Prompten in Power BI in der Praxis

Dirk Müller
vor 5 Tagen
8 Min. Lesezeit

Aktualisiert: vor 4 Tagen

Prompten in Power BI klingt oft nach „ein Satz rein, fertiger Report raus“. In der Praxis ist es eher ein neuer Arbeitsstil: Copilot hilft dir schneller zu entwerfen, zu explorieren und zu refactoren – aber nur dann zuverlässig, wenn Semantik, Kontext und Leitplanken stimmen. Genau deshalb lohnt es sich, Prompten als Produktionswerkzeug mit Qualitätskriterien zu behandeln. Am Ende des Artikels hast du einen pragmatischen Entscheidungsrahmen, Best Practices und drei Praxisbeispiele mit Prompt-Design auf Prompt-Engineer-Niveau – inklusive Grenzen, damit du nicht in KI-Enttäuschung läufst.

Was ist Prompten in Power BI wirklich?

Prompten in Power BI ist nicht ChatGPT im Dashboard, sondern eine Sammlung von Copilot-Erlebnissen: Report-Seiten generieren, Datenfragen beantworten, Narrative erstellen und DAX/Queries unterstützen. Das Entscheidende: Copilot arbeitet nicht im luftleeren Raum, sondern nutzt dein semantisches Modell (Tabellen, Spalten, Measures, Beschreibungen, Hierarchien) als Kontext.

Dazu kommen neue „Prep data for AI“-Werkzeuge wie AI data schema, AI instructions und Verified Answers, die direkt im Modell gespeichert werden und die Qualität der Antworten spürbar stabilisieren – weil sie Ambiguität reduzieren und Begriffe/Regeln festnageln.

Wichtig für die Erwartungshaltung: KI-Verhalten ist nicht deterministisch. Selbst mit identischem Prompt kann Copilot variieren – du bekommst also keine Garantie, sondern eine bessere Ausgangslage. Wenn du Prompten als Ergebnisgenerator behandelst, wirst du regelmäßig nacharbeiten müssen. Wenn du es als Co-Autor mit sauberem Modell und klaren Leitplanken nutzt, wird es schnell zu einem echten Produktivitätshebel.

Wann lohnt sich Prompten in Power BI – und wann nicht?

Prompten in Power BI ist sinnvoll, wenn du Speed brauchst, ohne Qualität komplett zu opfern: schneller Entwurf, schnellere Exploration, schnellere DAX-Iteration. Es lohnt sich weniger, wenn du kausale Erklärungen erwartest, wenn die Semantik schlecht ist oder wenn Governance/Compliance nicht geklärt ist.

Sinnvolle Einsatzzwecke von Prompten in Power BI

A) Report-Entwurf & Seiten-Prototyping: Wenn du aus einem guten Modell schnell eine Seite mit passenden Visual-Kandidaten und einer Storyline brauchst, ist Copilot stark. Das sind 80% zum Start, aber nicht „100% fertig.

B) Ad-hoc Datenfragen für Consumer:„Ask Copilot for data“ ist gut, um Fragen als Visual zu beantworten – aber aktuell nur im Service, nur Englisch, und ohne automatische Übernahme von Report-Filtern/Slicern in die Copilot-Antwort.

C) DAX/Query-Arbeit & Refactoring: Copilot ist besonders nützlich, wenn du verbose Visual-Queries aus dem Performance Analyzer in eine verständlichere DAX-Form bringen willst („Remove VARs and TOPN…“). Das ist realer Projekt-Mehrwert, weil es Wartbarkeit und Debugging beschleunigt.

Wann du es eher lassen solltest

„Warum ist das so?“ als Erwartung (Kausalität, Root Cause) – Copilot kann Hinweise geben, aber du musst die Analyse sauber modellieren/validieren.
Unklare Begriffe im Modell (Codes, doppeldeutige Spaltennamen, fehlende Measures) – dann promptest du gegen Nebel.
Hohe Stakes ohne Review (Board-Zahlen, Finanzreporting): Copilot kann sich irren, du brauchst Kontrolle/Review-Pfad.

