Power BI und SQL lernen für den Quereinstieg: So startest du in die Datenanalyse

Montagmorgen, 9 Uhr: Im Vertrieb wird über sinkende Abschlussquoten gesprochen, im Controlling liegen drei Excel-Dateien mit unterschiedlichen Zahlenständen, und die Geschäftsführung möchte bis zum Nachmittag ein klares Dashboard sehen. Genau an solchen Stellen wird Datenanalyse praktisch. Es geht nicht darum, möglichst komplizierte Modelle zu bauen. Gefragt sind Menschen, die Daten finden, prüfen, sinnvoll verbinden und so aufbereiten, dass andere bessere Entscheidungen treffen können.

Power BI und SQL sind dafür ein sehr konkretes Werkzeugpaar. SQL hilft dir, Daten aus Datenbanken gezielt abzufragen und zu strukturieren. Power BI macht daraus Berichte und Dashboards, die Entwicklungen sichtbar machen. Für den Quereinstieg ist diese Kombination attraktiv, weil du damit schnell an realistischen Aufgaben arbeiten kannst: Umsatz analysieren, Kundenverhalten untersuchen, Prozesskennzahlen vergleichen oder Datenqualität sichtbar machen.

Infografik zu Power BI und SQL lernen für den Quereinstieg: So startest du in die Datenanalyse (KI-generiert).

Was Datenanalystinnen und Datenanalysten im Alltag wirklich tun

Viele verbinden Datenanalyse zuerst mit Statistik, künstlicher Intelligenz oder sehr großen Datenmengen. Diese Themen können später wichtig werden. In Junior-Rollen beginnt die Arbeit aber häufig viel bodenständiger.

Du bekommst etwa die Aufgabe, eine Frage aus dem Fachbereich zu beantworten:

• Welche Produktgruppen entwickeln sich im Vergleich zum Vorjahr schwächer?
• Wie viele offene Tickets gibt es je Team und Priorität?
• Welche Marketingkanäle bringen Anfragen, die tatsächlich zu Kundinnen und Kunden werden?
• In welchen Regionen steigen Retouren auffällig an?
• Welche Daten fehlen, sind doppelt vorhanden oder widersprüchlich?

Dafür klärst du zuerst, was die Kennzahl überhaupt bedeuten soll. Danach suchst du die passenden Datenquellen, prüfst ihre Qualität, formulierst Abfragen und baust eine nachvollziehbare Auswertung. Anschließend erklärst du das Ergebnis so, dass es für Menschen ohne Datenhintergrund verständlich ist.

Das ist ein wichtiger Punkt für deinen Einstieg: Ein gutes Dashboard ist nicht einfach eine Sammlung bunter Diagramme. Es beantwortet eine konkrete Frage, zeigt relevante Zusammenhänge und macht Einschränkungen transparent.

Warum Power BI und SQL zusammengehören

Power BI allein kann Daten aus vielen Quellen importieren und mit wenigen Klicks visualisieren. Das ist hilfreich, reicht im Arbeitsalltag aber oft nicht aus. Unternehmensdaten liegen häufig in relationalen Datenbanken, etwa in Systemen für Vertrieb, Warenwirtschaft, Support oder Finanzen. Dort brauchst du SQL.

Mit SQL steuerst du präzise, welche Daten du abrufst. Du kannst Tabellen filtern, Spalten auswählen, Daten gruppieren und mehrere Tabellen über Schlüssel miteinander verbinden. Dadurch verstehst du nicht nur, wie ein Diagramm aussieht, sondern auch, woher seine Werte kommen.

Power BI ergänzt diese Arbeit in drei Bereichen:

• Power Query für Import, Bereinigung und Umformung von Daten
• Datenmodellierung für Beziehungen zwischen Tabellen und sinnvolle Kennzahlen
• Visualisierung und Berichtsdesign für interaktive Reports

In Power BI kommt zudem DAX zum Einsatz. DAX ist eine Formelsprache für Kennzahlen und Berechnungen im Datenmodell. Sie wird relevant, sobald du etwa Umsatz im bisherigen Jahresverlauf, Vorjahresvergleiche, Anteile oder dynamische Filterlogik berechnen möchtest.

