Erweiterte Analysefunktionen in Power BI – Tutorial

Der Analytics-Bereich für Visuals in Power BI

Einige Visuals in Power BI Desktop bieten im Analytics-Bereich die Möglichkeit, dynamische Referenzlinien hinzuzufügen. Beachte, dass nicht alle Optionen für jedes Visual verfügbar sind und bestimmte Visuals, etwa Kombinationsdiagramme wie Linien- und gruppierte Säulendiagramme, im Analytics-Bereich keine Optionen anbieten.

Folgende Arten dynamischer Linien kannst du zu Visuals hinzufügen:

• Konstante Linie (sowie separate konstante Linien für x- und y-Achse)
• Max-Linie
• Min-Linie
• Durchschnittslinie
• Medianlinie
• Perzentillinie
• Symmetrieschattierung
• Trendlinie
• Prognosen

Diese dynamischen Linien liefern wichtigen Kontext für deine Visuals und helfen Nutzerinnen und Nutzern, schneller relevante Insights zu gewinnen. Zeigt ein gruppiertes Balkendiagramm beispielsweise den Umsatz nach Ländern, erkennst du mit einer Durchschnittslinie sofort, welche Länder über oder unter dem Durchschnitt liegen – eine wertvolle Grundlage für weitere Entscheidungen.  

Besonders hilfreich finde ich die Durchschnitts- und die Trendlinie. Schauen wir uns an, wie du sie in deine Diagramme einfügst.

Durchschnittslinie in Power BI-Diagrammen hinzufügen

Im Beispiel fügen wir einem gruppierten Balkendiagramm, das den gesamten Opportunity-Wert nach Produkt zeigt, eine Durchschnittslinie hinzu. Wähle dazu das Symbol „Analytics“ und klicke unter „Average line“ auf „Add line“. Du kannst das Erscheinungsbild der Linie anpassen oder die Standardeinstellungen beibehalten. 

Im folgenden Diagramm siehst du, dass die Produkte von Tablets bis Webcams unter dem Durchschnitt liegen. Ein Unternehmen könnte nun schwächere Produkte auslisten oder die Marketingaktivitäten verstärken, um den Absatz zu steigern. Eine Durchschnittslinie macht sichtbar, wo Handlungsbedarf besteht.

Trendlinie in Power BI-Diagrammen hinzufügen

Im nächsten Beispiel fügen wir einer Zeitreihen-Liniendiagramm eine Trendlinie hinzu, die den gesamten Opportunity-Wert über die Zeit zeigt. Wähle das Symbol „Analytics“. Bei einem kompatiblen Zeitreihendiagramm kannst du eine Trendlinie hinzufügen. Wie bei der Durchschnittslinie lässt sich auch hier Farbe und Linienstil einfach anpassen. 

Im Beispiel unten zeigt sich ein abwärtsgerichteter Trend beim Umsatz über die Zeit. Diese Trendlinie unterstützt Kurzfristprognosen. Kennst du die ungefähre Tendenz deiner Daten, kannst du mögliche zukünftige Werte besser abschätzen. Ohne diese Information fokussiert der Blick oft nur die täglichen Schwankungen, ohne ein klares Gesamtbild zu ergeben.

What-If-Parameter in Power BI-Visuals nutzen

Mit What-If-Parametern kannst du benutzerdefinierte „Was-wäre-wenn“-Szenarien erstellen – ideal für Forecasts. Beobachtet ein Unternehmen beispielsweise jährlich 10% Wachstum, möchte aber verschiedene Wachstumsraten für die kommenden Monate oder das nächste Jahr durchspielen und die Auswirkungen auf KPIs im Power BI-Bericht sehen, helfen What-If-Parameter bei der schnellen Umsetzung. 

In diesem Tutorial fügen wir einen What-If-Parameter hinzu, mit dem wir die Wachstumsrate für unsere Opportunity-Prognose dynamisch steuern. Visualisiert wird der Effekt in einem Liniendiagramm mit Ist-Werten und einer dreimonatigen Prognose.

