Power BI Vorjahresvergleich: Time Intelligence, die wirklich stimmt

Definition

Ein Power BI Vorjahresvergleich ist ein Zeitvergleich, bei dem Kennzahlen für denselben Zeitraum des Vorjahres berechnet und dem aktuellen Zeitraum gegenübergestellt werden. Er ist keine manuelle Excel-Gegenüberstellung, sondern eine DAX-basierte Time-Intelligence-Berechnung im Modell.

Einleitung

Wenn du heute noch Umsätze aus Excel-Dateien zusammenkopierst, ist der Mehrwert eines Power BI Vorjahresvergleichs sofort spürbar: weniger Handarbeit, weniger Fehlerdiskussionen, schnellere Entscheidungen. Damit das klappt, brauchst du nicht „mehr Charts“, sondern ein sauberes Datumsmodell und ein paar bewährte DAX-Measures. Hier ist der pragmatische Bauplan.

Voraussetzung: Kalendertabelle richtig verknüpfen

Time Intelligence (SAMEPERIODLASTYEAR, DATEADD, PARALLELPERIOD) funktioniert zuverlässig nur mit einer eigenen Kalendertabelle. Diese Date-Tabelle ist die „Steuerzentrale“ für Filter wie Jahr, Monat, Quartal und Tage.

• Kalendertabelle hat eine eindeutige Datumsspalte (ohne Uhrzeit) und keine Duplikate.
• 1:* Beziehung von Kalender[Datum] zur Fact-Tabelle (z. B. Verkäufe[Belegdatum]).
• In Power BI: Kalendertabelle als Datumstabelle markieren (Mark as date table).

Typischer Fehler: Das Datum wird direkt aus der Fact-Tabelle für Slicer genutzt. Dann wirken Zeitfilter in Visuals oft „zufällig“, besonders bei YoY.

Schritt für Schritt: Umsatz Vorjahr mit SAMEPERIODLASTYEAR

Starte immer mit einem Basis-Measure. Für Umsatz ist das meist eine SUM über die Faktspalte:

Umsatz =

SUM ( 'Verkäufe'[Umsatz] )

Jetzt der klassische YoY-Measure. Wichtig: CALCULATE verschiebt den Filterkontext, SAMEPERIODLASTYEAR liefert den passenden Zeitraum aus der Kalendertabelle.

Umsatz Vorjahr =

CALCULATE (

[Umsatz],

SAMEPERIODLASTYEAR ( 'Kalender'[Datum] )

)

Für die Entscheidung im Alltag brauchst du fast immer Abweichung und Prozent:

Umsatz YoY Differenz =

[Umsatz] - [Umsatz Vorjahr]

Umsatz YoY % =

DIVIDE ( [Umsatz YoY Differenz], [Umsatz Vorjahr], 0 )

Nutzen für Anwender: In einem Dashboard siehst du nicht nur „aktuellen Umsatz“, sondern sofort, ob der aktuelle Monat/Quartal gegenüber Vorjahr besser oder schlechter läuft – ohne separate Berechnungen in Excel.

DATEADD vs. PARALLELPERIOD: wann welches?

Beide Funktionen schieben Zeiträume, aber mit unterschiedlichem Verhalten. DATEADD ist flexibler (auch für Tage), PARALLELPERIOD ist oft klar für „ganze“ Perioden wie Quartale.

Vormonat (MoM) mit DATEADD

Umsatz Vormonat =

CALCULATE (

[Umsatz],

DATEADD ( 'Kalender'[Datum], -1, MONTH )

)

Vorquartal (QoQ) mit PARALLELPERIOD

Umsatz Vorquartal =

CALCULATE (

[Umsatz],

PARALLELPERIOD ( 'Kalender'[Datum], -1, QUARTER )

)

Praxisregel: Wenn du auf Monatsebene und Quartalsebene identische Logik willst, bleib konsistent (z. B. alles über DATEADD) – das senkt Fehler- und Wartungsaufwand.

Mini-Praxisbeispiel: Tagesvergleich, Schaltjahr und Datenlücken

Auf Tagesebene kann ein YoY-Vergleich an zwei Dingen scheitern: Schaltjahr (29.02.) und fehlende Daten (z. B. Filiale hatte letztes Jahr geschlossen). Ergebnis sind „komische“ Ausreißer oder BLANK. Ein einfacher Check ist, das Vorjahr als Datumsshift zu berechnen und offensichtliche Lücken sichtbar zu machen:

Umsatz Vorjahr (Tages-Shift) =

CALCULATE (

[Umsatz],

DATEADD ( 'Kalender'[Datum], -1, YEAR )

)

Wenn du am 29.02. einen leeren Vorjahreswert siehst, ist das kein DAX-Bug, sondern ein Datums-Problem. Dann brauchst du eine fachliche Entscheidung (z. B. 29.02. aus Vergleichen ausschließen oder auf 28.02. mappen).

Häufige Fehlerquellen (und wie du sie schnell findest)

• Kalendertabelle nicht markiert oder falsche Beziehung: YoY liefert BLANK oder falsche Totals.
• Datum enthält Uhrzeit: Beziehungen matchen nicht sauber, Vergleiche brechen „leise“.
• Mehrere Datumsbeziehungen (Belegdatum, Lieferdatum): ohne klare aktive Beziehung oder Userelationship wird es inkonsistent.

Quick Check: Baue eine Matrix mit Kalender[Jahr], Kalender[Monat] und den Measures [Umsatz], [Umsatz Vorjahr], [Umsatz YoY %]. Wenn auf Monatsebene plausible Werte kommen, aber die Jahres-Total-Reihe „komisch“ ist, stimmt meist die Filterlogik oder die Kalendergranularität nicht.

Best Practices: Validierung, Messbarkeit, Visualisierung

Vor dem Rollout: validiere gezielt. Das ist die beste Risikominderung, weil du Fehler früh findest und Diskussionen im Fachbereich reduzierst.

• Validierung: Stichprobe je Monat gegen Export nach Excel oder eine Pivot-Tabelle; prüfe zusätzlich Totals (Jahr) gegen Summe der Monate.
• Messbarkeit/ROI: Tracke, wie viele Stunden vorher für Vorjahresvergleiche in Excel gebraucht wurden und wie lange es jetzt dauert, Änderungen im Dashboard zu prüfen.
• Visualisierung: Matrix für Detail (Monat/Tage) plus KPI-Karten für YoY %, und bedingte Formatierung für Differenzen (z. B. mit Ampellogik).

So wird der Vorjahresvergleich nicht nur „schön“, sondern im Alltag nutzbar: weniger Abstimmung, mehr Steuerung.

Wann externe Unterstützung sinnvoll wird

Wenn die Measures zwar laufen, aber die Zahlen nicht vertrauenswürdig sind, liegt es fast nie am DAX allein, sondern am Modell: Kalendertabelle, Beziehungen, mehrere Datumsrollen, oder uneinheitliche Umsatzlogik. Externe Hilfe lohnt sich besonders dann, wenn du das Muster als Standard für viele Reports brauchst und nicht jedes Mal neu debuggen willst.

Fazit

Ein Power BI Vorjahresvergleich ist schnell gebaut, wenn die Kalendertabelle sauber ist und du die DAX-Patterns konsequent nutzt: Basis-Measure, CALCULATE, dann SAMEPERIODLASTYEAR/DATEADD/PARALLELPERIOD. Der eigentliche Gewinn entsteht, wenn du Validierung und Visualisierung so aufsetzt, dass Fachbereiche die Zahlen sofort verstehen und nicht mehr in Excel nachrechnen müssen.