Du musst zu Beginn nicht jede DAX-Funktion auswendig kennen. Entscheidend ist, dass du den Unterschied zwischen einer berechneten Spalte und einer Kennzahl verstehst, Filterkontexte nachvollziehen kannst und einfache Measures sauber aufbaust.

Diese SQL-Grundlagen brauchst du für erste Projekte

SQL wirkt am Anfang technisch, folgt aber einer gut lernbaren Logik. Du formulierst Abfragen in einer Sprache, die Datenbanksysteme verstehen. Für den Einstieg zählen nicht seltene Spezialfälle, sondern ein solides Fundament.

Daten auswählen und filtern

Du solltest mit SELECT, FROM und WHERE arbeiten können. Damit beantwortest du bereits viele typische Fragen: Welche Bestellungen gab es in einem Zeitraum? Welche Kundinnen und Kunden kommen aus einer bestimmten Region? Welche Tickets haben den Status „offen“?

Wichtig ist, dass du Datumswerte, Textwerte und Zahlen sicher filterst. Auch der Umgang mit fehlenden Werten gehört dazu. Ein leerer Eintrag ist nicht automatisch null, und null bedeutet in Datenbanken nicht dasselbe wie null Euro oder null Stück.

Gruppieren und Kennzahlen berechnen

Mit GROUP BY und Funktionen wie COUNT, SUM, AVG, MIN und MAX fasst du Daten zusammen. Damit ermittelst du beispielsweise den Umsatz je Monat, die durchschnittliche Bearbeitungsdauer oder die Anzahl der Bestellungen je Kategorie.

Achte dabei auf die fachliche Bedeutung. Wenn eine Bestellung mehrere Positionen enthält, zählt COUNT(*) möglicherweise Positionen statt Bestellungen. Diese Unterscheidung ist im Berufsalltag wichtiger als eine besonders elegante Abfrage.

Tabellen verbinden

In realen Datenmodellen stehen Kundendaten, Bestellungen, Produkte und Mitarbeitende selten in einer einzigen Tabelle. Deshalb gehören JOINs zu den zentralen SQL-Fähigkeiten.

Du solltest verstehen, wann ein INNER JOIN nur übereinstimmende Datensätze liefert und wann ein LEFT JOIN auch Datensätze der linken Tabelle ohne passenden Treffer erhält. Gerade beim Prüfen von Datenqualität ist das wertvoll: So findest du etwa Bestellungen ohne zugeordnetes Produkt oder Kontakte ohne gültige Kundennummer.

Abfragen lesbar schreiben

Arbeite mit Einrückungen, sprechenden Aliasnamen und klaren Zwischenschritten. Eine Abfrage, die du zwei Wochen später noch verstehst, ist besser als eine kurze, aber unlesbare Lösung. Dokumentiere außerdem Annahmen: Welcher Zeitraum gilt? Welche Statuswerte sind ausgeschlossen? Wie wird Umsatz definiert?

Wenn du noch unsicher bist, welche technischen Grundlagen insgesamt zählen, hilft dir unser Beitrag Welche Voraussetzungen du wirklich brauchst. Für Datenanalyse sind Neugier, Genauigkeit und strukturiertes Denken oft wichtiger als ein bestimmter bisheriger Beruf.

So baust du in Power BI aussagekräftige Berichte

Ein Power-BI-Report sollte eine Entscheidung unterstützen, nicht alle vorhandenen Daten zeigen. Beginne daher niemals mit dem Diagrammtyp, sondern mit einer Frage und einer Zielgruppe.

