Migration von Excel zu Power BI: Dein 5‑Schritte‑Plan mit Checklisten

Definition

Die Migration von Excel zu Power BI beschreibt die Überführung wiederkehrender Excel-Reports und KPI-Auswertungen in ein zentrales, automatisierbares Power-BI-Reporting. Es ist kein 1:1-Nachbau jeder Datei, sondern eine Standardisierung von Datenmodellen, Kennzahlen und Dashboards.

Einleitung

Wenn Excel dein Reporting trägt, kennst du den Schmerz: manuelle Konsolidierung, Copy-Paste, Versionschaos und Diskussionen über „die richtigen Zahlen“. Die Migration von Excel zu Power BI schafft eine gemeinsame Datenbasis, automatische Updates und Dashboards, die du im Team teilen kannst. Entscheidend: nicht alles auf einmal migrieren, sondern mit klaren Prioritäten starten und den Nutzen messbar machen.

Power BI vs. Excel: der praktische Nutzen im Alltag

Excel bleibt stark für schnelle Ad-hoc-Rechnungen. Für wiederkehrendes Reporting kippt es aber oft: zu viele Dateien, zu viele Formeln, zu wenig Governance.

• Aktualität: Power Query + geplanter Refresh machen Reports verlässlich statt „bitte Datei neu ziehen“.

• Konsistenz: ein Dataset (Datenmodell) liefert einheitliche KPIs, statt zehn Pivot-Varianten.

• Teilen & Security: Inhalte werden im Workspace veröffentlicht, mit Row-Level-Security nach Rolle/Region.

Der 5-Schritte-Plan zur Migration von Excel zu Power BI

Schritt 1: Report-Portfolio priorisieren (Scope festnageln)

Wähle zuerst 3–5 Reports mit hohem Wiederholungsgrad (monatlich/wöchentlich) und klaren Empfängern. Ziel ist ein „Management-ready“ Dashboard, nicht die komplette Excel-Welt.

• Welche Entscheidungen unterstützt der Report (z. B. Liquidität, Umsatz, Projektstatus)?

• Welche Datenquellen stecken drin (ERP, CRM, Excel-Dateien, SQL)?

• Wie hoch ist der manuelle Aufwand pro Zyklus (Stunden) und wo passieren Fehler?

Schritt 2: Daten aufnehmen und bereinigen (Power Query)

Power Query ersetzt wiederkehrende Excel-Handarbeit: Ordner mit Monatsdateien zusammenführen, Datentypen sauber setzen, Kreuztabellen entpivotieren. Der Nutzen für Anwender: Datenbereinigung passiert einmal, danach laufen Updates reproduzierbar.

• Sind Spalten eindeutig benannt und Datums-/Währungsformate korrekt?

• Gibt es „manuelle Hilfsspalten“, die eigentlich Stammdaten sein müssten?

• Ist die Datenquelle stabil genug für regelmäßige Updates?

Schritt 3: Datenmodell bauen (Sternschema) und KPIs definieren

Excel-Formeln werden nicht einfach kopiert, sondern in ein sauberes Modell übersetzt: Faktentabellen (z. B. Buchungen/Belege) plus Dimensionen (Zeit, Kunde, Konten, Produkte). KPIs werden als DAX-Measures definiert, damit alle Visuals dieselbe Logik nutzen.

• Gibt es eine zentrale Zeitdimension (Monat, Woche, Geschäftsjahr)?

• Sind KPIs eindeutig definiert (z. B. Umsatz: Auftrags- oder Rechnungsdatum)?

• Welche Drilldowns sind nötig (bis Beleg/Transaktion)?

Schritt 4: Dashboard bauen, gegen Excel validieren, dann veröffentlichen

Baue zuerst die „eine Wahrheit“: wenige Seiten, klare KPI-Kacheln, Drilldown statt 20 Tabs. Validierung heißt: Zahlen stimmen gegen die bisherige Excel-Logik, inklusive Filter- und Zeitraumregeln. Danach Veröffentlichung im Power BI Service (App/Workspace), damit Nutzer nicht mehr Dateien verschicken.

• Abweichungen dokumentieren: waren es Excel-Fehler oder neue KPI-Definitionen?

• Berechtigungen testen (z. B. Vertrieb sieht nur eigene Region).

• Akzeptanz sichern: 30-Minuten Walkthrough mit den Empfängern.

Schritt 5: Automatisieren und skalieren (Refresh, Quellen, Governance)

Jetzt kommt der ROI-Hebel: automatische Updates (Scheduled Refresh), stabile Anbindungen und klare Ownership. Wenn ihr später mehr Quellen und größere Datenmengen habt, ist ein Fabric-Ansatz (z. B. OneLake als „Gold-Daten“-Ablage) sinnvoll: Auch nicht-IT-affine Nutzer greifen auf geprüfte Daten zu und bauen in Power BI oder Excel darauf auf, ohne neue Schattenlogik.

Typische Herausforderungen (und wie du sie entschärfst)

Die häufigsten Stolpersteine sind selten „Power BI kann das nicht“, sondern fehlende Klarheit im Vorgehen.

• Datenqualität: Inkonsistente Konten, fehlende Schlüssel, manuelle Excel-Mappings. Lösung: erst Datenregeln klären, dann automatisieren.

• Komplexität durch viele Dateien: Tausende Excel-Dateien migriert man nicht, man konsolidiert. Lösung: Top-Reports zuerst, Rest nach Nutzen.

• Refresh-Probleme: persönliche Gateways, lokale Fileserver, instabile Quellen. Lösung: technische Betriebsfähigkeit (Gateway, Service-Accounts, Monitoring) früh mitdenken.

Mini-Beispiel aus der Praxis

Ein Team hat Liquiditäts- und Statusberichte aus mehreren Excel-Dateien manuell zusammengeführt, teils mit Exporten aus ERP und CRM. In Power BI wurde zuerst ein gemeinsames Dataset für Buchungen und offene Posten aufgebaut, dann ein Management-Dashboard mit Drilldown bis auf Belegebene. Ergebnis: weniger manuelle Updates, weniger Abstimmungsrunden und deutlich schnellere Antworten auf Ad-hoc-Fragen.

Budget, Zeitrahmen und ROI: realistische Erwartungen

Für TOFU gilt: Der Aufwand hängt stark vom Scope und der Datenlage ab. Als grobe Leitplanke funktioniert oft: kleiner Start (1–2 Kern-Dashboards) statt Big Bang.

• Zeit: Ein erstes produktives Dashboard ist häufig in wenigen Wochen erreichbar, wenn Datenquellen zugänglich sind und KPIs klar definiert sind.

• Budget: Der größte Kostentreiber ist nicht das Visual, sondern Datenzugriff, Aufbereitung und Abstimmung der KPI-Logik.

• ROI: Messbar wird er über eingesparte Reporting-Stunden, weniger Fehlerkorrekturen und schnellere Entscheidungen (z. B. Abschluss, Forecast, Steuerungsmeetings).

Wann externe Unterstützung sinnvoll wird

Externe Hilfe lohnt sich, wenn der interne Aufwand euch blockiert oder Risiken teuer werden.

• Wenn Datenzugriff und Refresh (Gateway, Service, Security) sauber aufgesetzt werden müssen.

• Wenn KPI-Logik gestritten wird und ihr eine klare Moderation plus Modellierungs-Know-how braucht.

• Wenn ihr schnell starten wollt, aber gleichzeitig euer Team befähigen müsst, damit es nicht an einer Person hängt.