Power BI Summe falsch berechnet: So findest du den Fehler

Definition

Der Fall „Power BI Summe falsch berechnet“ beschreibt Summen-Ergebnisse, die fachlich unerwartet wirken, weil Filterkontext, Datenmodell oder DAX-Logik nicht zur Erwartung passen. Es ist kein Anzeige-Trick, sondern eine Rechenlogik, die strikt nach Beziehungen, Filtern und Datentypen arbeitet.

Einleitung

Wenn Power BI eine Summe „falsch“ zeigt, wird oft zuerst an der Formel geschraubt. Besser ist: erst verstehen, welche Werte Power BI gerade sieht, und warum.

Grundlagen: Was wird in Power BI überhaupt summiert?

Eine Feldsumme (z. B. ein Betrag aus einer Spalte) aggregiert schlicht die Werte, die im aktuellen Bildausschnitt gefiltert sind. Ein DAX Measure berechnet dagegen immer im jeweiligen Filterkontext neu und kann dadurch je Visual, Zeile, Spalte oder Datum andere Ergebnisse liefern.

Wichtig für die Praxis: Power BI ist nicht Excel. In Excel addierst du oft sichtbare Zellen. In Power BI addierst du Daten nach Modell-Logik. Genau das macht Berichte wiederholbar und automatisierbar, aber auch anfällig für Modellfehler.

Feldsumme vs. DAX Measure: Wann ist was richtig?

Für einfache Summen reicht oft eine Spaltensumme: SUMME einer Betragsspalte in einer Faktentabelle. Sobald aber Logik dazu kommt (Rabatte, nur bestimmte Buchungsarten, Zeitlogik, Prozentrechnung), solltest du ein DAX Measure verwenden.

• Feldsumme: gut für „addiere diese Spalte“ und schnelle Checks.
• DAX Measure (z. B. SUM, SUMX): gut für Regeln und konsistente Kennzahlen über viele Visuals.
• SUMX: nötig, wenn pro Zeile erst ein Ausdruck berechnet werden muss (z. B. Menge * Preis) und daraus dann die Summe entsteht.

Die häufigsten Ursachen, warum die Summe „falsch“ wirkt

In der Praxis sind es fast immer diese Themen:

• Filterkontext: Ein Slicer, ein Visual-Filter oder eine Crossfilter-Interaktion nimmt Zeilen raus, ohne dass es auffällt.
• Beziehungen: Ein falscher Join (z. B. Many-to-Many) oder eine inaktive/fehlende Beziehung sorgt dafür, dass Dimensionen nicht sauber auf die Faktentabelle filtern.
• Null vs. BLANK: Null ist ein Wert, BLANK() ist „kein Wert“. SUM ignoriert BLANKs; das kann Zwischensummen leer wirken lassen, obwohl du „0“ erwartest.

Nullwerte, leere Zellen und unvollständige Datensätze

Viele „falsche Summen“ sind eigentlich Datenqualitäts-Themen. Beispiel: Eine Datei enthält Buchungen ohne Datum oder ohne Schlüssel zur Dimension (z. B. Kunde/Projekt). Diese Zeilen landen dann entweder in „(Blank)“-Gruppen oder werden durch Filter gar nicht erfasst.

Pragmatischer Umgang:

• Entscheide fachlich: Soll ein fehlender Wert als 0 gelten oder als „unbekannt“ (BLANK)?
• Mach fehlende Zuordnungen sichtbar (z. B. eigener Prüf-KPI für „unzugeordnete Zeilen“).
• Repariere die Ursache möglichst früh: im Power Query (M) oder in der Datenquelle, nicht erst im Visual.

Rundung, Dezimalstellen und Format: Wenn Zahlen optisch nicht passen

Power BI rechnet mit den echten gespeicherten Werten, nicht mit der gerundeten Anzeige. Wenn Einzelwerte im Bericht auf 2 Dezimalstellen formatiert sind, kann die Summe minimal abweichen, weil intern mehr Nachkommastellen stecken. Das ist besonders bei Prozenten und Währungsumrechnungen sichtbar.

Regel für saubere Kommunikation: Runde entweder konsequent im Measure (bewusst) oder erkläre klar, dass nur die Darstellung gerundet ist. Format ist keine Logik.

Filterkontext & Modell: So erkennst du Filterwirkung schnell

Wenn du wissen willst, warum eine Summe anders ist als erwartet, musst du den Filterkontext sichtbar machen. Der schnellste Weg: eine einfache Matrix mit den relevanten Dimensionen (z. B. Datum, Mitarbeiter, Kunde) und dem Measure. So siehst du, bei welcher Gruppe Werte „verschwinden“.

Typische Modell-Fallen: eine Datumstabelle fehlt oder ist nicht korrekt als Datumstabelle markiert; mehrere Datumsfelder konkurrieren; Filterrichtung ist falsch gesetzt. Das Ergebnis wirkt dann wie „Summe falsch“, ist aber eigentlich „Datum/Beziehung falsch“.

Mini-Beispiel: einfache Summe, kumulierte Summe, Prozent

Eine Umsatz-Summe kann als SUM(‘Fakt’[Betrag]) starten. Für eine kumulierte Summe braucht es zusätzlich Zeitlogik (z. B. über CALCULATE mit passender Datumsauswahl), sonst bleibt der Verlauf sprunghaft oder leer. Bei Prozenten entscheidet der Nenner: „Anteil am Gesamtumsatz“ meint etwas anderes als „Anteil innerhalb des aktuell gefilterten Bereichs“.

Validierung & Fehlersuche: kurze Checkliste

Wenn „power bi summe falsch berechnet“ bei dir akuter Schmerz ist, arbeite diese Reihenfolge ab:

• Rohdaten prüfen: stimmt die Summe in der Faktentabelle (z. B. über Export/SQL/Excel)?
• Kontext prüfen: in einer Matrix die Dimensionen ergänzen, bis der Bruch sichtbar wird.
• Modell prüfen: Beziehungen, Kardinalität, Filterrichtung, Datumstabelle und Datentypen.

Das ist messbar nützlich: Du findest reproduzierbar die Ursache, statt jedes Mal „per Gefühl“ am DAX zu drehen.

Best Practices, damit Summen stabil bleiben

• Baue zentrale Measures für Kennzahlen (Umsatz, Menge, Marge) statt viele Varianten pro Report.
• Trenne Datenaufbereitung (Power Query M) von Kennzahlenlogik (DAX) und Darstellung.
• Lege einfache QA-Kennzahlen an: Anzahl Zeilen, Anzahl BLANK-Zuordnungen, Summen-Checks gegen Kontrolltabellen.

Wann externe Unterstützung sinnvoll wird

Externe Unterstützung lohnt sich, wenn Summen regelmäßig diskutiert werden, mehrere Datenquellen zusammenkommen oder sich das Team nicht sicher ist, ob Modell und Measures „zukunftsfest“ sind. Dann kostet jede Analyse unnötig Zeit, und am Ende bleibt Misstrauen in die Kennzahlen.

Typisch ist auch: Das Team hängt noch in Excel-Logik fest, obwohl das Ziel eigentlich ein automatisiertes Dataset mit klaren Prüfregeln ist. In solchen Fällen bringt ein kurzer Audit auf Modell, Measures und QA-Ansatz meist schneller Klarheit als die nächste Runde Trial-and-Error.