Ein Sales-Dashboard für eine Vertriebsleitung braucht andere Kennzahlen als ein Detailbericht für ein Operationsteam. Die Leitung möchte vielleicht Umsatzentwicklung, Zielerreichung und regionale Unterschiede sehen. Das Team braucht eher offene Vorgänge, Bearbeitungszeiten und konkrete Ausnahmen.

Ein sinnvoller Ablauf sieht so aus:

1. Formuliere die Analysefrage in einem Satz.
2. Benenne die Kennzahlen und ihre Definitionen.
3. Prüfe, welche Tabellen und Spalten dafür notwendig sind.
4. Bereinige Daten in Power Query nachvollziehbar.
5. Baue ein schlankes Datenmodell mit eindeutigen Beziehungen.
6. Erstelle Kennzahlen in DAX.
7. Wähle nur Visualisierungen, die die Frage wirklich beantworten.
8. Prüfe Filter, Summen und Sonderfälle.
9. Ergänze kurze Erläuterungen zu Datenstand und Definitionen.

Besonders häufig sehen wir bei Einsteigerprojekten drei Probleme: zu viele Visualisierungen auf einer Seite, unklare Begriffe und fehlende Prüfung der Zahlen. Ein Report kann optisch professionell wirken und trotzdem fachlich falsch sein. Vergleiche deshalb Stichproben immer mit der zugrunde liegenden Tabelle oder einer SQL-Abfrage.

Welche Projekte dein Portfolio glaubwürdig machen

Für erste Bewerbungen zählt nicht, ob du zehn kleine Übungsdateien erstellt hast. Stärker sind zwei bis drei Projekte, die einen vollständigen Analyseprozess zeigen. Nutze öffentliche oder selbst erzeugte Datensätze, aber beschreibe transparent, woher sie stammen und welche Grenzen sie haben.

Geeignete Projektideen sind:

• Ein Vertriebsdashboard mit Umsatz, Anzahl Bestellungen, durchschnittlichem Warenkorb und Vorjahresvergleich
• Eine Support-Analyse mit Ticketvolumen, Lösungszeit, Prioritäten und wiederkehrenden Problemkategorien
• Eine E-Commerce-Auswertung zu Retouren, Produktgruppen, Regionen und saisonalen Mustern
• Eine Personal- oder Recruiting-Analyse mit Bewerbungsphasen, Durchlaufzeiten und Quellen von Bewerbungen
• Eine Datenqualitätsanalyse, die Dubletten, fehlende Werte und unplausible Ausreißer systematisch sichtbar macht

Zu jedem Projekt gehören mehr als Screenshots. Zeige auch das Datenmodell, einige zentrale SQL-Abfragen, die Definition der Kennzahlen und deine wichtigsten Erkenntnisse. Gute Dokumentation beantwortet diese Fragen:

• Welches Problem untersuchst du?
• Welche Daten verwendest du und wie sind sie aufgebaut?
• Welche Bereinigungen hast du vorgenommen?
• Welche SQL-Abfragen oder DAX-Kennzahlen sind zentral?
• Welche Erkenntnisse ergeben sich?
• Welche Einschränkungen hat die Analyse?
• Welche Handlungsmöglichkeiten würdest du vorschlagen?

Wie du solche Arbeiten überzeugend zusammenstellst, zeigen wir auch im Beitrag Ein Portfolio mit echten Projekten aufbauen. Wichtig ist, dass du deine Entscheidungen erklären kannst. Im Gespräch wird oft nicht nur gefragt, was du gebaut hast, sondern warum du genau diesen Weg gewählt hast.

KI sinnvoll einsetzen, ohne Analysekompetenz zu überspringen

KI-Tools können dir beim Lernen helfen: Sie erklären Fehlermeldungen, schlagen Varianten für SQL-Abfragen vor oder helfen dir, DAX-Ausdrücke zu verstehen. Sie ersetzen aber nicht die Kontrolle. Gerade bei Datenanalyse musst du Ergebnisse prüfen, denn eine syntaktisch gültige Abfrage kann fachlich trotzdem falsche Zahlen liefern.

