Kommentar von Andreas David, PC-COLLEGE Training Warum Datenanalyse in vielen Unternehmen immer noch mit Pivot-Tabellen beginnt

Anbieter zum Thema

PC College Institut für IT-Ausbildung

Disy Informationssysteme GmbH

QUNIS GmbH

Fivetran Germany GmbH

Bevor Unternehmen über BI-Dashboards, Data Warehouses oder KI-gestützte Auswertungen sprechen, scheitert es häufig an einer viel grundlegenderen Fähigkeit: Daten sauber zu strukturieren, zu verdichten und die richtigen Fragen an sie zu stellen. Genau hier setzen Pivot-Tabellen an – ein Werkzeug, das viele Anwender kennen, aber kaum jemand ausreizt.

Eine Vertriebsliste mit 8.000 Zeilen: Datum, Kunde, Region, Produkt, Umsatz. Die Geschäftsführung möchte wissen, welche Region im dritten Quartal am stärksten gewachsen ist. Wer jetzt anfängt, mit SUMMEWENN-Formeln zu hantieren, verbringt den halben Nachmittag damit. Und sobald die Frage sich ändert („und wie sieht das pro Produkt aus?“), geht die Arbeit von vorne los.

Diese Situation ist der Alltag in Controlling, Vertrieb und Verwaltung – und sie ist der Grund, warum viele Digitalisierungsprojekte ins Stocken geraten, bevor sie überhaupt beim Thema Business Intelligence angekommen sind. Wo Auswertungen mühsam von Hand zusammengesetzt werden, entstehen keine belastbaren Kennzahlen, sondern Insellösungen auf einzelnen Laufwerken.

Genau für diese Situation wurden Pivot-Tabellen erfunden. Sie beantworten wechselnde Fragen an denselben Datenbestand, ohne dass eine einzige Formel geschrieben werden muss. In Schulungen zeigt sich immer wieder derselbe Moment: Teilnehmer, die jahrelang Auswertungen zusammenkopiert haben, sehen zum ersten Mal, wie eine Pivot-Tabelle in fünf Sekunden erledigt, wofür sie bisher einen Vormittag gebraucht haben. Die Reaktion ist fast immer Begeisterung – oft verbunden mit der augenzwinkernden Frage: „Warum hat mir das eigentlich noch niemand gezeigt?“

Was eine Pivot-Tabelle eigentlich macht

Der Name führt in die Irre, denn mit „Tabelle“ im klassischen Sinne hat das Werkzeug wenig zu tun. Treffender wäre: interaktive Zusammenfassung. Eine Pivot-Tabelle nimmt eine Datenliste und verdichtet sie nach frei wählbaren Kriterien. Das englische „to pivot“ bedeutet schwenken oder drehen, und genau das passiert: Die Rohdaten bleiben unangetastet, nur die Perspektive darauf ändert sich.

Im Kern arbeitet jede Pivot-Tabelle mit vier Bereichen:

Zeilen legen fest, wonach gruppiert wird, etwa nach Region oder Verkäufer. Spalten ergänzen eine zweite Gruppierungsebene, zum Beispiel Quartale. Werte bestimmen, was berechnet wird, meist Summen, Mittelwerte oder Anzahlen. Filter grenzen den Datenbestand ein, ohne die Struktur zu verändern.

Aus der Vertriebsliste von oben wird damit in wenigen Klicks eine Matrix: Regionen in den Zeilen, Quartale in den Spalten, Umsatzsummen als Werte. Die Frage nach dem Produktvergleich? Ein Feld wird per Maus verschoben, fertig. Kein Formelumbau, kein Kopieren, kein Risiko, sich zu vertippen.

Das klingt zunächst technischer, als es in der Praxis ist. Wer diese vier Bereiche einmal verstanden hat, kann mit wenigen Handgriffen immer neue Fragen an denselben Datenbestand stellen. Gleichzeitig steckt dahinter bereits ein Grundprinzip der Datenanalyse: Daten werden nach bestimmten Merkmalen – zum Beispiel Region, Produkt oder Zeitraum – gruppiert und die dazugehörigen Kennzahlen ausgewertet. Ob das später in einer Pivot-Tabelle, einem Power-BI-Bericht oder einer SQL-Abfrage geschieht, ändert am Grundgedanken wenig.

Die häufigsten Stolperfallen aus der Praxis

Das Prinzip ist schnell verstanden. In der täglichen Arbeit tauchen trotzdem immer wieder dieselben Stolperfallen auf. Drei davon spielen auch in Schulungen regelmäßig eine Rolle.

