DatenWG Library · thema
Datenmodellierung
Databricks-Entwickler ohne Analysis-Services-Datenbank lösen den Bedarf an mehrtabelligem Fachanwender-Zugriff häufig über eine gejointe View statt über ein relationales Modell. (Stand 2026-01) Ein Sternschema erlaubt unabhängiges Filtern über mehrere Dimensionen, ohne dass sich die Filter gegenseitig stören. (Stand 2026-01) Eine gut modellierte Dimensionstabelle wie eine Artikeltabelle lässt sich über mehrere Themenbereiche wie Produktion, Einkauf und Lagerbestand hinweg wiederverwenden. (Stand 2025-11)
Aliase
Datenmodell Data Modeling Modellierung Datenmodelle Data Model
Kernaussagen
- In diesem Kundenprojekt wurde die Bronze-Schicht bewusst als Lakehouse aufgebaut, ab Silber und Gold aber mit Warehouses gearbeitet, weil sich der Kunde mit Stored Procedures und Views sicherer fuehlt.
- In einem anderen Kundenprojekt fuehrte die Aufteilung eines urspruenglich komplett in Power BI gebauten Modells auf eine Medaillon-Architektur in Fabric dazu, dass Anpassungen durch mehrere zu orchestrierende Prozesse weniger fluessig und teils fragil wurden.
- Nach dieser Auffassung braucht eine Medaillon-Architektur zwingend drei Schichten, weil Bronze allein dem Ablegen der Rohdaten dient.
- Nach heutiger Einschätzung haben sowohl der Kimball- als auch der Inmon-Ansatz ihre Berechtigung, allerdings in unterschiedlichen Bereichen der Datenarchitektur.
- Der Fixer erkennt beim Hinzufügen einer Kalendertabelle automatisch, ob im Modell bereits eine vorhanden ist, und verhindert dadurch Duplikate.
- Die von der KI erstellten Tabellenbeziehungen waren automatisch bidirektional und mussten manuell korrigiert werden.
- Für Tabellen in Power Table ist ein Primärschlüssel zwingend erforderlich, auch wenn er zusammengesetzt sein kann.
- Der Gantt-Objekttyp benötigt eine passende Datenstruktur mit eindeutigem Event sowie Start- und Enddatum und zeigte auf der genutzten Trial-Kapazität deutliche Ladezeit-Probleme.
- Ein Meeting-Teilnehmer empfand die vorherige Flat Table als einfacher als das neu eingeführte Sternschema.
- Arthur und Oliver haben eine dreiteilige Challenge mit identischen Aufgaben in Qlik und Power BI durchgeführt: Basics, Modellierung und Visualisierung.
- Wer aus dem Analysis-Services-Umfeld kommt, bevorzugt multidimensionale Modellierung, während andere alle Aggregationen lieber im Data Warehouse vorberechnen wollen.
- Databricks-Entwickler ohne Analysis-Services-Datenbank lösen den Bedarf an mehrtabelligem Fachanwender-Zugriff häufig über eine gejointe View statt über ein relationales Modell.
- Sowohl Qlik als auch Power BI lassen sich von der Quelle bis zum Modell als vollständige Datenplattform nutzen, Qlik über Skripte und Power BI über Power Query und das Datenmodell.
- Ein Sternschema erlaubt unabhängiges Filtern über mehrere Dimensionen, ohne dass sich die Filter gegenseitig stören.
- Qlik nutzt ein assoziatives Datenmodell, während Power BI standardmäßig unidirektionale Filterrichtungen zwischen Tabellen vorgibt.
- Oliver hält das assoziative Datenmodell von Qlik für intuitiver, weil verknüpfte Daten sich automatisch gegenseitig filtern, während das in Power BI aktiv konfiguriert werden muss.
- Arthur sieht die Stärke von Power BI in der flexiblen semantischen Modellierung und dem einfachen Wechsel zwischen Frontend und Backend.
- Endnutzer müssen in Power BI die Filterrichtung des Datenmodells kennen, da gefilterte Kennzahlen sonst fälschlich leer oder falsch angezeigt werden können.
- Jasmin empfiehlt, für einmalige und eng begrenzte Auswertungen im Fachbereich eine Flat Table in Excel zu nutzen, für wiederkehrende Analysen aber ein Datenmodell zu bauen, weil Datenfehler darin schneller auffallen.
- Für den Einstieg in Fabric IQ empfiehlt Gabi, zunächst aus einem bereits gut designten und bekannten semantischen Modell testweise eine Ontologie zu erstellen.
