Artikel neu anfordern

Beim Zusammenführen von Tabellen in Power Query entscheidet die Wahl der Join-Art darüber, welche Datensätze im Ergebnis erscheinen – und welche nicht. Genau hier liegt einer der wichtigsten fachlichen Entscheidungs­punkte bei der Datenaufbereitung: Es geht nicht um Technik, sondern darum, welche Frage Sie an Ihre Daten stellen.
Um die verschiedenen Join-Arten verständlich zu erklären, habe ich ein einfaches Beispiel verwendet: Eine Gästeliste „tbl_Eingeladen“ enthält alle eingeladenen Personen, während „tbl_Erschienen“ die tatsächlich erschienenen Gäste zeigt. Beide Listen überschneiden sich, sind jedoch nicht identisch. Dadurch entstehen typische Fragestellungen, die sich ideal mit unterschiedlichen Join-Arten beantworten lassen.
Ein Inner Join liefert ausschließlich die Schnittmenge der beiden Listen – also nur die Personen, die eingeladen waren und auch erschienen sind. Der Left Outer Join dagegen nimmt alle eingeladenen Personen und ergänzt Informationen über deren Teilnahme. Umgekehrt zeigt der Right Outer Join alle erschienenen Gäste, unabhängig davon, ob sie eingeladen wurden oder nicht. Der Full Outer Join kombiniert schließlich beide Perspektiven und stellt die vollständige Vereinigungsmenge dar – inklusive aller „planmäßigen“ und „unerwarteten“ Fälle. Ich zeige für jeden Join neben der ausführlichen Erklärung und dem genauen Vorgehen in Power Query auch noch jeweils ein großes Diagramm, das den jeweiligen Join mengentheoretisch veranschaulicht.
Besonders spannend werden die sogenannten Anti-Joins: Der Left Anti Join zeigt ausschließlich eingeladene Personen, die nicht erschienen sind – klassischer Anwendungsfall für eine No-Show-Analyse. Der Right Anti Join hingegen identifiziert diejenigen, die ohne Einladung erschienen sind. Beide Varianten helfen dabei, Abweichungen sichtbar zu machen und sind besonders hilfreich für Qualitätsprüfungen oder Abweichungsanalysen.
Über diese Join-Logik hinaus lässt sich aus den Daten ein sauberes Datenmodell aufbauen. Statt einer flachen Tabelle baue ich ein kleines Sternschema mit einer Dimensionstabelle („DIM_Freunde“) und einer Faktentabelle („FACT_Party“), die Informationen wie Teilnahme, No-Shows und Überraschungsgäste enthält. Erst auf dieser Basis werden anschließend Kennzahlen mit DAX berechnet – etwa Teilnahmequote, No-Show-Quote, Planungsgenauigkeit oder Fehlerrate.
Dabei wird ein zentraler Zusammenhang deutlich: Dieselben Daten können je nach Fragestellung zu unterschiedlichen Kennzahlen führen. Eine Teilnahmequote betrachtet die eingeladenen Personen als Grundlage, während die Überraschungsquote ausschließlich die tatsächlich erschienenen Gäste berücksichtigt. Beide Sichtweisen sind korrekt – sie beantworten nur unterschiedliche Fragen.
Der eigentliche Mehrwert entsteht somit nicht durch die Join-Technik allein, sondern durch das Zusammenspiel aus Datenmodell, Filterkontext und Kennzahlenlogik. Genau hier liegt der Übergang von Datenaufbereitung zu analytischem Denken.
Die wichtigste Erkenntnis lautet daher:
Ein Join ist keine technische Funktion – er ist eine fachliche Entscheidung.
Und entsprechend gilt auch für die Auswertung:
Es gibt nicht die eine richtige Kennzahl – sondern immer nur das Ergebnis im jeweiligen Filterkontext.
Mir war bei diesem Beitrag wichtig, nicht nur die einzelnen Join-Arten isoliert zu erklären, sondern sie in einen nachvollziehbaren fachlichen Kontext einzubetten. Erst durch den Aufbau eines kleinen Datenmodells und die anschließende Auswertung wird sichtbar, welche Rolle Joins tatsächlich in der Praxis spielen – nämlich als Grundlage für Analyse und Kennzahlen.
...