Power Query für Einsteiger: Daten automatisch zusammenführen und bereinigen

Wenn in einem Unternehmen Zahlen aus Filialen, Onlineshop und Buchhaltung zusammenlaufen, beginnt oft das gleiche Spiel: Dateien landen per E‑Mail im Postfach, Spalten heißen überall anders, Datumsformate wechseln, und irgendwo sitzt jemand, der das alles in Excel „mal eben“ zusammenkopiert. Genau an dieser Stelle zeigt Power Query seinen praktischen Wert. Das Werkzeug verbindet Datenquellen, formt Rohdaten in eine auswertbare Struktur und wiederholt diese Datenaufbereitung später automatisch – ohne dass jedes Mal dieselben Handgriffe nötig sind. Besonders für Einsteiger wirkt das erst wie ein Spezialthema, ist jedoch im Alltag schnell ein echter Zeitgewinn.

Entscheidend ist dabei nicht nur der Datenimport, sondern die Logik dahinter: Power Query speichert jeden Schritt als nachvollziehbare Abfolge. Dadurch lassen sich Tabellen konsistent halten, Fehlerquellen reduzieren und Reports schneller aktualisieren. Wer im Datenmanagement Verantwortung trägt, profitiert zudem von klaren Regeln: gleiche Überschriften, saubere Datentypen und ein definierter Prozess fürs Daten zusammenführen. Im Folgenden wird das an einem durchgehenden Beispiel aus dem Vertriebscontrolling einer fiktiven Firma verdeutlicht, die Monatsdaten aus Berlin und Hamburg bündelt und für die Datenanalyse aufbereitet.

• Power Query beschleunigt Datenimport und Datenaufbereitung in Excel, weil Schritte gespeichert und später automatisch erneut ausgeführt werden.
• Für Einsteiger sind zwei Kernwege wichtig: Daten zusammenführen durch Anhängen (untereinander) oder durch Zusammenführen/Merge (nebeneinander über Schlüsselspalten).
• Saubere Grundlagen wie Tabellenformat (STRG+T), eindeutige Überschriften und korrekte Datentypen verhindern typische Fehler in der Datenanalyse.
• Daten bereinigen umfasst u. a. Dubletten entfernen, Leerzeilen löschen, Texte vereinheitlichen und Währungs-/Datumswerte korrekt typisieren.
• Ein Klick auf „Aktualisieren“ macht monatliche Reports planbar, weil Power Query neue Zeilen, neue Dateien oder neue Monate zuverlässig einliest.

Power Query in Excel verstehen: Warum Einsteiger beim Datenmanagement sofort profitieren

Power Query ist in Excel der Ort, an dem aus verstreuten Listen ein reproduzierbarer Prozess wird. Statt Daten manuell zu kopieren oder Formeln auf Verdacht zu ziehen, werden Arbeitsschritte als Abfrage aufgebaut. Dadurch entsteht eine Art Rezept: Quelle auswählen, Daten bereinigen, strukturieren, laden. Außerdem bleibt dieses Rezept sichtbar, was im Team hilft, denn Kolleginnen und Kollegen können die Schritte prüfen und anpassen.

Im Alltag trifft das besonders auf Situationen zu, in denen monatlich ähnliche Dateien eintreffen. Ein Vertriebscontroller erhält beispielsweise Umsätze aus zwei Filialen. Die Tabellen sehen ähnlich aus, jedoch enthält eine Datei Währungszeichen, die andere nicht. Zudem ist das Datum einmal als „01.11.2025“ und einmal als „2025-11-01“ gespeichert. Ohne Power Query entstehen schnell Mischformate, und die Datenanalyse in Pivot oder Diagrammen hakt. Mit Power Query wird das Format einmal festgelegt; folglich bleibt es beim Aktualisieren stabil.

Wichtig ist dabei das Mindset: Power Query arbeitet nicht „in Zellen“, sondern in Schritten. Deshalb wirken viele Aufgaben zunächst ungewohnt. Dennoch ist genau das die Stärke, weil Regeln zentral statt verteilt in tausenden Zellen liegen. Während klassische Excel-Methoden oft jede neue Zeile „mitziehen“ müssen, wird die Transformation im Hintergrund neu angewandt. Dadurch ist das Ergebnis in vielen Fällen robuster, vor allem bei großen Datenmengen.

