauf_2025\ ├── Region_Nord_2025.csv ├── Region_Sued_2025.csv ├── Region_West_2025.csv

Ziel: Alle 3 in ein Dataset kombinieren → Mit Region als neue Spalte

Power Query Setup:

1. Get Data → From Folder
2. Alle 3 Dateien werden kombiniert
3. Add Custom Column: "Region" = Text.Before([Name], "_")
4. Remove [Name] Spalte (nicht mehr nötig)
5. Close & Load → Fertig!

Nächsten Monat: Nur die Dateien updaten → 1 Click Refresh → Neues Dataset!

---

7. Fallstudie 2: Mehrere Blätter aus einer Datei

Szenario: Eine Workbook mit 12 Sheets (jeden Monat ein Sheet!)

Goal: Alle 12 kombinieren

Power Query Approach:

1. Get Data → From File → From Excel
2. Workbook wählen
3. Navigator zeigt alle Sheets!
4. ABER: "Combine" Funktion funktioniert hier nicht!

Workaround: M-Code (Power Query Sprache):

let Sheets = {"Januar", "Februar", "März", ...}, CombinedData = Table.Combine( List.Transform(Sheets, each Excel.Workbook(Source){[Name=_]}[Data] )) in CombinedData

---

8. Best Practices für Power Query

✅ Tipp 1: Konsistente Dateiname & Struktur

Je konsistenter deine Dateien, desto einfacher Power Query!
GUT: "2025_01_Verkauf.csv", "2025_02_Verkauf.csv"
SCHLECHT: "Jan2025", "februar_2025", "MAR25"

✅ Tipp 2: Testen mit kleinem Datensatz

Erst mit 2-3 Dateien üben → Dann auf alle anwenden!

✅ Tipp 3: Refresh regelmäßig planen

Data → Refresh All (oder Schedule für automatisches Refreshing!)

✅ Tipp 4: Fehlerhafte Dateien isolieren

Nicht alle Dateien haben gleiche Spalten?
Power Query → Remove Errors in Transform Tab!

✅ Tipp 5: M-Code für komplexe Transformationen

GUI reicht oft! Aber für komplexe Logik → M-Code (Power Query Programmiersprache)

---

9. Häufige Fehler & Lösungen

❓ F: Power Query findet die Dateien nicht!

A: Häufige Gründe:

• Falscher Pfad: Kopiere komplett: C:\Users\Name\Documents\Dateien\
• Berechtigung: Kein Zugriff auf Ordner?
• Dateiformat: Power Query erkennt .csv, .xlsx, .tsv

Test: Öffne Ordner im Explorer → Copy full path → In Power Query einfügen!

❓ F: Spalten-Überschriften fehlen nach dem Kombinieren!

A: Power Query erkennt Überschriften nicht immer:

• Home → Use First Row as Headers (Transform Tab)
• Oder manuell: Remove Top Rows → Behalte Header Row

❓ F: Neue Dateien werden nicht automatisch hinzugefügt!

A: Das ist normal! Power Query kombiniert nur die Dateien die beim Setup existiert haben.
Lösung: Regelmäßig Refresh (Data → Refresh All)!
Oder: Neue Abfrage erstellen wenn neue Dateien dazu kommen!

❓ F: Kann ich Power Query automatisch aktualisieren (Schedule)?

A: Ja, aber mit Bedingungen:

• Excel 365: Nur in OneDrive/SharePoint möglich! (Excel web app: Schedule Refresh)
• Excel lokal: Windows Task Scheduler + VBA Macro nötig!

Einfach: Täglich morgens manuell Refresh klicken!

---

10. Deine nächsten Schritte

1. Daten organisieren: Alle Dateien in einen Ordner
2. Dateinamen standardisieren: Konsistentes Format
3. Power Query testen: Mit 2-3 Dateien starten
4. Transformationen: Spalten hinzufügen, umbenennen
5. Laden: Close & Load → Excel-Tabelle
6. Dokumentieren: Erkläre anderen wie Refresh funktioniert
7. Automatisieren: Regelmäßiges Refreshing setup

---

Checkliste für Power Query Datei-Kombination

• Ich habe Power Query installiert/verfügbar
• Meine Dateien sind in einem Ordner
• Dateiformat ist konsistent (.csv, .xlsx, etc.)
• Spalten in allen Dateien sind gleich
• Ich kann von Ordner Daten laden
• Ich kann Content Column kombinieren
• Ich kann Spalten hinzufügen/transformieren
• Ich verstehe Refresh & wie oft nötig
• Ich kann Fehler in Daten beheben
• Ich kenne Alternative: Power Pivot für Analytics

---

Mit Power Query sparst du Stunden beim Daten kombinieren! 🚀⚡