.png){kind=small}
Regionen in Power BI mit Azure Maps
- Ulrik Harnisch
- 19. Jan.
- 9 Min. Lesezeit
Aktualisiert: 20. Jan.
In diesem Beitrag werden wir uns sehr intensiv mit Karten in Power BI beschäftigen – und zwar so, dass du am Ende nicht nur irgendeine Punktwolke auf einer Karte hast, sondern echte Flächen.
Wer im Vertriebscontrolling oder in der Datenanalyse arbeitet, kennt dieses klassische Szenario: Die Vertriebsleitung schickt eine Excel-Liste mit der neuen Gebietsaufteilung. Darin steht dann so etwas wie: "Postleitzahl 01000 bis 19999 gehört zum Gebiet Ost".
Das Problem? Power BI und gängige GIS-Tools verstehen keine "Von-Bis"-Logik. Sie benötigen konkrete Geometrien. Wenn du versuchst, das direkt auf eine Karte zu bringen, erhältst du nur einzelne Punkte oder unvollständige Flecken, aber keine sauberen, eingefärbten Flächen.
In diesem Deep-Dive-Tutorial zeige ich dir Schritt für Schritt, wie du diese abstrakten Excel-Daten in ein interaktives Flächenkartogramm in Azure Maps verwandelst. Wir nutzen dafür das Open-Source-Tool QGIS, um offizielle Postleitzahl-Shapes mit deinen Unternehmensdaten zu verschmelzen und sie für Power BI aufzubereiten.
Vorbereitung: Das Werkzeugkasten
Bevor wir starten, benötigen wir drei Dinge:
QGIS: Ein kostenloses, aber sehr mächtiges Tool zur Bearbeitung von Geodaten.
PLZ-Shapefiles: Wir benötigen die Umrisse aller deutschen Postleitzahlen. Diese findest du auf GitHub als "GeoJSON"-Dateien. https://github.com/yetzt/postleitzahlen
Pro-Tipp: Achte auf die Dateiendung .br (Brotli). Das ist ein komprimiertes Format. Da die meisten Entzipper das nicht können, nutze ein Online-Tool, um die .br-Datei in eine lesbare GeoJSON zu entwandeln. https://brotli.myl.moe/
Geo-Utils (Minifier): Ein weiteres Online-Tool, um die finale Datei später für Power BI zu "säubern". https://geoutil.com/de/
Warum Karten in Power BI so oft scheitern (und woran es liegt)
Bei Karten in Power BI gibt es zwei Klassiker, die immer wieder Zeit fressen: Einmal die Datenlogik: „von bis“ ist fachlich okay, aber geografisch nicht eindeutig. Eine Karte braucht pro Fläche einen Schlüssel, der stabil ist – und „01000–19999“ ist kein einzelner Wert, sondern ein Bereich. Und dann die Geometrien: QGIS oder andere Tools können ungültige Polygone oft trotzdem anzeigen, Power BI ist da deutlich strenger. Ein kleiner Geometriefehler reicht und du bekommst fehlende Flächen, kaputte Umrisse oder schlicht ein leeres Visual.
Der Workflow unten löst beides: du erzeugst eine eindeutige PLZ-Zuordnung und eine Geometrie-Datei, die Power BI zuverlässig rendert.
Was du brauchst
Es sind am Ende nur drei Dinge, aber sie müssen passen:
QGIS (Freeware), um Geometrien zu reparieren und Flächen zusammenzufassen.
PLZ-Flächen als GeoJSON (häufig komprimiert als .br/Brotli).
Eine CSV, in der jede einzelne PLZ genau einer Region zugeordnet ist.
Faustregel: GeoJSON ist ideal für Azure Maps in Power BI. TopoJSON ist eher dann interessant, wenn du ein klassisches Flächenkartogramm nutzt. Heute bleiben wir bewusst bei Azure Maps, weil du damit eine echte Hintergrundkarte bekommst und trotzdem deine eigenen Regionen als Polygone darüberlegen kannst.
Schritt 1: GeoJSON aus einer .br-Datei machen (Brotli entpacken)
Bevor überhaupt an Karten in Power BI zu denken ist, brauchst du eine Geometrie-Datei, die Azure Maps versteht. Viele aktuelle Datensätze kommen komprimiert als .br (Brotli). Das ist wie ZIP, nur dass viele Entpacker damit nicht umgehen können.
Der pragmatische Weg: ein Brotli-Decompressor (oft als Online-Tool) entpackt dir die Datei in eine echte .geojson. Dort wählst du die .br aus, lässt entpacken und lädst das Ergebnis als Datei herunter. Am Ende sollte eine GeoJSON-Datei vorliegen, die mehrere MB groß ist – das ist normal, weil sehr viele PLZ-Flächen drinstecken.