Abgrenzung zu Formeln: Weniger Zelllogik, mehr Prozess

In klassischen Arbeitsmappen werden Probleme oft mit SVERWEIS/XVERWEIS, TEXT-Funktionen oder verschachtelten WENN-Formeln gelöst. Das kann funktionieren, jedoch steigt die Fehleranfälligkeit, sobald Spaltennamen wechseln oder Dateien anders sortiert sind. Power Query setzt dagegen auf definierte Schritte, die unabhängig von der aktuellen Sortierung wirken. Deshalb lassen sich Quellen leichter austauschen, solange Struktur und Schlüssel stimmen.

Ein praktisches Beispiel aus dem Controlling: Die Filiale Berlin liefert „Umsatz“ als Zahl, Hamburg als Text „200 €“. In Formeln müsste das Zeichen entfernt und dann in Zahl umgewandelt werden. In Power Query wird hingegen ein Schritt „Währungssymbole entfernen“ und danach „Datentyp Dezimalzahl“ gesetzt. Außerdem bleibt diese Reihenfolge gespeichert, sodass der nächste Monat automatisch sauber läuft. Das ist im Datenmanagement ein großer Vorteil.

Orientierung im Menü: Wo Power Query in Excel steckt

Der Einstieg gelingt am besten über den Reiter „Daten“. Dort findet sich „Abrufen und transformieren“. Von hier aus startet der Datenimport aus Tabellen, CSV, Ordnern oder Webquellen. Danach öffnet der Power Query-Editor, in dem rechts die angewendeten Schritte stehen. Weil jede Aktion protokolliert wird, lässt sich ein Schritt später ändern, löschen oder neu anordnen. Genau diese Nachvollziehbarkeit ist der Grund, warum Power Query in Teams gern als Standard für Datenaufbereitung genutzt wird.

Als nächstes lohnt sich der Blick darauf, wie Rohdaten vorbereitet werden, damit das Daten zusammenführen später reibungslos klappt.

Wer sich parallel ein Bild von der Oberfläche machen möchte, findet über Videotutorials einen schnellen Zugang zur Navigation im Editor.

Datenimport und saubere Ausgangslage: Tabellen richtig vorbereiten, bevor Power Query arbeitet

Bevor Power Query seine Stärken ausspielt, muss die Grundlage stimmen. Viele Probleme entstehen nicht beim Tool, sondern in den Quelldaten. Deshalb gilt: klare Spaltenüberschriften, tabellarische Struktur und möglichst keine „optischen“ Leerzeilen. Außerdem ist das Format als Excel-Tabelle (STRG+T) ein echter Beschleuniger, weil neue Zeilen automatisch zur Quelle gehören. Dadurch wird die spätere Aktualisierung zuverlässig, was gerade für Einsteiger wichtig ist.

Im Beispiel der fiktiven Firma „Nordlicht Bürobedarf“ kommen zwei Filiallisten. Berlin und Hamburg liefern jeweils Datum, Produkt und Umsatz. Damit Power Query diese Daten automatisch verarbeiten kann, sollten beide Listen exakt diese drei Spalten besitzen. Wenn Hamburg statt „Produkt“ die Überschrift „Artikel“ nutzt, kann Power Query zwar umbenennen, jedoch sollte das bewusst passieren. Daher empfiehlt sich ein kurzer Check: Überschriften vereinheitlichen, Datums- und Währungsformat nicht „gemischt“ pflegen und keine Summenzeilen in der Quelle belassen.

Praxischeckliste für Einsteiger: So sehen „Power-Query-taugliche“ Daten aus

Eine gute Quelle ist langweilig – und genau das ist positiv. Daten sollten in Zeilen stehen, eine Zeile pro Ereignis. Außerdem gehören Überschriften nur in die erste Zeile. Wenn in der Mitte der Liste erneut Überschriften auftauchen, weil jemand getrennte Blöcke kopiert hat, leidet die Datenaufbereitung. Power Query kann zwar vieles reparieren, jedoch kostet es Zeit und erzeugt komplexere Schritte.