Prompten lohnt sich dort, wo du aus guten Daten schneller zu brauchbaren Artefakten kommst. Wenn du Semantik, Filterlogik und Verantwortlichkeiten nicht im Griff hast, ist Copilot eher ein Beschleuniger für Verwirrung als für Erkenntnis.

Die 80/20-Regel: Das Modell schlägt den Prompt

Der größte Qualitätshebel ist nicht der schönste Prompt, sondern ein Modell, das Copilot eindeutig lesen kann. Du erhältst bessere Ergebnisse mit Best-Practice-Modellen – und oft brauchst du zusätzliche „Prep data for AI“-Hilfen, um Ambiguität zu reduzieren.

Drei Model-Hebel, die Prompting produktionsreif machen

1) AI data schema: Copilot sieht nur das, was du meinst: Du wählst gezielt Felder aus, über die Copilot „reasonen“ soll, und entfernst verwirrende Spalten. Das ist wie ein kuratiertes Interface.

2) AI instructions: Terminologie + Regeln + Kontext: Hier legst du fest, wie euer Business spricht (Umsatz = Net Revenue, Region = Sales Territory) und welche Regeln gelten (Vergleiche YoY immer auf Kalenderwochen, Währung immer EUR). Das verhindert typische Prompt-Missverständnisse.

3) Verified Answers, wiederkehrende Fragen fix verankern: Wenn das Management jede Woche die Top 5 Kunden nach Marge will, machst du daraus eine verifizierte Antwort mit Trigger-Phrasen – konsistent, wiederholbar, governance-fähig.

Zusätzlich kannst du Modelle als Approved for Copilot markieren; Microsoft erwähnt, dass solche Modelle im Copilot-Search-Erlebnis geboostet werden und weniger Friction Treatment bekommen.

Wenn du Prompting skalieren willst, investiere zuerst in ein Copilot-fähiges Modell: kuratiertes Schema, klare Begriffe, definierte Measures und AI-Instructions. Dann werden deine Prompts kürzer – und trotzdem besser.

Best Practices für das Prompten in Power BI

Gute Prompts sind keine Romane. Sie sind präzise Spezifikationen mit Kontext, Constraints und einem prüfbaren Output-Format. Zudem sind sie iterativ: du startest mit einem klaren Ziel, prüfst, schärfst nach und gelangst zu dem gewünschten Ergebnis.

Das Prompt-Blueprint (bewährt für Power BI)

Ziel + Artefakt: Erstelle eine neue Seite, Gib mir ein Visual, Schreibe eine DAX-Query
Kontext: Measures, Dimensionen, Zeitraum, Grain, Währung, Definitionen
Eingrenzungen: Nur vorhandene Measures, keine neuen KPIs erfinden, TopN = 10
Ausgabe: Liste der Visuals + Felder + Filter + Begründung oder DAX-Query + kurze Erklärung
Validierung: Zeige verwendete Felder/Filter oder Prüfe gegen Measure-Definitionen
Next Step: ein Follow-up-Prompt, der gezielt verfeinert

Mini-Checkliste, bevor du Enter drückst

Habe ich die KPI-Definition genannt (z.B. Revenue vs. Gross Sales)?
Habe ich Granularität und Zeitraum genannt (Monat/KW/Tag)?
Habe ich klargestellt, ob Copilot Measures wiederverwenden soll?
Habe ich einen Output verlangt, den ich prüfen kann (Felder/Filter)?

Die Qualität kommt nicht aus magischen Worten, sondern aus Klarheit: Was soll gebaut werden, auf welcher Semantik, unter welchen Regeln, und wie prüfe ich es. Wenn du das als Standard setzt, wird Prompting planbar statt zufällig.

Drei Praxis-Stories mit optimiertem Prompt-Design

Die folgenden Beispiele sind so formuliert, wie man sie in einem Team-Setup wirklich nutzt: mit Begrenzungen, prüfbarem Output und klarer Iteration. Denk daran: Copilot kann überraschen – du baust deshalb immer einen Review-Schritt mit ein.

