Unser BLOG ControllingExcellent ist im Oktober 2021 umgezogen und ist nun hier zu finden. Er bildet jetzt eine Einheit mit unserer Website. Sie folgen uns bisher direkt oder per Mail und haben daher über Push-Nachrichten von neuen BLOG-Beiträgen erfahren. Diese Push-Nachrichten gibt es nicht mehr. Möchten Sie weiterhin regelmäßig von neuen BLOG-Beiträgen erfahren, so könnten Sie sich in unseren Newsletter-Verteiler eintragen.
Unser Newsletter erscheint weiterhin zwischen mit sechs bis acht Ausgaben pro Jahr. Der nächste Newsletter ist für den 01. April 2022 geplant und hat einen Schwerpunkt in der Pivot-Tabelle. Das Chart des Monats ist natürlich auch wieder dabei. 😉
Seit wir 1993 das erste Mal unser Seminar Excel für Controller durchgeführt haben, werden wir immer wieder gefragt, welches die wichtigsten Excel-Funktion(alität)en für Controller sind. Das hängt natürlich immer davon ab, welchen Aufgaben im Controlling und Finanzwesen man mit Excel nachkommen möchte. In diesem BLOG gibt es bereits einen Beitrag zu den wichtigsten Features. Dennoch wollen wir die uns permanent gestellte Frage hier aus einer anderen Perspektive beantworten.
Ich werde oft gefragt: wo ist denn in Power BI die Pivottabelle?
Des Controllers Lieblings-Instrument in Excel gibt es in dieser interaktiven Form von Excel nicht. Aber es gibt etwas sehr ähnliches: das Matrix-Visual!
Im Teil 1 unserer Reihe über Power BI Visuals möchten wir dieses Visual nun etwas näher unter die Lupe nehmen.
Power Query bietet in seiner Benutzeroberfläche den enorm praktischen Befehl „Andere Spalten entfernen“. Mit diesem Befehl kann man recht einfach die Spalten definieren, die unbedingt dem Modell hinzugefügt werden sollen. So kann sichergestellt werden, dass Änderungen von Kolleg*Innen an den Datenquellen (z.B. das Hinzufügen von Spalten entgegen von Absprachen) nicht zu Fehlermeldungen führen. Sind die für das Modell wichtigen Spalten in großen Abständen zu finden, kann das Markieren dieser Spalten recht mühselig sein. Mit folgendem kleinen Trick gibt es eine Erleichterung.
Wenn Sie mit aus Ihren IT-Systemen importierten Dateien arbeiten, kommt es immer wieder vor, dass Zeichenfolgen verbunden (=verkettet) werden müssen. Die Ursachen dafür sind vielfältig. Wenn Sie mit Power Query Dateien in ein Modell laden, um Sie dann zu transformieren (z.B. Zeichenfolgen verketten), so gibt es für die Verbindung zwei Möglichkeiten. Beide werden in diesem Beitrag vorgestellt. Power Query ermöglicht es nämlich zwei oder mehr Spalten Abfrage zusammenführen. Sie können Spalten zusammenführen, um sie durch eine zusammengeführte Spalte zu ersetzen, oder Sie können neben den Spalten, die zusammengeführt sind, eine neue zusammengeführte Spalte erstellen.
Zeichen in einer Zeichenkette trennen und auf mehrere Spalten aufteilen? – Ein alter Hut werden Sie abwinken, wenn Sie diese Zeilen lesen. Das lösen Sie in Excel mit Daten ●Text in Spalten, oder mit einer der Text-Funktionen oder in Power Query mit Spalte Teilen. Dabei nutzen Sie die festen Spaltenbreiten aus, oder dass es Trennzeichen gibt, nach denen die Trennung vollzogen werden kann. Was aber, wenn Sie eine Numerische/Nichtnummerische Zeichenfolge trennen wollen, bei der der Übergang nicht an der gleichen Stelle erfolgt? Dafür gibt es in Power Query einen tollen Befehl, besser gesagt zwei! Getreu dem Motto: Rechts die Maus und links die Kaffeetasse!
Mit seinen Power Tools (Power Query, Power Pivot, Power BI & Co. ) stellt Microsoft Business Analytics-Lösungen zur Verfügung, mit denen Sie Daten aus unterschiedlichsten Datenquellen extrahieren und in einem Modell zusammenführen, dann verdichten, analysieren und visualisieren können.
Die Informationen, die aus den Daten gewonnen werden sollen dabei valide, praxisbezogen und verständlich sein. Noch dazu sollen die Modelle Auswertungen nach wechselnden Kriterien unterstützen und flexibel erweiterbar sein.
Mit welchen Methoden kann man dieses komplexe Ziel erreichen?