• Jede Spalte hat eine eindeutige Überschrift, ohne Sonderfälle wie „Umsatz (neu)“ und „Umsatz alt“ in derselben Liste.
• Die Daten sind als Excel-Tabelle formatiert, damit neue Zeilen bei Aktualisierung automatisch einfließen.
• Es gibt keine zusammengeführten Zellen, weil sie die Struktur zerstören.
• Datentypen sind plausibel: Datum bleibt Datum, Umsatz bleibt Zahl/Währung, Produkt bleibt Text.
• Mehrere Dateien folgen möglichst derselben Struktur, wenn später per Ordner importiert wird.

Schrittfolge im Datenimport: Von „Aus Tabelle/Bereich“ bis zur Abfrage

Der typische Ablauf beginnt damit, dass die Tabelle markiert und über „Daten → Aus Tabelle/Bereich“ geladen wird. Danach öffnet sich der Editor. Dort können Spalten geprüft und bei Bedarf bereinigt werden. Außerdem ist es sinnvoll, Abfragen eindeutig zu benennen, zum Beispiel „Umsätze_Berlin“ und „Umsätze_Hamburg“. Dadurch bleibt das Datenmanagement übersichtlich, vor allem wenn später weitere Quellen hinzukommen.

Zusätzlich lohnt sich früh der Blick auf die Datentypen-Symbole in den Spaltenköpfen. Wenn „Umsatz“ als Text erkannt wird, sollte direkt umgestellt werden. Andernfalls entstehen später schwer erklärbare Fehler, etwa wenn Summen als Null erscheinen. Deshalb gehört die Typisierung zu den ersten Schritten in jeder Abfrage. Als nächster logischer Schritt folgt das eigentliche Daten zusammenführen, entweder untereinander oder nebeneinander.

Daten zusammenführen in Power Query: Anhängen (Append) für Monats- und Filiallisten

Beim Anhängen werden Tabellen mit gleicher Struktur untereinander gestapelt. Das ist der Standardfall für Filialdaten, Monatsberichte oder wiederkehrende Exportdateien. Deshalb ist Append für Einsteiger der schnellste Weg zu einer konsolidierten Liste. Voraussetzung ist jedoch, dass die Spalten gleich heißen und die gleiche Bedeutung haben. Wenn Berlin „Umsatz“ netto liefert und Hamburg brutto, ist die Struktur zwar gleich, die Semantik jedoch nicht. In diesem Fall muss vor dem Anhängen eine Vereinheitlichung passieren, etwa durch eine zusätzliche Spalte „Steuer enthalten: Ja/Nein“ oder durch Umrechnung.

Im Beispiel liegen zwei Tabellen vor:

Berlin: 01.11.2025 – Kugelschreiber – 250 €; 02.11.2025 – Notizbuch – 300 €.

Hamburg: 01.11.2025 – Kugelschreiber – 200 €; 02.11.2025 – Ordner – 150 €.

Wird angehängt, entsteht eine Liste mit vier Zeilen. Das klingt banal, ist jedoch die Grundlage für jede spätere Datenanalyse, etwa nach Produkt oder Datum. Zudem kann eine Spalte „Filiale“ ergänzt werden, damit Auswertungen nach Standort möglich bleiben. Diese Spalte lässt sich in jeder Abfrage vor dem Anhängen hinzufügen, oder direkt nach dem Anhängen per bedingter Logik, je nachdem wie die Quellen organisiert sind.

Append Schritt für Schritt: Abfragen anhängen statt Copy-Paste

Im Editor wird unter „Start“ die Funktion „Abfragen anhängen“ gewählt. Danach werden die beteiligten Abfragen ausgewählt. Power Query erstellt eine neue Abfrage, die beide Quellen kombiniert. Außerdem bleiben die ursprünglichen Abfragen erhalten, was später hilfreich ist, wenn eine Filiale ihr Format ändert. Dadurch kann eine Anpassung lokal in der Filialabfrage erfolgen, während die Gesamtabfrage stabil bleibt.

