Datenvisualisierung mit Power BI

Lerne, Daten mit Power BI zu analysieren und zu visualisieren – und triff bessere, datenbasierte Entscheidungen.

Aktualisiert 18. Sept. 2026 · 12 Min. lesen

Mit KI erkunden

Als Data Analysts ist es unser Ziel, Erkenntnisse aus Daten so aufzubereiten, dass alle Beteiligten sie verstehen und entsprechend handeln können.

Power BI ist ein cloudbasierter Business-Analytics-Dienst von Microsoft, mit dem jeder Daten schneller und effizienter visualisieren und analysieren kann. Es ist ein leistungsstarkes und zugleich flexibles BI-Tool für das Anbinden und Analysieren unterschiedlichster Datenquellen. Viele Unternehmen halten es sogar für unverzichtbar in datenwissenschaftlichen Projekten. Die einfache Bedienung von Power BI beruht auf einer Drag-and-drop-Oberfläche. Damit lassen sich Aufgaben wie Sortieren, Vergleichen und Analysieren besonders leicht und schnell erledigen. Power BI unterstützt zudem zahlreiche Quellen, darunter Excel, SQL Server und cloudbasierte Datenspeicher – eine hervorragende Wahl für Data Scientists.

1. Überblick über Power BI

Überblick

Power BI ermöglicht es, Daten sowohl on-premises als auch in der Cloud zu analysieren und zu erkunden. Es bietet Funktionen, um benutzerdefinierte Dashboards und interaktive Berichte einfach und sicher mit Kolleginnen, Kollegen und ganzen Organisationen zu teilen.

Power BI Überblick. Quelle: Microsoft

Die Komponenten von Power BI

Power BI besteht aus mehreren Komponenten, die separat verfügbar sind und auch einzeln genutzt werden können.

Power BI Komponenten. Quelle: Wikipedia

Welche Komponente du verwendest, hängt vor allem vom Projekt oder Team ab. Wir arbeiten hier mit dem Power BI Desktop, da er primär für die Erstellung von Business-Berichten und Dashboards am Desktop eingesetzt wird. Meist beginnen alle anderen Arbeiten ebenfalls im Power BI Desktop, wo die Berichtserstellung stattfindet.

Einführung in Power BI

Für einen praxisnahen Einstieg in die Navigation auf der Power BI Plattform empfehlen wir den DataCamp-Kurs Introduction to Power BI.

2. Vorteile von Power BI

Power BI bietet eine Reihe von Vorteilen, die es bestehenden Analysetools überlegen machen:

Bietet sowohl eine Cloud- als auch eine Desktop-Oberfläche.
Unterstützt Funktionen wie Data Warehousing, Data Discovery und interaktive Dashboards.
Erlaubt das Laden eigener Visualisierungen, und
lässt sich problemlos in der gesamten Organisation skalieren.

3. Power BI Desktop

Power BI Desktop ist eine kostenlose Anwendung, die du herunterladen und auf deinem System installieren kannst. Sie lässt sich mit mehreren Datenquellen verbinden. In der Regel beginnt die Analysearbeit im Power BI Desktop, wo Berichte erstellt werden. Anschließend wird der Bericht im Power BI Service veröffentlicht und kann von dort in den Power BI Mobile Apps geteilt werden, sodass Berichte auch mobil verfügbar sind.

Power BI Desktop. Quelle: Microsoft

Installation

Power BI läuft nur auf Windows-Rechnern. Mac-Nutzende können eine Windows-VM in Azure aufsetzen und Power BI dort installieren oder Turbo.net verwenden, um Power BI direkt aus der Cloud auf den Mac zu streamen.

Power BI kann auf zwei Arten genutzt werden:

Als App aus dem Microsoft Store – einfach anmelden und loslegen. Das ist die Online-Variante des Tools.
Die Software lokal herunterladen und installieren. Lies dir vorher die Installationshinweise durch.

Lade je nach gewählter Variante die Software auf deinen Rechner. Nach dem Akzeptieren der Lizenzbedingungen prüfst du die Installation, indem du das Power BI Icon bzw. die App öffnest. Wenn der folgende Bildschirm erscheint, bist du startklar.

4. Erste Schritte

Schauen wir uns nun an, wie du mit Power BI Desktop arbeitest. In diesem Abschnitt machen wir uns mit der Oberfläche vertraut.

Power BI Arbeitsbereich

Die folgende Abbildung zeigt die wichtigsten Bereiche des Power BI Arbeitsbereichs.

Grundlegende Ansichten

Report View: Die Hauptansicht, in der das Dashboard entsteht.
Data View: Zeigt eine Vorschau der gesamten Daten.