Wenn die .geojson bereitliegt, ist die Geografie da, aber noch ohne Business-Logik. Im nächsten Schritt machst du aus „von bis“ eine eindeutige Zuordnung PLZ → Region, damit du später überhaupt sauber joinen kannst.
Schritt 2: "Von bis" in Excel so umbauen, dass es kartentauglich ist
Die Geometrien allein liefern dir noch keine Auswertung. Für Karten in Power BI brauchst du eine eindeutige Verbindung zwischen deinen Regionen und der Geografie. „01000–19999 = Ost“ ist verständlich, aber technisch kein Join-Schlüssel – du brauchst eine Zeile pro PLZ.
Der Umbau ist simpel, aber entscheidend: erstens bringst du alle Bereiche in eine saubere, einspaltige Liste (wenn die Datei zweispaltig geliefert wurde, alles untereinander). Dann legst du zwei Spalten an: PLZ von (erste fünf Zeichen) und PLZ bis (letzte fünf Zeichen). Danach erzeugst du eine PLZ-Tabelle, die alle PLZ enthält, die du abdecken willst, und ermittelst per Lookup-Logik für jede PLZ das passende Gebiet (die klassische Idee: „nimm den letzten gültigen Treffer“ bzw. den nächst kleineren Bereichsstart, der noch passt).
Am Ende brauchst du ein Ergebnisblatt, das wirklich nur das enthält, was später gebraucht wird: PLZ, Gebiet (Name) und optional GebietID. Dieses Ergebnisblatt exportierst du als CSV (UTF-8, Trennzeichen getrennt).
Sobald diese CSV existiert, ist der wichtigste Schlüssel im ganzen Prozess fertig. Jetzt kannst du die Flächen in QGIS laden und anschließend mit deiner CSV verheiraten. Genau das passiert im nächsten Schritt.
Schritt 3: PLZ-Flächen in QGIS laden
QGIS ist in diesem Setup dein Werkbank-Schritt. Power BI kann GeoJSON anzeigen, aber es kann Geometrien nicht so flexibel reparieren, kombinieren und prüfen wie QGIS. Deshalb holst du die PLZ-Flächen zuerst in eine Umgebung, die Geometrien wirklich ernst nimmt.
In QGIS legst du ein neues Projekt an und ziehst die PLZ-GeoJSON per Drag & Drop in die Karte. QGIS liest jetzt sehr viele Features ein (eine Fläche pro PLZ), das dauert je nach Datei und Rechner einen Moment. Wenn der Layer hinzugefügt ist, siehst du Deutschland als Patchwork aus Postleitzahlflächen.
Damit ist die Grundlage sichtbar, aber noch nicht stabil genug für Power BI. Der nächste Schritt ist der wichtigste Qualitätshebel: Geometrien reparieren, bevor du weiterarbeitest.
Schritt 4: Geometrien reparieren (damit Power BI nicht aussteigt)
Dieser Schritt spart dir später die meisten „Warum fehlt da eine Fläche?“-Momente. QGIS rendert viele Geometriefehler stillschweigend weg, Power BI nicht. Und bei Karten in Power BI ist ein ungültiges Polygon nicht nur unschön, sondern häufig ein echter Showstopper.
Blende in QGIS die Verarbeitungswerkzeuge ein (Ansicht → Bedienfelder). Suche nach „reparieren“ und nutze Geometrien reparieren (Vektorgeometrie). Als Eingabelayer wählst du deinen PLZ-Layer. QGIS geht dann jedes Feature durch und repariert typische Probleme wie nicht geschlossene Ringe oder kleine Schleifen.
Nach dem Lauf hast du einen neuen Layer, dem du deutlich mehr vertrauen kannst. Jetzt fehlt nur noch die Information, welche PLZ-Fläche zu welchem Gebiet gehört. Das erledigst du im nächsten Schritt über eine Verknüpfung mit deiner CSV.
Schritt 5: CSV mit Regionen verknüpfen
Bis hierher existieren zwei Welten: Geometrie (PLZ-Flächen) und Business-Logik (Gebiete/Regionen). Für Karten in Power BI musst du beide zusammenbringen, sonst bleibt es bei einer hübschen Karte ohne Aussage.
Ziehe deine CSV (PLZ → Gebiet) ebenfalls per Drag & Drop in QGIS. Öffne dann die Eigenschaften deines reparierten Geometrie-Layers und gehe in den Bereich Verknüpfungen (Joins). Lege eine neue Verknüpfung an: Join-Layer ist die CSV, Join-Feld ist PLZ aus der CSV, und als Zielfeld im Geometrie-Layer wählst du das Feld, das die PLZ enthält (oft postcode oder ähnlich).