Für die Verständlichkeit sorgen Sie selbst durch die Auswahl des Reporting Designs und der Visualisierungen. Die Reports selbst müssen aber auch performant sein, da lange Wartezeiten bei Aktualisieren oder beim Drilldown den Arbeits- und Gedankenfluss stören. Und sie müssen flexibel sein, damit man bei der Datenanalyse relativ frei nach beliebigen Kriterien auswerten kann, also nicht durch die Datenstrukturen schon in bestimmte Richtungen gezwungen wird. Beispielsweise kann eine Vertriebsanalyse sowohl nach Datum, wie nach Region oder Produkt interessant sein. Daneben könnte aber auch eine Analyse nach Kundengruppe, Bestellmenge oder gar Wetter interessant sein.
Setzen wir einfach einmal voraus, dass die erforderlichen Informationen überhaupt vorhanden sind (was leider in der Realität im ersten Schritt nicht mal sicher ist). Damit Daten flexibel ausgewertet werden können, darf die Struktur der Speicherung möglichst wenige Einschränkungen vorgeben.
Hier könnte man zwischen zwei grundsätzlich unterschiedlichen Ansätzen der Modellierung unterscheiden: Stern – und Schneeflocken-Schema
Meist gibt es eine zentrale Tabelle, die sogenannte Faktentabelle, die die Daten enthält, etwa Umsatzzahlen, Absatzzahlen, Plandaten, Kontostände etc. Diese sind meist numerisch und besitzen eine Skala wie Stück, Euro, Tage oder ähnliches. Sie besitzen auch Zusatzinformationen etwa zu Kunden, Regionen, Produkten. Diese Informationen werden aber nicht in der zentralen Datentabelle gespeichert – dort sind lediglich Schlüsselkriterien hinterlegt, die auf andere Tabellen verweisen.
Zu diesen Schlüssel gibt es mehrere Zusatztabellen, sogenannte Dimensionstabellen.
Bei Stern-Schema beziehen sich nun alle oben genannten Schlüssel der Faktentabelle direkt auf eine Dimensionstabelle, aus der die Zusatzinformationen dann ausgelesen werden können (man kann sich das wie den guten alten SVERWEIS vorstellen).
Stern-Schema (Quelle: Microsoft)
Beim Schneeflockenmodell dagegen können auch den Dimensionstabellen weitere Schlüssel und nochmal Dimensionstabellen zugeordnet werden.
Schneeflocken-Schema (Quelle: Wikipedia)
Für eine flexible Auswertung ist das Stern-Schema am besten geeignet, da es erlaubt, mithilfe von Gruppieren, Pivotieren etc. beliebige Verdichtungen in den gewünschten Dimensionen zu erstellen. In EXCEL-Denkweise: es lässt uns, wie in einer Pivottabelle, die Gruppierungkriterien beliebig tauschen.
Beim Schneeflocken-Schema wäre dies schwerer, da für unterschiedliche Auswertungen jeweils eigene Abfragen erzeugt werden müssten.
Zur Aufbereitung der Rohdaten dienen Tools wie Power Query, die eine Normalisierung der Daten, d.h. die Aufteilung der gelieferten Daten in Dimensions- und Faktentabellen mit relativ wenig Aufwand ermöglichen.
Das Wasserfalldiagramm ist ein Säulendiagrammen, das auch als Brücken- oder Treppendiagramm bezeichnet wird. Es ist sehr gut geeignet, um die Entwicklung / Veränderung eines Wertes und seiner Einflussgrößen zu visualisieren . Seit der Version Excel 2016 wird dieser Diagrammtyp angeboten, der einfach zu bedienen und zu formatieren ist, wenn man weiß wie! 🙂
In einem der großen Unternehmen der Pharmabranche haben wir einen Performance-Report zu den Themen Prozesszeiten, Reklamationsquoten usw. überarbeitet. War er vorher 75 MB groß und mit dem Aufwand von drei Personentagen pro Monat aktualisiert, so ist er jetzt 750KB groß und permanent aktualisierbar, bei verbesserter Performance. Aufwand für die Entwicklung der Power Query-Lösung ca. 1 Personentag. Mehr dazu hier.
Mit Power Query können Sie externe Daten in Ihre Excel-Modell importieren und dabei diese Daten (Struktur, Datentypen usw.) so verändern, dass sie in die gewünschte Zielstruktur geladen werden und Ihren Anforderungen entsprechen. Sie investieren also lediglich einmalig Zeit, um den Prozess zum Laden & Transformieren der gewünschten Daten zu entwickeln! Anschließend können Sie die Daten manuell oder automatisch aktualisieren, um so im Zielmodell die Daten permanent mit dem neuesten Stand der Datenquellen zu erhalten.
In diesem Beitrag erhalten Sie eine (nicht vollständige, aber ständig wachsende) Übersicht von Power Query-Lösungen aus unserer Projekten:
