Was sind semantische Modelle in Power BI?

Erfahre mehr über semantische Modelle in Power BI, ihre Komponenten, Modi und Best Practices, um sie zu erstellen und zu verwalten.

Aktualisierte 10. Sept. 2024 · 7 Min. lesen

Als langjähriger Marktführer im Bereich Business Intelligence ebnet Power BI mit seinen ständigen Innovationen den Weg für andere BI-Tools. Das zeigt auch Microsofts Ankündigung von Fabric, der "ersten wirklich einheitlichen Analyselösung, die auf einer Kopie der Daten basiert", von der Power BI eine einzelne Komponente ist.

Der Begriff "Datensatz" in Power BI erfasst daher nicht mehr den vollen Umfang der Funktionalität des Programms. Ein Datensatz enthält nicht nur Daten, sondern auch Transformationen, Berechnungen und Beziehungen als Teil eines umfassenden und vielseitigen Datenmodells (eines semantischen Modells, sozusagen).

Mit unserem Power BI Spickzettel kannst du schnell mit Power BI loslegen - von der Erstellung deiner ersten Visualisierung bis hin zu Power Query und DAX-Berechnungen.

In diesem Blogbeitrag werden wir semantische Modelle definieren und erklären, was ein semantisches Modell ausmacht und welche verschiedenen Modi es gibt. Danach gehen wir darauf ein, wie man semantische Modelle erstellt und verwaltet, und geben dir einige Best Practices an die Hand, die du bei der Erstellung deiner eigenen semantischen Modelle befolgen kannst.

Was sind semantische Modelle in Power BI?

Ein semantisches Modell in Power BI kann als logische Schicht betrachtet werden, die die Transformationen, Berechnungen und Beziehungen zwischen Datenquellen enthält, die zur Erstellung von Berichten und Dashboards benötigt werden. Ein semantisches Modell dient als einzige Quelle der Wahrheit für Berichte in einem Unternehmen.

Bild vom Autor

Ein semantisches Modell kann zwar mit Power BI Desktop (in einer .pbix-Datei) erstellt werden, es muss aber keine Grafiken enthalten. Betrachte ein semantisches Modell als letzte Station in der Datenpipeline, bevor Berichte und Dashboards erstellt werden. Sobald du ein semantisches Modell mit anderen Mitgliedern der Organisation geteilt hast, können diese eine beliebige Anzahl von Berichten und Dashboards aus diesem einen semantischen Modell erstellen.

Semantische Modelle verbergen die komplexen technischen Details hinter den Berichten, sodass sich sowohl technische als auch nicht-technische Nutzer auf die Analyse der Daten und die Beantwortung von Geschäftsfragen konzentrieren können. Die gemeinsame Nutzung und die Wiederverwendbarkeit sind zwei herausragende Merkmale semantischer Modelle.

Werde ein Power BI Datenanalyst

Beherrsche das beliebteste Business Intelligence Tool der Welt.

Kostenloses Lernen Beginnen

Was macht ein semantisches Modell aus?

Semantische Modelle bestehen aus mehreren verschiedenen Elementen:

Datenverbindungen zu einer oder mehreren Datenquellen, entweder importiert, über DirectQuery oder als Teil eines zusammengesetzten Modells.
Transformationen, die die Daten bereinigen und für die Berichterstattung vorbereiten.
Definierte Berechnungen und Metriken auf der Grundlage von Geschäftsregeln, um konsistente Berichte auf der Grundlage des semantischen Modells zu erstellen. Das sorgt für Klarheit und vermeidet Unstimmigkeiten zwischen Analysen und Berichten.
Definierte Beziehungen zwischen Tabellen ermöglichen es den Nutzern, sich auf die Gestaltung von Berichten zu konzentrieren, ohne die zugrunde liegenden Datenbankstrukturen und Datenmodelle vorher zu kennen.

Semantische Modell-Modi

Die Wahl des richtigen Modus für die Verbindung mit deinen Daten in Power BI ist ein wichtiger erster Schritt bei der Erstellung eines semantischen Modells, da jeder Modus Vor- und Nachteile hat, die du kennen musst.

Es gibt drei Arten von semantischen Modellen in Power BI:

Importmodus
DirectQuery-Modus
Komposit-Modus

Importmodus

Dadurch werden die Daten vollständig in die Power BI-Datei (.pbix) geladen. Jedes Mal, wenn der Power BI-Bericht aktualisiert wird, komprimiert und optimiert die Vertipaq Storage Engine die Daten und speichert sie auf der Festplatte. Dies führt zu einer schnellen Leistung und flexiblen Gestaltungsmöglichkeiten für Berichtersteller. Außerdem können Ersteller von semantischen Modellen im Importmodus den gesamten Funktionsumfang von Power Query M nutzen, um Daten umzuwandeln und aufzubereiten, sowie DAX-Funktionen, um Berechnungen und Kennzahlen zu erstellen.