Optisch passiert danach häufig noch nichts – das ist normal. Inhaltlich ist es der Wendepunkt: ab jetzt weiß jede PLZ-Fläche, zu welchem Gebiet sie gehört. Damit kannst du im nächsten Schritt aus tausenden PLZ-Flächen eine handhabbare Regionskarte bauen.
Schritt 6: Vertriebsregionen bauen (Auflösen/Dissolve)
Eine Karte mit allen PLZ-Flächen ist in vielen Reports zu granular und visuell unruhig. In Karten in Power BI nutzt du für Management- oder Vertriebssteuerung meistens eine Regionsebene: wenige Flächen, klar unterscheidbar, sinnvoll aggregierbar.
In QGIS nutzt du dafür das Werkzeug Auflösen (Dissolve). Als Eingabelayer nimmst du den reparierten Layer mit dem Join. Als „Feld auflösen“ wählst du entweder Gebiet oder GebietID – je nachdem, womit du später in Power BI arbeiten willst. QGIS kombiniert jetzt alle PLZ-Polygone, die zum gleichen Gebiet gehören, zu einer gemeinsamen Fläche.
Wenn der Prozess durch ist, siehst du deine Gebiete als echte Regionen. Das ist fachlich die richtige Kartengrundlage. Damit Power BI sie nutzen kann, muss daraus jetzt eine Datei werden – und zwar im passenden Format. Genau das machst du im nächsten Schritt per Export als GeoJSON.
Schritt 7: Export als GeoJSON (für Azure Maps)
Der aufgelöste Layer ist oft nur ein Zwischenergebnis im Speicher. Für Karten in Power BI brauchst du aber eine Datei, die du im Bericht als Referenzebene hochladen kannst. Deshalb exportierst du den aufgelösten Layer jetzt bewusst als GeoJSON.
Rechtsklick auf den aufgelösten Layer → Export → Objekte speichern als. Wichtig ist das Format: GeoJSON. Gib der Datei einen klaren Namen (z. B. vertriebsregionen.geojson) und speichere sie ab. Ab jetzt ist die Regionsebene persistiert und kann wiederverwendet werden.
Technisch wäre das schon genug, aber in der Praxis gibt es eine weitere Falle: Power BI kommt mit manchen GeoJSONs aus QGIS nicht immer sauber klar. Deshalb folgt ein kurzer Stabilitätsschritt: die Datei standardisieren, damit Azure Maps sie zuverlässig rendert.
Schritt 8: GeoJSON standardisieren (Minify/Clean)
Dieser Schritt sieht nach Kosmetik aus, ist aber in der Praxis ein Stabilitätsbooster. QGIS erzeugt korrektes GeoJSON, aber nicht immer in der Variante, die Power BI am liebsten mag. Bei Karten in Power BI geht es selten um Dateigröße, sondern um ein konsistentes, standardisiertes Format ohne unnötige Metadaten und ohne Eigenheiten, die beim Rendern stören.
Ein GeoJSON-Minifier oder ein Geo-Tool, das die Datei „neu schreibt“, reicht dafür meist aus. Du lädst deine GeoJSON rein, lässt sie verarbeiten und speicherst das Ergebnis. Selbst wenn du „alles behalten“ willst, hilft dieser Schritt, weil Power BI später weniger Interpretationsarbeit hat.
Wenn du jetzt eine standardisierte GeoJSON in der Hand hast, ist die Vorbereitung abgeschlossen. Ab hier arbeitest du im Zielsystem: Power BI. Im nächsten Schritt lädst du die Datei als Referenzebene in Azure Maps und baust die Flächenkarte.
Schritt 9: Azure Maps in Power BI mit Referenzebene/Flächenfarben
Jetzt wird aus Vorbereitung eine echte Anwendung. Der große Vorteil von Azure Maps gegenüber klassischen Flächenkartogrammen ist der Kontext: du bekommst eine echte Basemap darunter und kannst trotzdem deine eigenen Polygone als Referenzebene darüberlegen. Für Karten in Power BI ist das häufig der Sweet Spot aus Analyse und Orientierung.
Erstelle in Power BI ein Azure Maps-Visual. Ziehe dein Gebiets-Feld (z. B. Gebiet) zunächst in den Standort. Am Anfang siehst du eventuell Punkte irgendwo auf der Welt, weil Power BI versucht, „Ost“ oder „Nord“ als Ortsnamen zu interpretieren. Das ist nicht schlimm – gleich übernimmt die Referenzebene.
Öffne die Formatierung des Visuals und gehe zur Referenzebene. Dort lädst du deine standardisierte GeoJSON-Datei hoch. Wenn danach noch Punkte zu sehen sind, liegt das oft daran, dass eine Punkt-/Blasenebene aktiv ist. Nimm sie raus, damit die Polygone im Mittelpunkt stehen.
