Projektbeispiele aus der Praxis

Hier finden Sie ausgewählte Beispiele aus meiner Arbeit.
Ich zeige nicht nur Screens, sondern den Kontext: Ausgangslage, Vorgehen und das Ergebnis für Fachbereiche und Management.

Aus Gründen der Vertraulichkeit sind einige Inhalte anonymisiert oder als Demo dargestellt.

Dieses Projekt zeigt, wie stark sich saubere Datenmodelle auf Performance, Wartbarkeit und Analysequalität auswirken.

Problemstellung:
Über die Zeit waren zahlreiche Power-BI-Dashboards entstanden, mit komplexen und teilweise redundanten Datenmodellen.
Measures enthielten individuelle Filterlogiken, Daten wurden mehrfach geladen und gepflegt, Metadaten fehlten weitgehend.

Crossfiltering in Power BI funktionierte nicht, da das Datenmodell nicht sauber aufgebaut waren.

Das Datenvolumen war unnötig hoch, die Wartbarkeit eingeschränkt und die Performance im Power BI Service zunehmend kritisch, einzelne Visuals luden nicht mehr zuverlässig.

Ansatz:
Im Rahmen der Migration wurden die bestehenden Datenmodelle grundlegend analysiert und optimiert.
Daten wurden bereinigt und konsequent auf die fachlich notwendigen Inhalte reduziert.
Measures wurden systematisch überprüft, konsolidiert und neu strukturiert, sodass Filterlogiken einheitlich im Power BI Modell und nicht in einzelnen Measures umgesetzt sind.
Zusätzlich wurden alle Measures eindeutig beschrieben und dokumentiert, um Nachvollziehbarkeit und Weiterentwicklung zu erleichtern.

Die Datenanbindung wurde zentralisiert:
Statt Daten in jedem einzelnen Dashboard separat zu laden, erfolgt die Datenbereitstellung nun zentral im Power BI Service und wird von dort in die Berichte eingebunden. Dies führt zu einer erheblich besseren Wartbarkeit und Reaktion auf Änderungen.
Parallel dazu wurde ein einheitlicher Datenkatalog aufgebaut und die relevanten Metadaten direkt in den Dashboards ergänzt.
Abschließend erhielten alle Berichte ein einheitliches Look and Feel sowie ein konsistentes Design.

Ergebnis:

• Reduktion der Measures im gesamten Reporting von ca. 800 auf rund 270 bei gleicher fachlicher Aussagekraft

• Reduzierung des Datenvolumens um bis zu 80 %

• Deutlich verbesserte Ladezeiten und stabile Nutzung im Power BI Service

• Zentrale Datenhaltung und erheblich verbesserte Wartbarkeit

• Klare Dokumentation durch Measure-Beschreibungen, Metadaten und Datenkatalog

• Einheitliches Design und konsistente Logik über alle Dashboards hinweg (JSON Theme)

• Keine zusätzlichen Kapazitäten erforderlich, trotz deutlich besserer Performance

Konkretes Beispiel an einem Datenmodell:

Ausgangslage (Vorher):
Das Datenmodell war historisch gewachsen und stark überladen. Ein großer Teil der Daten wurde nicht genutzt, belastete jedoch Speicher, Performance und Wartbarkeit.

• Modellgröße: ~1,5 GB

• Hoher Anteil ungenutzter Spalten und Tabellen

• 435 ungenutzte Spalten

• 35 lokale Datumstabellen mit hohem Speicherbedarf

• Viele Tabellen und Beziehungen ohne fachlichen Mehrwert

• Hoher Speicherverbrauch durch ungenutzte oder redundant verwendete Daten

Optimierung (Nach der ersten Bereinigung):
Das Modell wurde konsequent auf fachlich notwendige Inhalte reduziert und strukturell bereinigt.

• Modellgröße reduziert auf ~154 MB

• Entfernung nicht genutzter Tabellen, Spalten und Berechnungen

• Reduktion ungenutzter Spalten von 435 auf 17

• Vollständige Entfernung lokaler Datumstabellen

• Deutlich vereinfachte Modellstruktur mit weniger Tabellen und Beziehungen

• Kaum noch ungenutzte Daten im Modell

Ergebnis und Wirkung:

• Reduktion des Datenvolumens um rund 90 %

• Deutlich bessere Performance und schnellere Ladezeiten

• Stabilere Reports im Power BI Service

• Einfachere Wartung und bessere Weiterentwicklung des Modells

• Saubere Basis für korrektes Crossfiltering und konsistente Analysen

Dieses Beispiel zeigt, wie Reporting durch klare Struktur zur echten Steuerungsgrundlage wird.

Problemstellung:
Finanzzahlen lagen zwar vor, Abweichungen zu Plan und Vormonat waren jedoch über mehrere Reports verteilt und nur schwer einzuordnen. Ursachen blieben unklar, Diskussionen lang.

Ansatz:
Konsolidierte GuV-Struktur mit klaren Kostenarten, integrierter Plan-Ist- und Vormonatsanalyse sowie einheitlicher Logik über alle Ebenen hinweg.

Ergebnis:
Abweichungen sind sofort sichtbar, Ursachen schneller identifizierbar und finanzielle Entwicklungen besser steuerbar.