DirectQuery-Modus

Dieser Modus speichert nur Metadaten über die Modellstruktur und nicht die Daten selbst. Wenn das Modell abgefragt wird (z. B. durch das Rendern eines Bildes), werden die Daten aus der zugrunde liegenden Datenquelle abgerufen. Dies ist besonders nützlich bei großen Datenmengen oder wenn ein Bericht nahezu in Echtzeit erstellt werden soll.

Komposit-Modus

Der Composite-Modus ist eine Kombination aus Import- und DirectQuery-Modus. Dieser Modus ist nützlich, wenn die Leistung des Importmodus benötigt wird und gleichzeitig die Möglichkeit besteht, Echtzeitdaten anzuzeigen. Eine Tabelle kann auf den dualen Speichermodus eingestellt werden, damit der Power BI-Dienst je nach Art der Abfrage den effizienteren Modus wählen kann.

5 Schritte zur Erstellung semantischer Power BI-Modelle

Die Erstellung eines semantischen Modells umfasst dieselben Schritte, die du vielleicht schon in der Anfangsphase der Berichtsentwicklung mit Power BI Desktop befolgst. Wenn du ein aufstrebender Datenanalyst bist, kannst du in unserem Skill-Track die Power BI-Grundlagen erlernen. Dort erfährst du alles über Datenvisualisierung, DAX und wie du deine Daten transformieren kannst.

Die genauen Schritte, die du bei der Erstellung eines semantischen Modells befolgst, hängen natürlich von deinen Geschäftsanforderungen und dem Ziel des Modells ab. Im Großen und Ganzen sind diese fünf Schritte bei der Erstellung eines semantischen Modells jedoch häufig anzutreffen:

Bild vom Autor

Importiere oder verbinde dich mit den erforderlichen Datenquellen, indem du den Importmodus, DirectQuery oder zusammengesetzte Modelle verwendest.
Bereinige und transformiere die Daten, um sie für die Nutzer/innen nützlich zu machen. Dabei werden Duplikate entfernt, fehlende Daten korrigiert, textbasierte Datenspalten bereinigt usw. Die genauen Transformationsschritte hängen von den individuellen Anforderungen deiner Daten ab.
Definiere die Beziehungen zwischen deinen Datentabellen mithilfe guter Datenmodellierungsprinzipien wie dem Sternschema. Wir haben einen Kurs, der dir die Grundlagen der Datenmodellierung in Power BI vermittelt.
Erstelle Kennzahlen und Berechnungen, die auf deinen individuellen Geschäftsanforderungen basieren.
Wenn du mit deinem semantischen Modell zufrieden bist, veröffentliche es im Power BI-Dienst.

Semantische Modelle für ein effektives Reporting nutzen

Sobald du dein semantisches Modell erstellt und im Power BI-Dienst veröffentlicht hast, kannst du aus einem anderen Power BI-Bericht heraus eine Live-Verbindung zum semantischen Modell herstellen. Du kannst sogar mehrere Berichte aus einem einzigen veröffentlichten semantischen Modell erstellen und so die Konsistenz und Zuverlässigkeit aller Berichte sicherstellen.

Früher gab es häufig mehrere Power BI-Berichte, die auf demselben Datensatz basierten und jeweils unterschiedliche Datenmodelle enthielten. Dies stellte eine Herausforderung dar, da es große Unterschiede zwischen den Berichten geben konnte und es ziemlich schwierig und zeitaufwändig sein konnte, herauszufinden, was die Ursache für den Unterschied war und welcher Bericht geändert werden musste. Die Erstellung eines einzigen semantischen Modells, das in mehreren Power BI-Berichten verwendet wird, löst dieses Problem vollständig.

Wenn du deine Power BI-Datenvisualisierungsfähigkeiten verbessern und lernen willst, wie du effektive Berichte in Power BI erstellst, haben wir einen Kurs, der dir dabei hilft.

Semantische Modelle verwalten

Semantische Modelle können leicht über Arbeitsbereiche hinweg geteilt werden, wodurch die Daten demokratisiert und eine starke Datenkultur gefördert wird. Dies erfordert jedoch auch eine effektive Verwaltung dieser semantischen Modelle mit geeigneten Kontrollen und Richtlinien, die die Integrität, Sicherheit und Qualität der Daten gewährleisten.

Eigentumsrechte und Genehmigungen

Die Verwaltung der Zugriffskontrolle und der Berechtigungen für semantische Modelle in Power BI kann von Admins, Arbeitsbereichsmitgliedern (je nach ihrer Rolle) und Eigentümern semantischer Modelle (der Eigentümer ist derjenige, der das semantische Modell erstellt hat) vorgenommen werden.

Die Berechtigungen für das semantische Modell können auf zwei Arten festgelegt und verwaltet werden:

Erstens durch die direkte Zugriffskontrolle auf semantische Modelle für einzelne Personen oder ganze Sicherheitsgruppen.
Zweitens, indem du verwaltest, wie semantische Modelle und ihre Berichte mit anderen Nutzern, die nicht im Arbeitsbereich sind, geteilt werden.

Sobald du ein semantisches Modell im Power BI-Dienst veröffentlicht hast, können du (als Eigentümer des semantischen Modells) und Administratoren eine von vier Berechtigungsstufen für das semantische Modell festlegen:

Lies: Ermöglicht Benutzern den Zugriff auf Berichte, die Daten aus dem semantischen Modell und den Einstellungen des Ansichtsmodells verwenden.
Bauen: Ermöglicht es den Nutzern, neue Berichte und Dashboards aus dem Modell zu erstellen.
Erneut teilen: Ermöglicht es Nutzern, anderen Personen Zugriff auf das semantische Modell zu geben.
Schreibe: Erlaubt es den Nutzern, das Modell erneut zu veröffentlichen und einige Änderungen daran vorzunehmen, mit Ausnahme bestimmter Einstellungen, wie z. B. das Hinzufügen oder Ändern von Anmeldeinformationen für die Datenquelle.
Besitzerin: Obwohl es sich nicht um eine Berechtigung im eigentlichen Sinne handelt, werden die Ersteller eines semantischen Modells im Power BI-Dienst zu Eigentümern und haben alle oben genannten Berechtigungen.

Sicherheitserwägungen

Power BI-Administratoren können auch einschränken, wie auf Daten innerhalb ihres Power BI-Tenants zugegriffen, sie geteilt und verändert werden können. Sie können die Wiederverwendung von semantischen Modellen auf der Grundlage von Sicherheitsgruppen ganz oder teilweise einschränken, was sich auf verschiedene Funktionen auswirkt, z. B. auf das Kopieren von Berichten über Arbeitsbereiche hinweg, auf die Bearbeitung von Berichten auf der Grundlage gemeinsam genutzter semantischer Modelle und auf die Sichtbarkeit semantischer Modelle im Power BI Service oder Desktop.

Die Eigentümer der semantischen Modelle kontrollieren auch, wer auf die Daten in ihren semantischen Modellen zugreifen und sie nutzen kann. Sie können semantische Modelle auffindbar machen, indem sie sie zertifizieren oder fördern. Das hilft den Nutzern und den Erstellern von Berichten zu erkennen, welche semantischen Modelle als "offiziell" bezeichnet und in der Organisation als hochwertig angesehen werden.

Die Sicherheit auf Rollenebene (RLS) wird für semantische Modelle und alle daraus erstellten Berichte erzwungen. RLS kann die Fähigkeit von Nutzern beeinträchtigen, die Daten aus einem semantischen Modell zu lesen, wenn sie eine Bau- oder Leseberechtigung haben, es sei denn, die spezifische RLS-Rolle erlaubt dies.

Bewährte Praktiken und Überlegungen

Die Erstellung einer möglichst geringen Anzahl von semantischen Modellen und deren Verwendung als Quelle für Power BI-Berichte in einem Unternehmen ist die anerkannte Best Practice.

Darüber hinaus wird empfohlen, dass die semantischen Modelle:

Umfassend: Semantische Modelle sollten alle Elemente enthalten, die zur Beantwortung relevanter Geschäftsfragen erforderlich sind. Diese Elemente sollten auch die Geschäftssysteme und -prozesse genau und logisch widerspiegeln.
Optimiert und performant: Semantische Modelle sollten so optimiert sein, dass ihre Aktualisierungen, DAX-Berechnungen und visuellen Ladungen schnell sind, auch wenn das Datenvolumen steigt.
Sicher: Semantische Modelle sollten die erforderlichen Sicherheitselemente enthalten, die einen unbefugten Zugriff auf die Daten verhindern (z. B. Sicherheit auf Zeilenebene).
Flexibel: Semantische Modelle sollten an veränderte Geschäftsanforderungen angepasst werden können.

Fazit

Durch die Umbenennung von Datensätzen in semantische Modelle hat Power BI einen Wandel in der Art und Weise bewirkt, wie wir über Business Intelligence denken müssen. Anstatt Daten als statische Komponenten von Berichten und Dashboards zu betrachten, können wir sie als Teil einer größeren semantischen Ebene sehen, die leicht geteilt und wiederverwendet werden kann.

Wenn du die in diesem Blogbeitrag beschriebenen Best Practices befolgst, kannst du effektive und effiziente semantische Modelle erstellen, die als einzige Quelle der Wahrheit für die Berichtsanforderungen deines Unternehmens dienen. Durch die Nutzung semantischer Modelle kannst du sowohl technischen als auch nicht-technischen Nutzern die Möglichkeit geben, Daten zu analysieren und Geschäftsfragen zu beantworten, was letztendlich zu einer besseren Entscheidungsfindung in deinem Unternehmen führt.

Wenn du dich für eine Karriere als Datenanalyst/in in Power BI interessierst, wird dich unser Karriere-Track durch alle Aspekte von Power BI führen und dich auf die Microsoft PL-300 Zertifizierung vorbereiten.

Wenn du die Grundlagen von Power BI bereits erlernt hast, dann entdecke unsere Liste mit 8 Power BI-Projekten, mit denen du deine Fähigkeiten anwenden und dein Portfolio erweitern kannst.