Relationship View: Stellt die Beziehungen zwischen verschiedenen Objekten dar.

Verbindung zu einer Datenquelle

Power BI kann mit zahlreichen Datenquellen verbunden werden. Das Symbol Get Data zeigt alle verfügbaren Optionen, über die du Daten in Power BI importieren kannst.

Schauen wir uns ein paar der häufigsten Datenquellen an:

Excel-Daten

Verbinden wir uns mit einer Excel-Datenquelle. Die Arbeitsmappen enthalten beispielhafte Finanzdaten. Lade die Datei hier herunter. Power BI Desktop lädt die Arbeitsmappe, liest den Inhalt ein und zeigt die Daten im Navigator-Fenster an.

Nach dem Laden erscheinen die Daten im Bereich Fields.

Web

Du kannst auch Daten aus dem Web verwenden. Hier ist ein Datensatz mit den besten und schlechtesten US-Bundesstaaten für den Ruhestand.

Link: https://www.bankrate.com/retirement/best-and-worst-states-for-retirement/

Wähle dazu in Get Data die Option Web und gib die URL ein.

Probiere auch andere Datenquellen aus.

5. Daten transformieren

Nach dem Laden werden die Daten unter dem Tab Fields sichtbar. Von hier aus können wir unsere Datasets mit dem Query Editor anpassen – unabhängig von der Datenquelle. Im Query Editor lassen sich etwa Datasets umbenennen oder einzelne bzw. mehrere Spalten entfernen. Du öffnest den Query Editor über Edit Queries im Home-Menü.

Eigene Spalte erstellen

Mit denselben Finanzdaten wie oben formen wir die Daten nach unseren Bedürfnissen. Erstellen wir eine benutzerdefinierte Spalte namens New Manufacturing Price, die gleich ist:

([manufacturing Price])*3

Datentypen ändern

Auch die Datentypen von Spalten lassen sich einfach anpassen. Die Spalte Units Sold hat aktuell einen Gleitkomma-Datentyp und kann auf ganze Zahlen umgestellt werden.

Spalten entfernen

Das Entfernen von Spalten ist ebenfalls unkompliziert. Markiere die entsprechende Spalte und wähle Remove Columns, wie in der Abbildung gezeigt. Entfernen wir die Spalte Discount, da sie unserem Dataset keinen Mehrwert bietet.

Ähnlich lassen sich viele weitere Schritte ausführen, z. B. Zeilen entfernen oder hinzufügen, transponieren, pivotieren und splitten – alles bequem im Query Editor. Beachte: Alle Transformationsschritte erscheinen im Bereich Query Settings.

6. Berichte

Berichte sind Sammlungen von Visualisierungen auf einer oder mehreren Seiten. Diese Visualisierungen stehen in der Regel in Beziehung zueinander.

7. Dashboard

Ein Dashboard ist eine Zusammenstellung mehrerer Ansichten und ermöglicht es, verschiedene Daten gleichzeitig zu vergleichen. Während ein Bericht aus mehreren Seiten bestehen kann, ist ein Dashboard eine Einzelseite.

Ein Dashboard erstellen

Sind die Daten aufbereitet, starten wir mit der Erstellung des Dashboards. Ein Power BI Dashboard, auch Canvas genannt, besteht aus vielen Visualisierungen auf einer Seite, die zusammen eine Geschichte erzählen. Diese Visuals, sogenannte Tiles, werden aus den Berichten an das Dashboard angeheftet.

Sehen wir uns an, welche Insights wir aus dem Superstore-Datensatz ziehen können:

Umsatz nach Land

Umsatz und Gewinn nach Segment

Umsatz & Gewinn nach Monat

Umsatz nach Produkt

Gewinn nach Rabattstufe

Das erstellte Dashboard ist interaktiv – Änderungen an einem Tile wirken sich auf die anderen aus.

8. Power BIs Integration mit R & Python

Neben seinen Visualisierungsvorteilen verfügt Power BI über beeindruckende Konnektivität. Power BI lässt sich problemlos mit Sprachen wie Python und R sowie mit DBMS wie SQL integrieren. Das erweitert die Funktionsvielfalt und ist besonders hilfreich für Data Scientists, die in Python oder R arbeiten. Sie können R- und Python-Skripte direkt im Arbeitsbereich verwenden und von Visualisierungen profitieren, die über das hinausgehen, was die Sprachen von Haus aus bieten.

In diesem Abschnitt lernst du, wie du mit Python- und R-Skripten in Power BI arbeitest. Für SQL in Kombination mit Power BI siehe unser Tutorial SQL with Power BI.