Für die Einfärbung gehst du in den Polygon-Bereich und nutzt bedingte Formatierung: aktiviere einen Farbverlauf und wähle als Basis ein Measure, z. B. Umsatz oder durchschnittlicher Rabatt. Damit entsteht die Regions-Heatmap als echte Fläche. Rahmenbreite sparsam wählen, sonst erschlägt die Umrandung die Aussage.
Wenn die Polygone sichtbar sind und sich korrekt färben lassen, ist die Regionskarte im Griff. Was jetzt noch fehlt, ist der Alltagsteil: von der Region in Details springen, ohne Filterorgien. Dafür baust du im nächsten Schritt eine Drillthrough-Seite.
Schritt 10: Drillthrough auf Details (Region → PLZ → Kunden)
Eine Karte, die nur zeigt, ist nett. Eine Karte, die dir beim beantworten von Fragen hilft, ist wertvoll. Genau hier werden Karten in Power BI praktisch: aus einer auffälligen Region willst du direkt verstehen, welche PLZ dahinterliegen und welche Kunden den Umsatz treiben.
Lege eine neue Seite an, nenne sie z. B. „Details“ und setze sie als Drillthrough-Ziel, indem du Gebiet in die Drillthrough-Felder ziehst. Auf die Seite packst du eine zweite Azure Map und eine Tabelle. In der Karte arbeitest du sinnvollerweise mit einer Hierarchie, z. B. Land → Gebiet → PLZ. Der Trick dabei: Land (oder Country) sorgt dafür, dass Power BI eindeutig in Deutschland bleibt, statt dir PLZ „kreativ“ ins Ausland zu legen.
Als Größe nutzt du dein Umsatz-Measure. Dann drillst du in der Karte von Land auf Gebiet und von dort auf PLZ. Damit siehst du nicht nur die Region als Fläche, sondern auch die Verteilung innerhalb der Region. In der Tabelle listest du Kundenname, Standort, Umsatz und Rabatt. Setze einen Filter „Umsatz ist nicht blank“, damit bei Drillthrough nicht leere Zeilen stören.
Wenn du jetzt auf der Startseite eine Region auswählst und Drillthrough ausführst, zoomt Power BI in die passende Detailansicht. Der Mehrwert von Azure Maps ist hier besonders sichtbar: du hast eine echte Basemap darunter und erkennst sofort, ob ein Kunde „bei Hamburg“ sitzt oder ob die Verteilung entlang eines Flusses oder einer städtischen Achse passiert.
Damit steht die Story im Bericht: Übersicht auf Regionsebene, dann gezielt in die Fläche rein, bis du beim konkreten Kunden bist. Ab hier kannst du den Bericht produktiv machen: Tooltips verfeinern, Farblogik stabilisieren, Datenqualität prüfen und die GeoJSON als wiederverwendbaren Baustein in weiteren Reports nutzen.
Fazit: Karten funktionieren, wenn du die Geometrien ernst nimmst
Wenn aus „PLZ von bis“ eine belastbare Flächenkarte werden soll, braucht es zwei Dinge: eine eindeutige Zuordnung (jede PLZ zu genau einem Gebiet) und Geometrien, die sauber sind (repariert, sinnvoll zusammengefasst, standardisiert). Sobald das steht, ist der Part in Power BI überraschend entspannt: GeoJSON als Referenzebene laden, Polygone nach Measures einfärben, Quickinfos ergänzen, Drillthrough bauen.
Der größte Gewinn ist dabei nicht nur die Visualisierung, sondern die Transparenz: Karten in Power BI machen Datenprobleme sichtbar, die du in Tabellen oft übersiehst – falsche Zuordnungen, Ausreißer, leere Gebiete, seltsame PLZ-Lagen. Genau deshalb lohnt sich der Aufwand für diesen Workflow.
Der nächste sinnvolle Schritt
Power BI entfaltet seinen Nutzen erst dann vollständig, wenn Dashboards sauber aufgebaut, Datenmodelle durchdacht und Kennzahlen klar definiert sind.Genau diese Grundlagen entscheiden darüber, ob Berichte genutzt oder ignoriert werden.
Wenn du Power BI strukturiert aufsetzen oder bestehende Lösungen verbessern willst, unterstützen wir dich mit:
Power BI Training – für einen sauberen, praxisnahen Einstieg
Power BI Coaching – für konkrete Herausforderungen in Modellen, DAX oder Performance
Data Strategy Check – um eure Analytics-Organisation ganzheitlich einzuordnen
So wird aus einem funktionierenden Bericht eine belastbare Analytics-Lösung.