Ein wichtiger Praxisgriff ist das Anhängen „mehrerer Tabellen“ auf einmal, etwa wenn ein Ordner viele Monate enthält. Dann kann Power Query entweder per Ordnerimport arbeiten oder per manuell erstellter Liste von Abfragen. Der Ordnerweg ist besonders effizient, weil neue Dateien automatisch erkannt werden, sofern sie gleich strukturiert sind. Folglich wird die monatliche Arbeit auf ein Minimum reduziert.

Typische Stolpersteine beim Anhängen und wie sie sich vermeiden lassen

Wenn nach dem Append plötzlich zusätzliche Spalten auftauchen, liegt meist ein Unterschied in den Überschriften vor. Dann entsteht etwa „Umsatz“ und „Umsatz “ (mit Leerzeichen). Deshalb sollte vorab eine Bereinigung der Spaltennamen erfolgen, zum Beispiel durch Trimmen. Außerdem können Datentyp-Konflikte auftreten, wenn eine Quelle Zahlen und die andere Text liefert. In diesem Fall hilft eine konsequente Umwandlung in den Filialabfragen, bevor kombiniert wird.

Für das Datenmanagement ist außerdem ein „Qualitätsblick“ sinnvoll: Ein kurzer Filter auf Nullwerte oder Fehler nach dem Anhängen zeigt früh, ob eine Quelle aus der Reihe tanzt. Danach ist der Weg frei für die zweite Methode: das Zusammenführen per Schlüsselspalte, wenn Daten nebeneinander ergänzt werden sollen.

Wer Append live sehen möchte, kann sich eine Schrittfolge im Video ansehen und parallel in Excel nachbauen.

Abfragen zusammenführen (Merge): Schlüsselspalten, Join-Typen und saubere Verknüpfungen

Während Append „stapelt“, verbindet Merge Tabellen nebeneinander. Das ist ideal, wenn eine Liste Umsätze enthält und eine zweite Liste Zusatzinfos liefert, etwa Produktkategorien, Kostenstellen oder Kundensegmente. In Excel wurde das früher oft mit SVERWEIS gelöst. Power Query bietet jedoch eine strukturierte Alternative, weil Join-Typen klar gewählt werden und die Verknüpfung als Schritt gespeichert bleibt. Dadurch wird die Datenaufbereitung reproduzierbar, selbst wenn die Tabellen wachsen.

Ein konkretes Szenario: Nordlicht Bürobedarf hat eine Umsatzliste (Datum, Produkt, Umsatz) und eine Produkttabelle (Produkt, Kategorie, Hersteller). Für eine Datenanalyse nach Kategorie müssen diese Infos zusammen. Dafür wird im Power Query-Editor die Umsatzabfrage als primäre Tabelle gewählt, die Produkttabelle als sekundäre. Anschließend wird „Produkt“ als Schlüssel markiert. Danach entscheidet der Join-Typ, welche Zeilen im Ergebnis bleiben. Ein Left Join ist meist sinnvoll, weil alle Umsätze erhalten bleiben, auch wenn ein Produkt in der Stammtabelle fehlt. So fallen Lücken auf, statt still zu verschwinden.

Join-Typen verständlich gemacht: Inner, Left und Co.

Join-Typen wirken theoretisch, sind jedoch im Alltag schnell greifbar. Inner Join zeigt nur Datensätze, die in beiden Tabellen passen. Das ist nützlich, wenn nur „vollständige“ Fälle ausgewertet werden sollen. Left Join behält alles aus der linken Tabelle und ergänzt, was gefunden wird. Right Join ist seltener, kann jedoch bei Stammdatenpflege helfen. Full Outer Join zeigt alles aus beiden Tabellen und legt Lücken offen, was für Datenmanagement und Qualitätssicherung spannend ist.

Gerade für Einsteiger lohnt sich ein einfacher Test: Nach dem Merge wird die neue Spalte mit den verknüpften Daten „expandiert“. Dabei können ausgewählte Felder übernommen werden, etwa Kategorie und Hersteller. Außerdem sollte die Option „Ursprünglichen Spaltennamen als Präfix verwenden“ bewusst gesetzt werden, damit später klar bleibt, woher ein Feld stammt. Folglich bleibt die Auswertung nachvollziehbar, selbst wenn mehrere Stammtabellen eingebunden sind.