Story 1: „Neue Executive-Seite in 10 Minuten“ (Report-Prototyp)

Du hast ein sauberes Sales-Modell (Measures: [Revenue], [Gross Margin %], [Orders], [Revenue YoY %]). Ziel ist eine Seite „Executive Overview“, die du danach designst und produktionsreif machst.

Prompt 1 (Seite erzeugen, aber kontrolliert):

ROLE: Du bist Power BI Report Author.
TASK: Erstelle eine neue Report-Seite "Executive Overview" (16:9), Fokus: Sales Performance.
CONTEXT:
- Measures (verwende ausschließlich diese): [Revenue], [Gross Margin %], [Orders], [Revenue YoY %]
- Dimensionen: Date[Month], Geography[Region], Product[Category]
- Zeitraum: Letzte 24 Monate, Standardansicht = letzte 12 Monate
CONSTRAINTS:
- Erfinde keine neuen KPIs/Measures.
- Verwende Date[Month] als Zeitachse (Monatsgranularität).
OUTPUT:
1) Liste der Visuals (max 6) mit Typ, Feldern, Filtern
2) Kurze Begründung pro Visual (1 Satz)
3) Vorschlag für sinnvolle Interaktionen (Drill/Tooltips)

Follow-up (vom Entwurf zur sauberen Story):

Refine:
- Reduziere auf 4 Visuals, wenn Redundanz besteht.
- Mache eine klare Storyline: "Was ist passiert?" → "Wo?" → "Wodurch?"
- Priorisiere Lesbarkeit: keine überfüllten Achsen, Region Top 8 + Rest.
- Gib mir danach nur die finalen Visual-Spezifikationen.

Warum das funktioniert: Du zwingst Copilot, in deinem KPI-Set zu bleiben und dir prüfbar zu zeigen, welche Felder/Filter er nutzt. Damit wird Copilot zum Beschleuniger – nicht zum KPI-Erfinder.

Zwischenfazit: Lass Copilot den Rohbau machen, aber du definierst KPIs, Granularität und Storyline. Der Mehrwert ist Speed im Entwurf – die Verantwortung für das Produkt bleibt.

Story 2: „Frag die Daten“ – aber so, dass es auditierbar bleibt

Du willst im Service schnell klären: „Welche Produktkategorien treiben den Umsatzrückgang in DACH?“ Das eignet sich für „Ask Copilot for data“, aber du musst die Grenzen kennen: Service-only, English-only, und keine automatische Übernahme von Slicern/Filtern.

Prompt (englisch, weil das Feature laut Doku so limitiert ist):

Answer with ONE visual and an explanation.
Question:
For the last 3 full months, show Revenue by Product Category for Region = "DACH".
Then show the category contribution to the month-over-month change in Revenue.

Constraints:
- Use existing measures only (Revenue).
- Use a clustered column chart for Revenue by Category.
- Include applied filters explicitly (time window + region) and list the fields used.

Review-Prompt (Pflicht, wenn’s ernst ist):

Audit:
List (1) all filters you applied, (2) the exact fields used, and (3) any assumptions.
If you cannot apply a filter from the report page context, say so explicitly.

Warum das funktioniert: Du akzeptierst die Feature-Realität (Service/English/keine Slicer-Übernahme) und baust dir einen Audit-Pfad. Genau das verhindert, dass ein hübsches Visual zur falschen Wahrheit wird.

Zwischenfazit: Datenfragen per Copilot sind super für Exploration – solange du sie wie Self-Service mit Prüfschritt behandelst. Ohne Audit-Disziplin ist es zu leicht, eine implizite Annahme mit einem Ergebnis zu verwechseln.

Story 3: Performance-Rettung mit DAX Query View + Performance Analyzer

Du analysierst ein langsames Visual, kopierst die Query aus dem Performance Analyzer und willst die Struktur vereinfachen. Microsoft nennt dafür sogar explizit den Prompt „Remove the VARs and TOPN…“ und warnt gleichzeitig: KI kann Fehler machen.

Prompt (robust, mit festen Bedingungen):

You are a DAX performance engineer.
Goal: Simplify the following DAX query WITHOUT changing the result set.