Power BI & R

R ist eine populäre statistische Sprache für anspruchsvolle Analysen und Predictive Analytics, etwa lineare und nichtlineare Modelle, statistische Tests, Zeitreihenanalysen, Klassifikation, Clustering u. v. m. In Kombination mit Power BI hast du Zugriff auf eine stetig wachsende Sammlung an Bibliotheken für statistische Analysen und Data Mining, um tiefere Einblicke zu gewinnen.

Voraussetzungen

Stelle sicher, dass Folgendes lokal installiert und läuft:

R
Eine separate R-IDE wie RStudio.

Wichtig außerdem:

Es werden nur Data Frames importiert.
Jedes R-Skript, das länger als 30 Minuten läuft, wird automatisch beendet.

Prüfe, ob R und RStudio installiert sind. Starte Power BI und gehe zu Options and Settings -> Options

Unter Options wechsle zum Reiter R Scripting und prüfe, ob die richtige R-Version erkannt wird.

R-Skripte in Power BI verwenden

Working with R Scripts in Power BI ist eine hervorragende Ressource zu diesem Thema. Im Folgenden eine kurze Übersicht.

1. R-Skripte zum Datenimport

Manchmal willst du nicht den gesamten Datensatz, sondern nur einen Teil importieren. Mit einem R-Skript kannst du vor dem Laden gezielt bestimmte Spalten oder Zeilen auswählen.

Für diese Demonstration arbeiten wir mit dem bekannten Iris-Datensatz, der in der CRAN-Distribution enthalten ist.

Datasets können auch aus Dateien importiert werden. Hier ein Beispiel, wie du eine CSV-Datei lädst – lade die Datei hier herunter und nutze folgendes Skript:

iris_csv <- read.csv(file="C:/Users/Parul/Desktop/Iris", header=TRUE, sep=",")

Der reine Import per R-Skript ist selten das Ziel. Der Mehrwert entsteht, wenn wir die Daten schon beim Import transformieren. Das folgende Skript nutzt die Funktionen summarize und group_by aus dem R-Paket dplyr, um die Daten vor dem Laden zu gruppieren und zu aggregieren:

Starte RStudio und installiere folgende Pakete:

install.packages("dplyr")  
install.packages("data.table")  
install.packages("ggplot2")

Nutze nun dieses R-Skript, um die Iris-Daten zu importieren. Es entsteht ein neuer Datensatz namens iris_mean, der die Mittelwerte der vier Messgrößen enthält, gruppiert nach der Spalte Species (Quelle: Power BI Introduction).

library(dplyr)

iris_mean <- summarize(group_by(iris, Species),  
slength = mean(Sepal.Length), swidth = mean(Sepal.Width),  
plength = mean(Petal.Length), pwidth = mean(Petal.Width))

2. R-Skripte zur Transformation von Daten

R-Skripte sind hilfreich, wenn du bereits importierte Daten im Arbeitsbereich weiterverarbeiten willst. Angenommen, wir möchten summarize und groupby nach dem vollständigen Import anwenden. Das geht, indem du ein R-Skript im Query Editor ausführst:

3. R-Skripte für Visualisierungen

Mit R-Skripten kannst du in Power BI Visualisierungen erzeugen. Tippe einfach dein Skript ein und lade die benötigten Bibliotheken – die Visualisierung erscheint wie in einer R-IDE. So gehst du vor:

Importiere den Iris-Datensatz in den Arbeitsbereich.
Klicke im Visualisierungsbereich auf R script Visual. Auf der Fläche erscheint ein Platzhalterbild und unten ein Skript-Editor.
Wähle die Felder für das Skript. Nimm PetalLengthCm ,PetalWidthCm und Species. Die Auswahl erscheint unter Values, und ein vorbefülltes R-Skript steht im Editor bereit.
Das Skript erzeugt ein Dataframe namens dataset mit den ausgewählten Spalten. Du kannst hier dein Skript schreiben oder das bestehende anpassen. Füge folgenden Code ein, der die Bibliothek ggplot importiert und ein Streudiagramm erstellt.

      library(ggplot2)  
      ggplot(data=dataset, aes(x=PetalWidthCm, y=PetalLengthCm)) +  
        geom_point(aes(color=Species), size=2) +  
        ggtitle("Petal Widths and Lengths") +  
        labs(x="Petal Width", y="Petal Length") +  
        theme_bw() +  
        theme(title=element_text(size=15, color="blue3"))

Power BI & Python

Python ist eine weit verbreitete Allzweck-Programmiersprache, für die zahlreiche Bibliotheken zur statistischen Analyse und zum Predictive Modeling mit Machine-Learning-Algorithmen verfügbar sind.

