Lösungsbeispiele und Methoden

Du verantwortest ein Bereichs-Reporting in Power BI, musst mehrere Zielgruppen mit individuellen Reports bespielen und versinkst im Wartungs-Chaos? Kein Problem, In diesem Video zeige ich anhand eines beispielhaften Szenarios, warum das häufig passiert und stelle dir eine potenzielle Lösung vor, nämlich den sogenannten Golden Model Ansatz.

 In diesem Video zeige ich dir ein Power BI Lösungsbeispiel, welches ermöglicht für verschiedene Kennzahlen auf Basis eines individuell ausgewählten Referenzzeitraums eine Jahreshochrechnung zu erstellen, diese mit einem Best- sowie Worstcase-Szenario anzureichern und mithilfe flexibel auswählbarer Charts zu visualisieren.

Features der Lösung im Video:

• Flexible Auswahl des zu betrachtenden KPIs
• Bestimmung des Referenzzeitraums als Grundlage für die zukünftigen Werte (der Tagesdurchschnitt der Referenzperiode wird als Grundlage für die zukünftigen Werte herangezogen)
• Anreicherung eines Best- und Worstcase-Szenarios mittels Prozent-Parameter
• Flexible Auswahl des präferierten Visualisierung (Liniendiagramm, Säulendiagramm, Matrix) sowie Wechsel zwischen isolierter und kumulierter Abbildung innerhalb des Zeitverlaufdiagramms
• Direkter Vergleich der YTD-Performance (Ist vs. Vorjahr) sowie der Fully-Year-Performance (Forecast inkl. Bestcase- und Worstcase-Szenario vs. Vorjahr) mittels KPI-Cards
• Cross-Filtering der Ergebnisse nach Dimension im Bar-Chart (rechts)
• Flexibler Austausch der Cross-Filtering-Dimension mithilfe von Field-Parametern

Ich habe mit Microsoft Fabric und Power BI die Deutschland-Datenbank angezapft!🔌

𝗗𝗘𝗦𝗧𝗔𝗧𝗜𝗦, die öffentliche 𝗗𝗮𝘁𝗲𝗻𝗯𝗮𝗻𝗸 𝗱𝗲𝘀 𝘀𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝘀𝗰𝗵𝗲𝗻 𝗕𝘂𝗻𝗱𝗲𝘀𝗮𝗺𝘁𝘀, bietet eine Vielzahl an Datensätzen zu Themen wie Bevölkerung, Wirtschaft, Umwelt, Verkehr, den Bundeshaushalt und mehr.

Dank der öffentlich verfügbaren Destatis-API und mithilfe von Microsoft Fabric, dem im Power BI Service verfügbaren Zusatzmodul für Data Warehousing und Data Science, habe ich mit wenigen Zeilen Code eine Lösung gebaut, die es mir erlaubt, flexibel DESTATIS-Datensätze in ein Lakehouse zu laden, von dort zu harmonisieren und anschließend in analytische Datenmodelle zu integrieren.

Dieses Video zeigt die Kette von der Extraktion bis hin zum Datenmodell mit Schwerpunkt auf Microsoft Fabric. Dabei werden folgende Schritte durchlaufen:

1. Erfassung der Destatis-Datensatz-IDs inkl. Meta-Daten sowie Refresh-Flag in 𝗦𝗵𝗮𝗿𝗲𝗣𝗼𝗶𝗻𝘁-𝗟𝗶𝘀𝘁𝗲 📑

2. Iterative Ausführung von API-Calls für die in der SharePoint-Liste markierten Datensätze mithilfe einer 𝗙𝗮𝗯𝗿𝗶𝗰 𝗣𝗶𝗽𝗲𝗹𝗶𝗻𝗲

3. Ablage der durch die API-Calls zurückgegebenen ZIP-Dateien in einem 𝗕𝗿𝗼𝗻𝘇𝗲-𝗟𝗮𝗸𝗲𝗵𝗼𝘂𝘀𝗲 (𝗥𝗼𝗵𝗱𝗮𝘁𝗲𝗶𝗲𝗻) 📁

4. Direktes Entpacken der Zip-Dateien und separate Speicherung als Tabelle in 𝗕𝗿𝗼𝗻𝘇𝗲-𝗟𝗮𝗸𝗲𝗵𝗼𝘂𝘀𝗲 (𝗥𝗼𝗵𝘁𝗮𝗯𝗲𝗹𝗹𝗲𝗻)

5. Anwendung automatisierter Harmonisierungsregeln auf die Bronze-Tabellen und Bereitstellung der bereinigten Datensätze in einem 𝗦𝗶𝗹𝘃𝗲𝗿-𝗟𝗮𝗸𝗲𝗵𝗼𝘂𝘀𝗲 (𝗯𝗲𝗿𝗲𝗶𝗻𝗶𝗴𝘁𝗲 𝗧𝗮𝗯𝗲𝗹𝗹𝗲𝗻) 🧹

𝗜𝗺 𝗘𝗿𝗴𝗲𝗯𝗻𝗶𝘀 stehen die bereinigten Daten zur Verfügung, sodass mithilfe von 𝗣𝗼𝘄𝗲𝗿 𝗕𝗜 𝗮𝗻𝗮𝗹𝘆𝘁𝗶𝘀𝗰𝗵𝗲 𝗗𝗮𝘁𝗲𝗻𝗺𝗼𝗱𝗲𝗹𝗹𝗲 (𝗚𝗼𝗹𝗱 𝗟𝗮𝘆𝗲𝗿), Berechnungen und Reports entwickelt werden können.

-----------------

Vielen Dank an  Statistisches Bundesamt für Euren Services sowie Eure tägliche Arbeit dafür, daten- und faktenbasierte Entscheidungsmöglichkeiten zu fördern. 👍

-----------------

Quelle: diverse Datensätze; Statistisches Bundesamt (Destatis); 2025; Datenlizenz by 2-0;  DL-DE->BY-2.0 - GovData ; Datensätze über ETL-Prozesse bearbeitet; eigene Berechnungen ergänzt; eigene Darstellung