Erstens: unsaubere Ausgangsdaten. Eine Pivot-Tabelle braucht eine durchgängige Liste mit eindeutigen Spaltenüberschriften. Verbundene Zellen, Leerzeilen, Zwischensummen im Datenbestand oder zweizeilige Überschriften bringen sie aus dem Tritt. Wer seinen Datenbereich vorher als Excel-Tabelle formatiert (Strg + T), schafft eine deutlich robustere Grundlage für Pivot-Auswertungen. Neue Datenzeilen werden automatisch in den Tabellenbereich aufgenommen. Fehlerhafte oder uneinheitliche Daten müssen allerdings weiterhin vor der Analyse bereinigt werden. Dieselbe Disziplin – saubere, normalisierte Datenstrukturen – entscheidet später darüber, ob sich eine Datenquelle überhaupt sinnvoll an ein BI-System anbinden lässt.

Zweitens: das Zahlenformat-Missverständnis. Werden Zahlen in den Quelldaten als Text gespeichert oder enthält eine Spalte uneinheitliche Datentypen, kann Excel das Feld unter Umständen nicht wie erwartet als numerisches Wertefeld behandeln. Spätestens wenn eine Pivot-Tabelle plötzlich zählt statt summiert, lohnt sich deshalb ein Blick auf die Datentypen der Quelldaten.

Drittens: die Aktualisierungsfalle. Ändern sich die Quelldaten, muss eine Pivot-Tabelle in der Regel aktualisiert werden. Deshalb gehört „Aktualisieren“ bei der Arbeit mit Pivot-Tabellen zur Routine.

Mehr als Summen: Gruppieren, Prozente, Zeitverläufe

Richtig interessant wird es, wenn die Grundfunktionen sitzen. Datumsfelder lassen sich zu Monaten, Quartalen und Jahren gruppieren – aus einzelnen Belegdaten wird damit schnell ein übersichtlicher Zeitverlauf. Auch bei den Werten ist deutlich mehr möglich als nur eine Summe: etwa der prozentuale Anteil am Gesamtergebnis, die Differenz zum Vormonat oder eine laufende Summe. Die dafür zuständige Option „Werte anzeigen als“ wird in der Praxis oft übersehen.

Ein weiteres nützliches Werkzeug sind Datenschnitte. Damit werden Filter direkt sichtbar und lassen sich per Mausklick bedienen. Gerade wenn eine Auswertung später von Kollegen genutzt wird, die nicht täglich mit Pivot-Tabellen arbeiten, kann das die Bedienung deutlich einfacher machen.

Wer mit Zahlen argumentieren muss, findet hier den Unterschied zwischen einer Datentabelle und einer Aussage: „Region Süd hat 34 Prozent zum Gesamtumsatz beigetragen, Tendenz steigend“ überzeugt in jeder Besprechung mehr als eine Zahlenkolonne.

Der Übergang zur echten Datenanalyse

Pivot-Tabellen stoßen an Grenzen, und die sind klar benennbar: Sobald Daten aus mehreren Quellen zusammengeführt werden müssen, die Datenmenge die Excel-Grenze von gut einer Million Zeilen sprengt oder Kennzahlen komplexer werden als Summe und Mittelwert, beginnt das Terrain von Power Query und Power Pivot. Beide sind in vielen aktuellen Excel-Versionen und Microsoft-365-Umgebungen verfügbar – der genaue Funktionsumfang hängt allerdings von Version und Lizenz ab und sollte vor einer Einführung geprüft werden.

Der Vorteil dieses Wegs liegt auch in der Lernkurve: Wer mit Pivot-Tabellen sicher umgehen kann, bringt bereits einiges an Verständnis für die nächsten Schritte mit. Beim Arbeiten mit Datenmodellen kommen dann Begriffe wie Faktentabelle, Dimension und Beziehung hinzu. Sie klingen zunächst abstrakt, beschreiben aber letztlich, wie unterschiedliche Daten sinnvoll miteinander verknüpft und ausgewertet werden – ein Prinzip, das auch bei Data Warehouses und BI-Lösungen eine wichtige Rolle spielt.

Genau darin liegt eine der großen Stärken der Pivot-Tabelle: Sie ist nicht nur eine praktische Excel-Funktion, sondern ein sehr guter Einstieg in das analytische Arbeiten mit Daten. Nicht jedes Team braucht Data Science. Aber fast jedes Team braucht verlässliche Auswertungen. Und dafür muss nicht immer gleich ein großes BI-Projekt gestartet werden. Oft beginnt es damit, dass Mitarbeiter lernen, ihre vorhandenen Daten besser zu verstehen und die richtigen Fragen zu stellen.

Er beginnt mit einem einzigen Klick: Einfügen, PivotTable, OK.

(ID:50946284)