Um einen What-If-Parameter hinzuzufügen, wähle im Ribbon die Registerkarte Modeling und dann „New Parameter“. Im Dialogfeld vergibst du den Namen (Opportunity Growth Rate), den Datentyp (Dezimal) sowie den Wertebereich (von -1 bis 1 in 0,01-Schritten). Setze den Standardwert auf 0 – diesen Wert nimmt der Parameter an, wenn keine Auswahl getroffen wird. 

Wichtig: Aktiviere die Option, der Seite einen Slicer hinzuzufügen, damit du die Wachstumsrate für die Prognose dynamisch anpassen kannst. 

Der What-If-Parameter erzeugt im Kern eine Tabelle mit einer Spalte für alle angegebenen Einzelwerte im Bereich. Zusätzlich wird ein Measure erstellt, das den ausgewählten Wert aus dieser Tabelle zurückgibt. Dieses Measure nutzen wir in den Berechnungen für die prognostizierten Opportunity-Werte.

Um die Prognose für zukünftige Monate zu berechnen, erstelle eine Datumstabelle, die sowohl den aktuellen Datumsbereich der Daten als auch die benötigten zukünftigen Monate umfasst. Im Beispiel prognostizieren wir drei Monate.

Für die Berechnung der prognostizierten Umsätze erstellen wir ein Measure mit folgender DAX-Formel:

Opportunity Forecast = 

IF( MAX ( 'Opportunity Calendar'[Date] ) > DATE(2021, 09, 21), CALCULATE ( SUM ( Opportunities[Value] ), DATEADD ( 'Opportunity Calendar'[Date], -1, YEAR ) ) * ( 1+'Opportunity Growth Rate'[Opportunity Growth Rate Value] ), SUM ( Opportunities[Value] ) )

Diese DAX-Formel liefert den prognostizierten Opportunity-Wert (erhöht um die Opportunity-Wachstumsrate aus unserem What-If-Parameter), wenn das Datum nach dem jüngsten Datum im Datensatz (21. Sep. 2021) liegt. Andernfalls wird der tatsächliche Opportunity-Wert zurückgegeben. Für eine Anwendung auf aktuelle Daten ersetzt du den Teil DATE(2021, 09, 21) durch die Funktion TODAY().

Zum Schluss fügen wir den tatsächlichen Opportunity-Wert und das Prognose-Measure in ein Liniendiagramm ein, sodass beide Linien übereinanderliegen. Formatiere die Prognoselinie gestrichelt, um den Start der Prognose zu kennzeichnen. Nun kannst du die Wachstumsrate über den Slicer dynamisch anpassen.

KI-gestützte Funktionen

Power BI hat große Schritte gemacht, um mehr KI-gestützte Funktionen in die Plattform zu integrieren. So lassen sich Insights schneller und einfacher aufdecken – auch ohne spezielles Data-Science-Training.

Anomalieerkennung

Die Anomalieerkennung markiert Auffälligkeiten oder Highlights per dynamischer Marker – sie funktioniert allerdings nur mit Zeitreihen-Liniendiagrammen. Der Algorithmus ermittelt den erwarteten Wert für ein Datum und stuft den tatsächlichen Wert basierend auf einem Konfidenzintervall als Anomalie oder nicht ein. 

Im Beispiel unten wurde die Anomalieerkennung auf einen Umsatzverlauf angewandt. Am ausgewählten Datum liegt der tatsächliche Umsatz bei R90k, der erwartete bei R82k mit einer Spanne von R79k bis R85k. Das gilt als Anomalie.

Key Influencers

Key Influencers ist ein Visualisierungstyp, der zeigt, wie wahrscheinlich das Eintreten einer bestimmten Metrik basierend auf von dir gewählten Merkmalen ist. 