Beispieltabelle: Klassische Excel-Methoden vs. Power Query in der Datenaufbereitung

Aufgabe	Klassisch in Excel	Mit Power Query	Praxisnutzen im Alltag
Datenimport aus CSV/Ordner	Manuelles Öffnen, Kopieren, Einfügen	Abfrage, die Dateien automatisch einliest	Monatsläufe werden schneller und konsistenter
Daten bereinigen (Leerzeichen, Dubletten)	Formeln, Filter, teils Makros	Klickschritte als wiederholbare Transformation	Weniger Fehler durch gleichbleibende Regeln
Daten zusammenführen (Lookup)	SVERWEIS/XVERWEIS, anfällig bei Änderungen	Merge mit Join-Typen und Schlüsselspalten	Transparente Verknüpfung, leichter auditierbar
Performance bei großen Listen	Viele Formeln bremsen Arbeitsmappen	Transformation vor dem Laden, schlanker Output	Stabilere Dateien, bessere Datenanalyse

Qualität sichern: Schlüsselspalten, Duplikate und Match-Raten

Ein Merge ist nur so gut wie die Schlüsselspalte. Wenn „Produkt“ mal „Kugelschreiber“ und mal „Kugelschreiber “ enthält, sinkt die Trefferquote. Daher ist vor dem Merge oft ein Text-Trim sinnvoll. Außerdem sollten Dubletten in der Stammtabelle vermieden werden, sonst entstehen Mehrfachzuordnungen. Power Query zeigt solche Effekte, jedoch sollte bewusst geprüft werden, ob die Zeilenanzahl nach dem Merge plausibel bleibt. Diese Plausibilitätskontrolle ist ein Kernstück professioneller Datenaufbereitung.

Nachdem Daten verbunden sind, rückt die eigentliche Bereinigung in den Fokus: Fehler entfernen, Formate vereinheitlichen und neue Felder berechnen, damit die Datenanalyse belastbar wird.

Daten bereinigen und transformieren: Wiederholbare Regeln für saubere Datenanalyse

Unsaubere Daten sind selten spektakulär, jedoch teuer in der täglichen Arbeit. Ein falscher Datentyp kann Summen verfälschen. Ein zusätzliches Leerzeichen kann das Matching beim Merge brechen. Deshalb ist Daten bereinigen in Power Query mehr als Kosmetik: Es ist eine Qualitätsmaßnahme, die Auswertungen absichert. Der Vorteil liegt in der Wiederholbarkeit. Sobald eine Regel steht, wird sie beim nächsten Datenimport automatisch erneut angewandt.

Im Beispiel tauchen typische Probleme auf: In Hamburg steht „200 €“ als Text. In Berlin ist es eine Zahl mit Währungsformat. Außerdem gibt es gelegentlich leere Zeilen, weil beim Export eine Fußzeile mitkommt. In Power Query lassen sich diese Punkte systematisch lösen. Zuerst wird „Umsatz“ bereinigt, indem nicht numerische Zeichen entfernt werden. Danach wird der Datentyp auf Dezimalzahl gesetzt. Anschließend werden leere Zeilen gefiltert oder entfernt. Dadurch entsteht eine stabile Basis für Pivot, Diagramme oder weitere Berechnungen.

Konkrete Techniken: Von Dubletten bis Datentypen

Dubletten entstehen schnell, etwa wenn zwei Kolleginnen denselben Monat exportieren und beide Dateien im Ordner landen. Power Query kann Duplikate auf Basis einer oder mehrerer Spalten entfernen. Dennoch sollte vorher klar sein, was „doppelt“ bedeutet. Bei Umsätzen kann das Datum-Produkt-Umsatz-Triple als Schlüssel dienen. Bei Kundendaten wäre es eher die Kundennummer. Deshalb ist die Auswahl der Spalten kein Nebendetail, sondern eine fachliche Entscheidung.