Microsoft hat kürzlich die Integration von Python-Skripten in Power BI ermöglicht – so lassen sich Python-Skripte ausführen und Python-Visuals direkt in Power BI darstellen. Sehen wir uns die Schritte an. Zuvor die Voraussetzungen:

Stelle sicher, dass Python lokal installiert und funktionsfähig ist.
Alle benötigten Pakete und Bibliotheken (z. B. pandas, matplotlib) müssen installiert sein.
Aktuell werden nur pandas DataFrames unterstützt.
Jedes Python-Skript, das länger als 30 Minuten läuft, wird automatisch beendet.
Python muss vor der Nutzung aktiviert werden. Starte Power BI und gehe zu Options and Settings -> Options

Unter Options gehe zum Reiter Preview Features und aktiviere „Python Support“.

Starte Power BI neu. Danach findest du das Python-Icon sowohl in den Visualisierungen als auch im Tab Transform.

Es gibt mehrere Wege, Python-Skripte in Power BI auszuführen.

1. Python-Skripte direkt ausführen

Vorgehen:

Wähle Get Data > More > Other > Python script, wie unten gezeigt.

Füge dein Python-Skript in das geöffnete Fenster ein. Klicke auf OK, um das Skript auszuführen; die resultierenden Datasets werden dann in den Power BI Desktop Arbeitsbereich importiert.

2. Visualisierungen mit Python erstellen

Importiere den Datensatz in den Arbeitsbereich. Verwenden wir weiterhin das Financial Dataset eines fiktiven Unternehmens.
Klicke im Visualisierungsbereich auf Python Visuals. Auf der Fläche erscheint ein Platzhalterbild und unten ein Python-Skript-Editor.
Wähle die Felder für das Skript. Nimm Sales und Profit. Die Felder erscheinen unter Values, und das Skript wird im Editor angezeigt.
Das Skript erzeugt ein pandas DataFrame namens dataset mit den ausgewählten Spalten. Du kannst dein Skript hier schreiben oder das bestehende anpassen. Füge folgenden Code ein, der matplotlib importiert und ein Diagramm erstellt.
```
import matplotlib.pyplot as plt  
dataset.plot()  
plt.title("Sales Vs Profit")  
plt.show()
```
Führe das Skript aus, und die Visualisierung erscheint auf der Fläche – so, wie du sie auch in einer Python-Umgebung sehen würdest.

Als Nächstes erstellen wir eine Korrelationsgrafik. Wähle zusätzlich zu den bisherigen Feldern Discounts, gross Sales und Units sold aus und ersetze das Skript durch dieses:
```
import matplotlib.pyplot as plt  
plt.matshow(dataset.corr('pearson'))  
plt.show()
```

Wir können auch weitere Bibliotheken einbinden. Importieren wir Seaborn – stelle sicher, dass es installiert ist. Der Datensatz heißt „Tips“ und ist bei Seaborn meist vorinstalliert. Lade den Datensatz hier herunter und importiere ihn in den Arbeitsbereich. Füge dann folgenden Code in den Editor ein, um die Seaborn-Plots zu erhalten.
```
import matplotlib.pyplot as plt  
import seaborn as sns  
sns.set(style="darkgrid")

sns.relplot(x="total_bill", y="tip", data=dataset)  
sns.relplot(x="total_bill", y="tip", hue="smoker", data=dataset);  
sns.relplot(x="total_bill", y="tip", hue="smoker",col="time", data=dataset);

plt.show()
```

Das Dashboard mit allen Python-Visualisierungen sieht am Ende so aus.

Python Dashboard

9. Speichern und Veröffentlichen

Dateien speichern und exportieren

Du kannst deine Dateien als Power BI Templates speichern. Visualisierungen lassen sich auch als PDF exportieren.

Veröffentlichen

Daten entfalten ihren Nutzen erst, wenn sie geteilt werden. Die erstellten Dashboards oder Berichte lassen sich im Power BI Service veröffentlichen und dann in den Power BI Apps anzeigen oder interaktiv nutzen.

10. Fazit

Das ist alles, was du brauchst, um gelungene Visualisierungen in Power BI zu erstellen – auch wenn du in der Praxis jede Phase oft weiter verfeinerst. Mit Übung und Experimentierfreude wirst du mit Power BI schnell vertraut und nutzt leistungsstarke Features, um Daten zu analysieren und zu präsentieren.