Power Query: Dein Weg aus manuellen Excel-Abfragen

Definition

Power Query ist eine Microsoft-Technologie für ETL (Extract, Transform, Load), die Daten aus Datenquellen abrufen, im Power Query Editor transformieren und in Excel oder Power BI laden kann. Es ist kein Datenbank- oder Data-Warehouse-System, sondern eine Abfrage- und Transformationsschicht mit einer nachvollziehbaren Schrittfolge.

Einleitung

Wenn du jeden Monat ähnliche Dateien importieren, Spalten entfernen, Datentypen ändern und Tabellen kombinieren musst, ist Power Query dein Ausweg aus der Excel-Falle. Statt manueller Abfolge baust du eine Abfrage, speicherst die Schritte und aktualisierst später per Klick. Das spart Zeit, senkt Fehler und macht die Datenbasis stabiler für Power BI und Excel.

Wie Power Query funktioniert: ETL in vier Phasen

Power Query folgt dem ETL-Prinzip, das in modernen BI-Prozessen Standard ist. In der Praxis läuft es in vier Phasen: Daten abrufen, Daten vorbereiten, Ergebnis laden, anschließend regelmäßig aktualisieren.

• Extract: Verbindung herstellen (z. B. CSV/Dateien/Ordner, Excel-Arbeitsmappe und Arbeitsblatt, JSON/XML, Microsoft SQL Server, Access).
• Transform: Bereinigen und anpassen (Zeilen/Spalten filtern, Spalten teilen, Duplikate entfernen, Datentyp ändern, Fehler behandeln, Joins wie Left/Inner).
• Load: Laden als Tabelle in Excel, ins Datenmodell (Power Pivot) oder ins Power-BI-Modell.

Installation & Setup: so startest du in Excel und Power BI

In aktuellen Excel-Versionen ist Power Query integriert. Du findest es im Menüband auf der Registerkarte „Daten“ über „Daten abrufen“ (teils als „Modern Get Data“ Dialogfeld). In Power BI Desktop ist es immer dabei: „Start“ → „Daten abrufen“ → Query Editor öffnen.

Wichtige Setup-Punkte, bevor du Zeit verlierst:

• Windows-Komponente: Für einige Connectoren braucht Excel/Power BI Microsoft Edge WebView2; fehlende Komponente führt sonst zu Verbindungsproblemen.
• Quellen-Zugriff: Kläre früh, ob du auf Datei-Server/SharePoint oder SQL-Datenbanken wirklich zugreifen darfst (Credentials, Rollen, Netzwerk).
• Datentypen: Lege Datentypen (Datum, Zahl, Text) im Editor sauber fest, sonst bekommst du später merkwürdige Werte und fehlerhafte Aggregationen.

Schritt-für-Schritt: erste Power-Query-Abfrage als Checkliste

Diese Checkliste ist bewusst pragmatisch und funktioniert für die meisten wiederkehrenden Excel-Abfragen.

1) Datenquelle verbinden

„Daten abrufen“ wählen, Quelle auswählen (z. B. Ordner, CSV oder Microsoft SQL Server), Verbindung herstellen und im Navigator die Tabelle/Datei auswählen.

2) Transformationen im Editor bauen

Im Power Query Editor die benötigten Schritte anlegen: Spalten entfernen, Zeilen filtern, Datentyp ändern, Spalten umbenennen, „Spalten teilen“, Fehler entfernen. Jeder Schritt wird rechts im Bereich „Angewendete Schritte“ gespeichert und ist später reproduzierbar.

3) Tabellen kombinieren

Für mehrere Tabellen „Abfragen zusammenführen“ (Join) oder „Abfragen anfügen“ verwenden. Bei Joins bewusst wählen: Left Join ist oft der Standard, wenn eine Tabelle „führend“ ist.

4) Laden & Aktualisieren

„Schließen & laden“ nach Excel oder „Schließen & übernehmen“ nach Power BI. Danach reicht „Aktualisieren“, um neue Dateien oder neue Datenmengen aus der Datenbank zu abrufen.

Praxisbeispiel: Monatsordner statt Copy-Paste

Ein typischer Fall: Monatliche CSV-Exporte landen als Dateien in einem Ordner. Früher werden die Tabellen manuell importiert, Spalten angepasst und dann zusammenkopiert.

Mit Power Query verbindest du einmal den Ordner, definierst Transformationen (Datentyp, Spalten entfernen, Duplikate) und lässt Power Query alle Dateien automatisch kombinieren. Nächsten Monat legst du nur die neue Datei ab und klickst auf „Aktualisieren“.