Datentypen sind der zweite große Block. Zahlen, Datum und Text sollten früh fixiert werden. Außerdem ist bei Datumsformaten wichtig, welche Regionseinstellungen greifen. Wenn Quellen aus unterschiedlichen Systemen stammen, kann „01.11.2025“ als 11. Januar missverstanden werden. Power Query bietet hierfür klare Typisierung; zusätzlich kann eine explizite Umwandlung mit Gebietsschema genutzt werden, wenn internationale Daten zusammentreffen. Dadurch bleibt die Datenanalyse korrekt, auch wenn Quellen wechseln.

Berechnete Spalten und einfache Logik: Mehr Wert aus Rohdaten ziehen

Power Query kann neue Spalten hinzufügen, etwa „Umsatz inkl. Steuer“. Dafür wird eine benutzerdefinierte Spalte erstellt, die Umsatz mit einem Faktor multipliziert. Das ersetzt keine komplexe Modellierung, ist jedoch für viele Reports ausreichend. Außerdem können Hilfsspalten wie „Monat“ oder „Jahr“ aus dem Datum abgeleitet werden. Folglich lassen sich Zeitreihen schneller auswerten, ohne dass nach dem Laden zusätzliche Excel-Formeln nötig sind.

Ein weiterer Praxisgriff ist die farbliche Hervorhebung im Arbeitsblatt nach dem Laden. Power Query selbst färbt nicht, jedoch kann das geladene Ergebnis als Excel-Tabelle formatiert werden. Dadurch werden Filter, bandierte Zeilen und strukturierte Verweise genutzt. Gerade Einsteiger behalten so leichter die Übersicht, wenn das Datenmanagement wächst.

Aktualisierung und Automatisierung: „Einmal bauen, monatlich nutzen“

Nach der Transformation folgt „Schließen & Laden“. Die Abfrage landet als Tabelle in Excel oder als Verbindung für weitere Modelle. Sobald neue Daten eintreffen, reicht ein Rechtsklick auf die Tabelle und „Aktualisieren“. Dann werden Datenimport, Datenaufbereitung, Daten zusammenführen und Daten bereinigen automatisch erneut ausgeführt. Für monatliche Reports ist das der zentrale Hebel: Der Prozess wird planbar, und die Fehlerquote sinkt spürbar.

Im nächsten Schritt kann dieser Ansatz ausgebaut werden, etwa durch Parameter, die automatisch den aktuellen Monat wählen, oder durch Ordnerabfragen, die neue Dateien ohne Umbau integrieren. Damit wird aus einer Excel-Datei ein kleines, wartbares System.

Welche Voraussetzungen brauchen Einsteiger, um Power Query in Excel zu nutzen?

Benötigt wird eine Excel-Version mit dem Bereich „Daten → Abrufen und transformieren“. Sinnvoll sind außerdem tabellarisch aufgebaute Quellen mit klaren Überschriften. Wenn die Daten als Excel-Tabelle (STRG+T) formatiert sind, funktioniert die automatische Aktualisierung besonders zuverlässig.

Wann ist „Anhängen“ besser als „Zusammenführen“ beim Daten zusammenführen?

Anhängen (Append) passt, wenn mehrere Tabellen die gleiche Spaltenstruktur haben und untereinander gestapelt werden sollen, etwa Filial- oder Monatslisten. Zusammenführen (Merge) ist richtig, wenn zusätzliche Spalten über eine gemeinsame Schlüsselspalte ergänzt werden sollen, etwa Produktkategorie zur Umsatzliste oder Kundendaten zu Bestellungen.

Warum sind Datentypen beim Daten bereinigen so wichtig?

Falsche Datentypen führen zu typischen Analysefehlern: Zahlen werden als Text nicht korrekt summiert, Datumswerte lassen sich nicht nach Monaten gruppieren und Filter liefern unerwartete Ergebnisse. Deshalb sollten Datentypen früh in der Abfrage geprüft und festgelegt werden.

Wie bleibt die Abfrage stabil, wenn monatlich neue Zeilen oder Dateien hinzukommen?

Bei neuen Zeilen hilft das Tabellenformat in Excel, weil die Quelle automatisch erweitert wird. Bei neuen Dateien ist eine Ordnerabfrage sinnvoll, sofern alle Dateien gleich strukturiert sind. Danach reicht „Aktualisieren“, und Power Query führt den Datenimport und die komplette Datenaufbereitung automatisch erneut aus.