Constraints:
- Preserve the exact filter semantics.
- Remove unnecessary VAR scaffolding and TOPN if it’s only used for visual shape.
- Prefer SUMMARIZECOLUMNS patterns where appropriate.
- After the rewritten query, explain in 5 bullets what changed and why.
- If you are not 100% sure about equivalence, flag the risky parts.

Here is the query:
<PASTE PERFORMANCE ANALYZER DAX QUERY>

Follow-up (von Query-Fix zu Model-Fix):

Now propose a measure-level rewrite:
- Which parts should become reusable measures?
- Which columns should be removed from the visual to reduce cardinality?
- Give concrete suggestions and explain expected performance impact.

Warum das funktioniert: Du definierst Ergebnisgleichheit als harte Bedingung, verlangst eine Risiko-Markierung und leitest danach den Schritt ein, der wirklich zählt: vom Query-Hack zum Modell-Refactor.

Zwischenfazit: Prompting ist hier kein Spielzeug, sondern ein Refactoring-Assistent. Aber du bleibst verantwortlich, die Ergebnisgleichheit zu prüfen – und die echte Performance-Arbeit passiert meist im Modell, nicht im Prompt.

Governance light: Leitplanken statt Prompt-Wildwuchs

Wenn Prompting im Team skaliert, brauchst du minimale Leitplanken: Wer pflegt AI-Instructions, wer setzt Verified Answers, wer markiert Modelle als Approved for Copilot? Mit diesen Governance-Regeln, die eher ein schlankes Operating Model sind, sorgt ihr dafür, dass Copilot nicht in jedem Workspace anders spricht.

Ein pragmatisches Setup (das nicht wehtut)

Model Owner (Data Team): AI data schema + AI instructions + Approved-Flag pflegen
Report Owner (BI Team): Verified Answers für wiederkehrende Business-Fragen kuratieren
Reviewer (Fachbereich): „Definitionen stimmen“ – besonders bei Management-KPIs

Enablement & Compliance: zwei Stolpersteine, die du früh klären solltest

Lizenz/Capacity: Copilot erfordert laut Doku Premium- oder bezahlte Fabric-Capacity; Trial-SKUs sind ausgenommen.
Region/Cross-Geo: Außerhalb bestimmter Regionen ist Copilot teils standardmäßig aus, bis Admins Cross-Geo-Processing explizit erlauben.

Governance light heißt: wenige Rollen, klare Zuständigkeiten, kuratierte Modelle. Das reicht, damit Prompting wiederholbar wird – und du nicht in „jeder promptet anders“ versinkst.

Fazit und Grenzen: So nutzt du Prompten in Power BI professionell

Power BI bringt seinen Nutzen nicht primär über Visuals, sondern über Struktur. Der zentrale Mehrwert von Prompten in Power BI entsteht dann, wenn du es als Beschleuniger für gute Analytics-Arbeit einsetzt: schneller Entwurf, schnellere Exploration, schnellere DAX-Iteration. Die eigentliche Magie ist nicht der Prompt, sondern das Zusammenspiel aus sauberer Semantik, Prep data for AI (Schema/Instructions/Verified Answers) und einem Review-Pfad.

Die Grenzen (damit du nicht ins Messer läufst)

Nicht-deterministisch: gleiche Eingabe ≠ gleiche Ausgabe; Prep-Features verbessern, garantieren aber nicht „immer gleich“.
Feature-Limitierungen: „Ask Copilot for data“ ist laut Doku aktuell Service-only, English-only und übernimmt keine bestehenden Slicer/Filter der Reportseite in die Antwort.
Fehler möglich: selbst Microsoft betont bei DAX-Refactoring per Copilot, dass Überraschungen/Mistakes möglich sind – deshalb immer validieren.
Enablement/Compliance kann blocken: Capacity-Anforderungen und Cross-Geo-Settings sind echte Gatekeeper, die du vor Rollout klären musst.

Wenn du heute startest, starte nicht mit Prompt-Sammlung, sondern mit einem Modell, das Copilot versteht – und mit Prompts, die prüfbare Outputs erzwingen. Dann wird Prompten in Power BI von nice to have zu einem Tool, das Teams wirklich schneller macht – ohne eure Datenwahrheit zu verwässern.

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.