Nutze KI deshalb als Lernpartnerin, nicht als Autopilot:

• Lass dir eine Abfrage erklären und prüfe jeden Teil.
• Bitte um Testfälle für Sonderfälle wie fehlende Werte oder doppelte Einträge.
• Vergleiche vorgeschlagene Kennzahlen mit deiner fachlichen Definition.
• Gib keine vertraulichen Unternehmensdaten in öffentliche Tools ein.
• Dokumentiere Code und Berechnungen in deinen eigenen Worten.

Wenn du Programmieren oder Abfragen mit Unterstützung übst, gelten ähnliche Regeln wie bei Coding-Assistenten. Unser Artikel Programmieren lernen mit KI-Coding-Assistenten: So übst du richtig statt nur Code zu kopieren zeigt, worauf es dabei ankommt.

Ein realistischer Lernplan neben dem Beruf

Wer neben dem Job lernt, braucht keinen perfekten Stundenplan, sondern Verlässlichkeit. Plane feste Lernblöcke und wechsle zwischen Input und Anwendung. Nur Videos zu schauen erzeugt schnell ein Gefühl von Fortschritt, das in eigenen Projekten nicht trägt.

Ein praxistauglicher Ablauf kann so aussehen:

• Woche 1 bis 2: Tabellen, Datentypen, einfache SQL-Abfragen und Filter
• Woche 3 bis 4: Gruppierungen, Aggregationen, JOINs und erste Datenprüfungen
• Woche 5 bis 6: Power Query, Datenimport und Bereinigung
• Woche 7 bis 8: Datenmodell, Beziehungen und grundlegende DAX-Kennzahlen
• Woche 9 bis 10: Erstes vollständiges Dashboard mit Dokumentation
• Woche 11 bis 12: Zweites Projekt, Überarbeitung des Portfolios und Üben von Projektvorstellungen

Passe das Tempo an deinen Alltag an. Entscheidend ist, dass du jede Woche selbst Abfragen schreibst und Berichte baust. Für eine realistische Planung findest du bei uns auch Hinweise in Neben dem Job lernen: realistisch planen.

Worauf Unternehmen bei Junior-Rollen achten

In einer ersten Datenrolle erwartet niemand, dass du sofort jede Datenbankarchitektur kennst oder komplexe Machine-Learning-Modelle entwickelst. Unternehmen suchen jedoch Menschen, die sorgfältig arbeiten und Verantwortung für Zahlen übernehmen.

Besonders überzeugend sind diese Fähigkeiten:

• Du kannst SQL-Abfragen selbst schreiben und erklären.
• Du verstehst Tabellenbeziehungen und erkennst mögliche Doppelzählungen.
• Du bereitest Daten in Power Query nachvollziehbar auf.
• Du baust einfache, korrekte DAX-Kennzahlen.
• Du gestaltest Berichte für konkrete Nutzergruppen.
• Du kommunizierst Unsicherheiten und Datenlücken offen.
• Du kannst fachliche Fragen in analysierbare Schritte übersetzen.

Auch ein grundlegendes Verständnis für Datenpipelines wird zunehmend wertvoll, weil Reports nur so gut sind wie die Daten, auf denen sie beruhen. Wenn du diesen Bereich später vertiefen möchtest, lies weiter in Data Engineering lernen für den Quereinstieg: So bereitest du Daten für KI und Analysen auf.

Der beste nächste Schritt ist kein weiteres Tutorial, sondern ein eigenes kleines Projekt mit klarer Fragestellung. Baue es fertig, prüfe jede Kennzahl und erkläre deine Ergebnisse laut, als würdest du sie einem Fachbereich vorstellen. Passende Seminare und Termine findest du bei uns auf cmt.de.