- Der MCP Modeling Server für Power BI kann momentan alles bearbeiten, was über TMDL abgebildet ist, also Power Query, Datenmodell, Beziehungen und DAX-Measures.
- Mit der DAX-Funktion INFO.VIEW.RELATIONSHIPS lassen sich die Beziehungen eines Datenmodells als Tabelle ausgeben.
- Bei einem Kundenprojekt ließ sich ein komplett großgeschriebenes Snake-Case-Datenbankschema mithilfe von KI und TMDL sehr schnell in lesbare Namen übersetzen.
- Wie ein Datenmodell aufgebaut wird, hängt laut dem Workshop stark von den jeweiligen Rahmenbedingungen und Anforderungen ab und nicht von einer festen Theorie.
- Für ein einfaches Ad-hoc-Reporting mit wenig komplexen Daten kann eine flache Tabelle völlig ausreichend sein.
- Wächst ein Report zu einem Standard-Reporting mit zusätzlichen Dimensionen und unterschiedlicher Granularität, führt das meist Richtung eines dimensionalen Modells beziehungsweise Sternschemas.
- Beim Aufbau eines Datenmodells sollte man top-down vorgehen und zunächst den Informationsbedarf der Analyse festlegen, bevor die passenden Datenstrukturen bestimmt werden.
- Die Medaillon-Architektur mit Bronze-, Silber- und Gold-Schichten entspricht inhaltlich einem klassischen Aufbau aus Staging, Core und Datamarts.
- Von Flat Tables wird abgeraten, außer für sehr eng fokussierte Auswertungen in einem begrenzten Bereich.
- Data Vault ist eine Modellierungsmethode für die mittlere Datenschicht, die auf Hubs für Business Keys, Links für Beziehungen und Satelliten für zusätzliche Attribute aufbaut.
- Die häufigste Fehlerquelle in Datenmodellen liegt beim Verjoinen mehrerer Tabellen in Power Query, etwa durch verdoppelte oder inkonsistente Datensätze.
- Transformationsschritte sollen möglichst weit Richtung Quelle beziehungsweise in die dazwischenliegende Datenplattform verlagert werden, damit das Power-BI-Modell die Daten bereits aufbereitet erhält.
- Das Sternschema mit einer zentralen Faktentabelle und umgebenden Dimensionen wird von den Sprechern als bevorzugter Modellierungsansatz in Power BI favorisiert.
- Beim Datenmodell gilt das Prinzip weniger ist mehr: Es sollen nur die für die Anforderung nötigen Daten geladen werden, um spätere Performance-Probleme und hohe Speicherkosten zu vermeiden.
- Eine gut modellierte Dimensionstabelle wie eine Artikeltabelle lässt sich über mehrere Themenbereiche wie Produktion, Einkauf und Lagerbestand hinweg wiederverwenden.
- Es wird empfohlen, eine zentrale, separate Datumstabelle im Modell zu führen, um Zeitlogiken einheitlich abbilden zu können.
- Über Role-Playing-Dimensionen lässt sich ein einmal modelliertes Objekt wie Kunde in mehreren Rollen, etwa als Liefer-, Rechnungs- und Auftragskunde, wiederverwenden, ohne die Kundendaten mehrfach zu pflegen.
- Übernimmt jemand die Ownership für eine Dimension wie Kunden oder Artikel und definiert sie als Datenprodukt, kann diese entsprechend dokumentiert und für andere bereitgestellt werden.
- Explizite Measures werden gegenüber impliziten, automatisch generierten Summen empfohlen, damit Kennzahlen auch für externe Werkzeuge verfügbar und einheitlich formatiert sind.
- Verschiebt man die Datenverantwortung per Product Ownership vollständig in die Fachbereiche, kann dort ungewollt viel Abstimmungs-Overhead zwischen den Bereichen entstehen.
Dokumente
- Werbung | Daten WG Offsite in Dortmund – Power BI Event am 29.10.
