Modellieren von Daten in Power BI

Fortgeschrittene Anfänger
Datenanalyst
Power BI

Der Erfolg mit Power BI beginnt bei einem hervorragenden Datenmodell. In diesem Modul erfahren Sie, wie Sie ein Datenmodell entwerfen, das intuitiv, leistungsstark und einfach zu verwalten ist. Sie erfahren mehr über die Verwendung der DAX-Sprache zum Erstellen von Measures. Measures helfen Ihnen bei der Erstellung einer Vielzahl von Analyselösungen. Zusätzlich erfahren Sie, wie Sie die Leistung mit Power Query-Datenabruftasks verbessern können.

Dieser Lernpfad unterstützt Sie bei der Vorbereitung auf die Zertifizierung „Microsoft Certified: Data Analyst Associate“.

Voraussetzungen

Keine

Module in diesem Lernpfad

Das Erstellen eines komplizierten Datenmodells ist in Power BI ganz einfach. Wenn Ihre Daten aus mehr als einem Transaktionssystem stammen, können Dutzende Tabellen vorhanden sein, mit denen Sie arbeiten müssen. Wenn Sie ein gutes Datenmodell erstellen möchten, müssen Sie diese zunächst ordnen. Sie können ein Datenmodell beispielsweise mithilfe des Sternschemas vereinfachen. Zudem erhalten Sie in diesem Modul eine Einführung in die Terminologie und Implementierung. Sie erfahren zudem, warum die Auswahl der geeigneten Datengranularität wichtig für die Leistung und Benutzerfreundlichkeit Ihrer Power BI-Berichte ist. Zuletzt erfahren Sie, wie Power BI-Datenmodelle zur Leistungssteigerung beitragen können.

DAX (Data Analysis Expressions) ist eine Programmiersprache, die in Microsoft Power BI zum Erstellen von berechneten Spalten, Measures und benutzerdefinierten Tabellen genutzt wird. Es handelt sich um eine Sammlung von Funktionen, Operatoren und Konstanten, die in einer Formel oder einem Ausdruck verwendet werden können, um einen oder mehrere Werte zu berechnen oder zurückzugeben. Mit DAX können Sie eine Reihe von Berechnungen durchführen und Datenanalyseproblemen lösen, was helfen kann, neue Informationen aus Daten zu gewinnen, die sich bereits in Ihrem Modell befinden.

Bei der Leistungsoptimierung werden Änderungen am aktuellen Zustand des Datenmodells vorgenommen, sodass es effizienter ausgeführt werden kann. Grundsätzlich sorgt ein optimiertes Datenmodell für eine bessere Leistung.