Im Beispiel ist eine Opportunity 2,76-mal wahrscheinlicher mit dem Status „Won“, wenn der Rabatt um 0,02 steigt. Das Ergebnis wird im Streudiagramm rechts im Visual illustriert. 

Das Key-Influencers-Visual eignet sich hervorragend, um den Einfluss mehrerer Merkmale zu vergleichen. So findest du schneller heraus, welches Feature am stärksten zu einer Metrik beiträgt und wo sich eine vertiefte Analyse lohnt.

Decomposition Trees

Der Decomposition Tree ist ein Visualisierungstyp, mit dem du Merkmale hierarchisch anordnest und die Aufschlüsselung einer Metrik auf jeder Ebene dieser Hierarchie darstellst.

Im Beispiel unten startet die Visualisierung mit der Metrik Sales Opportunity, die nach Kategorien, Produkten und anschließend Regionen aufgeschlüsselt wird. So siehst du, wie sich der Umsatz über die Elemente jeder Ebene verteilt und welches Element aktuell am stärksten zum Umsatz beiträgt.

Bist du unsicher, welche Aufschlüsselung für deine Metrik am sinnvollsten ist, hilft die Formatierungsoption „AI splits“. Aktivierst du sie, wählt Power BI automatisch das jeweils beste Merkmal – je nachdem, ob es im Vergleich zu anderen den höchsten oder niedrigsten Wert erzeugt.

Das obige Diagramm wurde erstellt, indem für jede Hierarchieebene „High value“ ausgewählt wurde.

Smart Narratives

Smart Narratives ist ein Visualisierungstyp, der ein Textfeld mit einer automatisch generierten Zusammenfassung der wichtigsten Beobachtungen aus den Daten erstellt. Den Text kannst du leicht bearbeiten und formatieren, um Inhalte hinzuzufügen, zu entfernen oder zentrale Punkte hervorzuheben.

Das ist besonders nützlich, um zentrale Erkenntnisse schnell in Präsentationen oder Berichte zu integrieren. Dank der Anpassungsmöglichkeiten lassen sich die Narrative gezielt auf dein Publikum zuschneiden.

Kontextabhängige Insights

Diese Insights variieren je nach Diagrammtyp und Datenlage. Du kannst unter anderem folgende Analysen generieren:

• Erklärung für den Anstieg
• Erklärung für den Rückgang
• Bereiche mit abweichender Verteilung finden (typisch für Balken- und Säulendiagramme mit Kategorievergleich).

Im folgenden Beispiel haben wir einen leicht höheren Punkt per Rechtsklick ausgewählt; im Bereich Analyze erscheint die Option „Explain the increase“.

Diese Option liefert eine detaillierte Analyse vieler Merkmale im Datensatz, die den Anstieg erklären könnten. Meist werden Wasserfalldiagramme angezeigt, alternativ kannst du auch andere Visualisierungen wie Streu-, Säulen- oder Liniendiagramme wählen. Gefällt dir ein Diagramm und du möchtest es zum Bericht hinzufügen, klickst du einfach auf das Plus-Symbol oben rechts im Chart.

Diese kontextabhängigen Insights sind extrem wertvoll, wenn es schnell gehen muss. Ich nutze sie oft, um Ansatzpunkte für weitere Analysen bei plötzlichen Datenänderungen zu finden. Das beschleunigt meine Exploration, weil ich nicht bei null starten muss.

Fazit 

Mit den Tools aus diesem Tutorial erstellst du dynamische, leistungsstarke Analyseberichte.  Erweiterte Power BI-Kompetenzen machen dich nicht nur als Data Scientist wirkungsvoller, sie öffnen dir auch zusätzliche Karriereoptionen – schließlich gehört Power BI zu den gefragtesten Business-Intelligence-Skills am Arbeitsmarkt.  Wenn du tiefer einsteigen willst, schau dir unsere Power BI-Kurse oder den karrierefördernden Power BI Skill Track an.