- Denken in Tabellen
- 27 Jahre in 10 Minuten - Peter Gluchowski beim Daten-WG Offsite
- Datenmodellierung ist Governance
- Power BI vs. Qlik
- Power BI Update September 2025
- 175 Jahre Klimageschichte zum Anfassen — Waermestreifen 3D
- Power BI Update April 2025
- Daten-WG Special: Power BI vs. Qlik
- Realtalk zu Self Service mit Power BI
- Microsoft Power BI Einführung | Florian Wiefel | Hans-Ulrik Harnisch | M365 Summit Mai 2022
- Metadaten als Superkraft
- TMDL Magie: Multi Parameter Tabelle - Feldparameter Next Level! | Power BI Tutorial
- ChartKitchen byDatenWG — Quick Start
- ChartKitchen byDatenWG — Schnellstart
- Analytics Speed Challenge | Power BI vs. IBM Cognos Analytics
- Power BI Update Juni 2025
- Starting with Microsft Fabric the Skills you need
- Power BI Update November 2025
- Daten-WG BI Thinkers Talk nr.66
- Power BI Update Mai 2025
- So hackst du einen Power BI Bericht | Power BI Tutorial
- Power BI Update August 2025
- Daten-WG Deep Dive Financial Reporting - part 6
- BI Thinkers Talk - Data Modelling - Fabric Data Days Edition
- Mythos Data Vault und richtig große Modelle
- BI Thinkers Talk n.73
- Visual Analytics with Power BI
- 10 Jahre BI für alle? Was Power BI wirklich verändert hat
- Daten-WG Life-Update | Fabric Architekturen
- Fabric Planning unboxing
- BI Thinkers Talk nr.68
- Power BI Update Juli 2025
- BI Thinkers Talk - Data Modeling - Fabric Data Days Edition [EN]
- Why Passion Beats Niche
- Daten-WG Deep Dive Financial Reporting
- Daten-WG Deep Dive Financial Reporting - part 5
- BI Thinkers Talk nr.69
- Power BI-Teams werden Fabric-Datendienstleister
- Die Schweiz faehrt Europa davon — Bahnnutzung 2024
- Daten-WG Life-Update | State of Power BI, Fabric & AI-Tools
- Wie war die Daten-WG? (2025, Teil 2)
- BI Thinkers Talk n.74
- Daten-WG Deep Dive Financial Reporting pt.4
- Fabric & Power BI Quarterly · 2026-1
- Daten-WG Deep Dive Financial Reporting - part 7
- Fabric & Power BI Quarterly · 2025 Q4
- Wie war die Daten-WG? · Im Gespräch mit Artur König
- SharePoint direkt in Microsoft Fabric nutzen | Lakehouse, Direct Lake & Power BI
- LogiMAT Arena Atrium 2026 | Expert Forum - Supply Chain Risiko Management
- Microsoft Fabric — braucht das wirklich jemand?
- Fabric & Power BI Quarterly · 2025 Q3
- Buttons, Drilling, Navigation und Dynamisches Filtern in einem Power BI Report
- 10 Jahre Power BI
- Power BI von A bis Z — Einsteiger-Guide (End-to-End)
- BI Thinkers Talk nr.71
- Unboxing MCP Server for Power BI Modelling
- The Power of User Groups
- Daten-WG Special: Power BI vs. Qlik -part2
- Von Patronen zu Prozessen
- Von Patronen zu Prozessen (nur Ton)
- Mensch bleiben, wenn Power BI geht
- Daten-WG Deep Dive: AI on top of BI
- BI Thinkers Talk nr.67
- Wie war die Daten-WG 2025? (Teil 1)
- Prinzipien oder Paragrafen
- ChartKitchen byDatenWG — Documentation
- ChartKitchen byDatenWG — Dokumentation
- Objektive Daten gibt es nicht
- Dein erstes Dashboard — Power-BI-Praxis-Pfad
- Fabric & Power BI Quarterly | 2025 Q2
- BI Thinkers Talk nr.63
- GxP Talk - Validierung vs. Agilität
- BI Thinkers Talk n.72
- Daten-WG Special: Power BI vs. Qlik -part3
- Daten-WG 2026 Lineup
- BI Thinkers Talk Nr.62
- Data Binning and Lorenz Curve in DAX | Alberto Ferrari & Michael Tenner, Berlin Power BI User Group
- BI Thinkers Talk nr.76
- Microsoft Fabric — Einsteiger-Guide
Nachbarthemen
- Data Vault
- Sternschema
- DAX
- Power BI
- Reporting
- Microsoft Fabric
- Visualisierung
- KI
- Performance
- Power Query
- Copilot
- Power BI Desktop
- SQL
- Excel
- Lakehouse
Hinweise
Kernaussagen und Beziehungen sind maschinell erzeugt und nicht redigiert. Heuristische Kanten zählen Erwähnungen, keine Bedeutung. Bei Widersprüchen gilt das Video.