Kurs zu Power BI und Python

Lektion 1 • Einrichtung Ihrer Entwicklungsumgebung

Installieren Sie Power BI Desktop und Python und konfigurieren Sie dann Pfade und Abhängigkeiten. Diese Grundlage stellt sicher, dass jede nachfolgende Übung ohne Umgebungsfehler ausgeführt werden kann.

Lektion 2 • Power BI-Benutzeroberfläche und Kernkonzepte

Navigieren Sie in der Power BI Desktop-Benutzeroberfläche und verstehen Sie Berichte, Datasets und Arbeitsbereiche. Die Vertrautheit mit der Benutzeroberfläche beschleunigt alle späteren Datenmodellierungsarbeiten.

Lektion 3 • Python-Grundlagen für die Datenarbeit

Behandeln Sie Python-Syntax, Datentypen und Kontrollstrukturen, die für Analyseaufgaben relevant sind. Diese Fähigkeiten untermauern jedes in Power BI verwendete Python-Skript.

Lektion 1 • Python-Skripte als Datenquellen ausführen

Führen Sie Python-Skripte direkt in Power BI aus, um Quelldaten zu generieren oder zu transformieren. Dies verbindet beide Werkzeuge zu einer einheitlichen Aufnahmepipeline.

Lektion 2 • Nutzung von REST-APIs und Webdaten

Rufen Sie Daten von REST-APIs mit Python-Requests und Power BI-Webconnectors ab. Die Teilnehmer erwerben Fähigkeiten, um auf dynamische Live-Daten zuzugreifen, die in statischen Dateien nicht verfügbar sind.

Lektion 3 • Daten mit Python und pandas laden

Verwenden Sie pandas, um CSV-, Excel-, JSON- und SQL-Quellen in DataFrames zu lesen. Dies spiegelt die Power BI-Aufnahme wider und ermöglicht die Vorverarbeitung auf Python-Seite.

Lektion 1 • Daten umformen und aggregieren

Pivotisieren, entpivotisieren, gruppieren und aggregieren Sie Daten sowohl in pandas als auch in Power Query. Umformungsfähigkeiten sind für die Erstellung der strukturierten Tabellen, die Power BI-Modelle benötigen, unerlässlich.

Lektion 2 • Grundlagen des Power Query-Editors

Verwenden Sie Power Query, um Spalten ohne Code zu filtern, umzubenennen, zu teilen und zusammenzuführen. Diese GUI-basierten Fähigkeiten bewältigen den Großteil der routinemäßigen Bereinigungsaufgaben.

Lektion 3 • Erweitertes Power Query mit der M-Sprache

Schreiben Sie M-Ausdrücke, um komplexe Transformationen jenseits der GUI zu automatisieren. Benutzerdefinierte M-Funktionen erweitern Power Query um dynamische, parametrisierte Logik.

Lektion 1 • Optimierung des Datenmodells

Reduzieren Sie die Modellgröße und verbessern Sie die Abfragegeschwindigkeit durch Spaltenentfernung, Aggregationen und Speichermodi. Optimierung stellt sicher, dass Dashboards auch bei Unternehmensdatenvolumen reaktionsfähig bleiben.

Lektion 2 • Einführung in DAX

Schreiben Sie berechnete Spalten und grundlegende Measures mit DAX-Syntax und Auswertungskontext. DAX ist die primäre Sprache für alle analytischen Berechnungen in Power BI.

Lektion 3 • Fortgeschrittene DAX-Muster

Wenden Sie CALCULATE, FILTER und Zeitintelligenz-Funktionen an, um Geschäfts-KPIs zu erstellen. Diese Muster decken den Großteil der realen analytischen Anforderungen ab.

Lektion 1 • Formatierung und Gestaltungsprinzipien

Wenden Sie konsistente Farben, Typografie und Layout an, um professionelle Berichte zu erstellen. Gestaltungsdisziplin reduziert die kognitive Belastung und erhöht das Vertrauen der Stakeholder.

Lektion 2 • Auswahl des richtigen Visual-Typs

Ordnen Sie Dateneigenschaften Balken-, Linien-, Streudiagramm-, Karten- und Tabellenvisuals zu. Die korrekte Visualauswahl ist die Grundlage ehrlicher, lesbarer Datenkommunikation.

Lektion 3 • Python-Visuals in Power BI

Rendern Sie Matplotlib- und Seaborn-Diagramme als Power BI-Visuals mit dem Python-Visualobjekt. Dies erschließt statistische und benutzerdefinierte Diagrammtypen, die nativ nicht verfügbar sind.

Lektion 1 • Deskriptive Statistik mit Python

Berechnen Sie zusammenfassende Statistiken, Verteilungen und Korrelationen mit pandas und NumPy. Diese Metriken bilden die Grundlage für alle tiefergehenden analytischen Arbeiten.

Lektion 2 • Grundlagen des Hypothesentests

Wenden Sie t-Tests, Chi-Quadrat-Tests und ANOVA mit SciPy an, um Geschäftshypothesen zu validieren. Statistische Tests liefern eine evidenzbasierte Rechtfertigung für Entscheidungen.

Lektion 3 • Python-Analysen in Power BI anzeigen

Übergeben Sie in Python berechnete Statistiken und Modellergebnisse zurück an Power BI-Berichte. Dies schließt den Kreislauf zwischen Python-Analyse und geschäftlich ausgerichteten Dashboards.

Lektion 1 • Vorhersagen in Power BI einbetten

Laden Sie gespeicherte scikit-learn-Modelle in Power BI-Python-Skripte, um neue Daten zu bewerten. Vorhersagen werden zu filterbaren Spalten in Live-Berichten ohne erneutes Training.

Lektion 2 • Klassifikations- und Regressionsmodelle

Trainieren Sie Entscheidungsbäume, Random Forests und lineare Modelle mit scikit-learn-Pipelines. Diese Algorithmen adressieren die häufigsten prädiktiven Geschäftsprobleme.

Lektion 3 • Überblick über den Machine-Learning-Workflow

Verstehen Sie die End-to-End-ML-Pipeline von der Datenvorbereitung bis zur Modellbereitstellung. Ein klarer Workflow verhindert häufige Fehler in der Merkmalsentwicklung und -bewertung.

Lektion 1 • Sicherheit auf Zeilenebene und Zugriffskontrolle

Definieren Sie RLS-Rollen in DAX und weisen Sie Benutzer zu, um die Datensichtbarkeit nach Rolle einzuschränken. Sicherheitsregeln stellen sicher, dass jeder Benutzer nur die Daten sieht, auf die er zugreifen darf.

Lektion 2 • Workflows mit Power Automate automatisieren

Lösen Sie Power Automate-Flows aus Power BI-Benachrichtigungen und datengesteuerten Bedingungen aus. Automatisierung reduziert die manuelle Überwachung und beschleunigt die Reaktion auf Geschäftsereignisse.

Lektion 3 • Datenherkunft und Dokumentation

Verwenden Sie die Herkunftsansicht und Bestätigungsfunktionen, um die Dataset-Provenienz zu dokumentieren. Eine klare Herkunft reduziert Fehler, wenn mehrere Teams dieselben Datasets teilen und darauf aufbauen.