Best Practices & Performance: damit Abfragen schnell bleiben

Power Query kann sehr performant sein, wird aber langsam, wenn man unbewusst gegen die Logik arbeitet. Drei Regeln bringen meist den größten Effekt:

• Früh filtern: Reduziere Zeilen und Spalten so früh wie möglich, bevor du komplexe Transformationen machst.
• Query Folding nutzen: Wenn die Quelle eine SQL-Datenbank ist, sollten Filter und einfache Transformationen zur Datenquelle „durchgereicht“ werden; das spart Datenübertragung und Laufzeit.
• Schritte schlank halten: Vermeide unnötige Zwischenschritte und prüfe, ob Transformationsschritte zusammengefasst werden können (weniger „Angewendete Schritte“).

Power Query im Kontext: Excel, Power BI, Fabric

Power Query ist in Excel und Power BI inhaltlich sehr ähnlich: gleiche Konzepte, gleiche M (Power Query M) Logik, gleiche Idee einer dokumentierten Abfolge von Schritten. Der Unterschied liegt im Ziel: Excel lädt meist in Tabellen oder ins Datenmodell, Power BI lädt in ein semantisches Modell für Berichte.

Wenn Daten in größerem Maßstab für viele Teams bereitgestellt werden sollen, kommt eine Plattform wie Microsoft Fabric hinzu. Der Nutzen: nicht-IT-affine Nutzer können auf saubere „Gold“-Daten zugreifen und direkt in Power BI oder Excel losbauen, statt eigene Abfragen pro Person neu zu erfinden.

Vergleich: Power Query vs. Alternativen

Power Query ist ideal, wenn du schnell und nachvollziehbar Daten transformieren willst, ohne eine eigene ETL-Plattform zu betreiben. Für andere Anforderungen gibt es Alternativen oder Ergänzungen:

• SQL/Views/Stored Procedures: stark, wenn Transformationen zentral in SQL-Datenbanken laufen sollen und IT diese Logik beherrscht.
• SSIS oder Azure Data Factory (ADF): sinnvoll bei vielen Pipelines, komplexem Scheduling, mehreren Zielsystemen und strenger Betriebsführung.
• Manuelles Excel: passt nur, wenn es wirklich selten ist; bei wiederkehrenden Schritten ist es teuer durch Zeit und Fehler.

Lernressourcen: so baust du schnell Kompetenz auf

Für den Einstieg reichen meist drei Bausteine: Microsoft-Dokumentation (Power Query, M, Connectoren), kurze Tutorials zu typischen Transformationen (Spalten teilen, Joins, Fehlerbehandlung) und ein internes Beispielprojekt mit echten Datenquellen.

Wenn du Power Query teamfähig machen willst, sind Schulungen sinnvoll, die nicht nur Klickpfade zeigen, sondern Standards festlegen: Namenskonventionen, Regeln für Datentypen, Abfrage-Struktur und Dokumentation der Schritte.

FAQ zu Power Query

Muss ich programmieren können?

Nein. Die meisten Transformationen laufen über den Editor. M (Power Query M) entsteht im Hintergrund, kann aber bei Bedarf gezielt genutzt werden.

Wie oft kann ich Abfragen aktualisieren?

In Excel per Klick, in Power BI auch geplant im Service (je nach Setup). Entscheidend ist: die Schritte bleiben gleich, nur die Daten werden neu abgerufen.

Lohnt sich der Aufwand wirklich?

Wenn du die folgenden Schritte regelmäßig wiederholst: importieren, bereinigen, Spalten ändern, Tabellen kombinieren. Dann ersetzt eine Abfrage viele manuelle Handgriffe und macht Ergebnisse messbar stabiler.

Welche Voraussetzungen brauche ich?

Zugriff auf die Datenquellen, ein klares Ziel-Tabellenschema (welche Spalten brauchst du wirklich) und die Disziplin, Datentypen und Schritte sauber zu pflegen.

Wann externe Unterstützung sinnvoll wird

Externe Hilfe lohnt sich, wenn Abfragen zu fragil werden, Refresh-Probleme auftreten oder mehrere Datenquellen (Dateien, SQL, Access) konsolidiert werden sollen und niemand die End-to-End-Verantwortung übernimmt. Ebenfalls sinnvoll: wenn ihr Standards für Abfragen, Namensgebung, Governance und Übergabe braucht, damit nicht jede Person ihre eigene „Abfrage-Welt“ baut. Dann wird aus Power Query ein Baustein für verlässliches BI statt ein weiterer Excel-Workaround.

Fazit

Power Query ist der pragmatische Weg, Abfragen in Excel und Power BI von manuellen Einzelschritten zu wiederholbaren ETL-Prozessen zu machen. Der Nutzen entsteht nicht durch mehr Technik, sondern durch weniger Copy-Paste, weniger Fehler und eine Datenbasis, die sich per „Aktualisieren“ verlässlich erneuert. Wer klein startet, saubere Datentypen setzt und Transformationen schlank hält, sieht den Effekt meist sehr schnell.