Excel mit ChatGPTFehler in Power Query analysieren und verstehen mit ChatGPT

Problem: Unverständliche Fehlermeldung in Power Query

Power Query meldet einen Fehler. Nicht selten lautet er:

Expression.Error: Column not found

Für viele Anwender ist an dieser Stelle Schluss. Die Abfrage lief gestern noch. Heute kommt plötzlich ein Fehler. Die Meldung ist technisch und nicht wirklich erklärend. Unklar ist:

• Welche Spalte fehlt?
• Warum fehlt sie?
• An welcher Stelle ist das Problem entstanden?

Oft wird dann hektisch geklickt, ausprobiert oder der Fehler „umgangen“. Dabei liegt das eigentliche Problem meist tiefer: Die Abfrage-Logik passt nicht mehr zur Datenstruktur.

Der passende Prompt (Beispiel)

Der wichtigste Schritt ist, den Fehler nicht isoliert, sondern im Kontext der gesamten Abfrage zu betrachten. Ein sinnvoller Prompt wäre:

„Ich erhalte in Power Query den Fehler ‚Expression.Error: Column not found‘.
Hier ist der vollständige M-Code meiner Abfrage. Bitte analysiere, warum dieser Fehler entsteht, erkläre die Ursache verständlich und zeige mir, wie ich die Abfrage robuster aufbauen kann.“

Damit wird klar:

• Es geht um Ursachen, nicht um Workarounds.
• Die Lösung soll verständlich und nachhaltig sein.

Wie übergibt man den Fehler an ChatGPT?

Der entscheidende Punkt: Sie sollten nicht nur die Fehlermeldung, sondern die komplette Abfrage übergeben:

• Kopieren Sie den gesamten M-Code aus dem Erweiterten Editor und
• fügen Sie ihn zusammen mit der Fehlermeldung in ChatGPT ein.

Das ist wichtig, weil der Fehler oft nicht in dem Schritt entsteht, in dem er angezeigt wird. Häufig fehlt eine Spalte, weil sie:

• vorher umbenannt,
• entfernt,
• anders importiert oder
• nur in manchen Dateien vorhanden ist

Nur der komplette Code zeigt diese Zusammenhänge.

Was ChatGPT leistet

ChatGPT analysiert die Abfrage wie ein Entwickler und stellt sich Fragen wie:

• Wo wird die Spalte erstmals verwendet?
• In welchem vorherigen Schritt wird sie erzeugt, verändert oder entfernt?
• Ist der Spaltenname korrekt geschrieben?
• Hat sich die Struktur der Datenquelle geändert
• Gibt es Schritte, die implizit Spalten entfernen (zum Beispiel Auswahl bestimmter Spalten)?
• Spalten gezielt prüfen
• Logik anders anordnen
• Abhängigkeiten klarer gestalten

Typische Ergebnisse der KI sind dann eine verständliche Erklärung, warum die Spalte fehlt, und der Hinweis, in welchem Schritt das Problem entsteht. Außerdem bekommen Sie Vorschläge für eine robustere Struktur. Zum Beispiel:

Der Fokus liegt auf Verständnis und Stabilität.

Worauf man beim Prompt achten sollte

Bei Fehleranalysen ist Präzision besonders wichtig. Sie sollten deshalb immer die exakte Fehlermeldung angeben und den gesamten M-Code bereitstellen. Benennen Sie auch das gewünschte Ziel:

Fehler verstehen

robuster machen

für wechselnde Datenquellen absichern

Hilfreich sind auch Hinweise wie:

Die Datenquelle ist nicht immer gleich aufgebaut.

Manche Spalten fehlen gelegentlich.

Die Abfrage wird regelmäßig aktualisiert.

Je mehr Kontext, desto besser kann ChatGPT die echte Ursache erkennen.

Wie man das Ergebnis sinnvoll nutzt

Der größte Mehrwert liegt nicht nur in der Fehlerbehebung, sondern im Lerneffekt. Man versteht, warum der Fehler entstanden ist. Man erkennt typische Schwachstellen eigener Abfragen und lernt, Abfragen robuster zu gestalten. So lassen sich zukünftige Fehler vermeiden.

In der Praxis wird ChatGPT hier genutzt als:

• Diagnosehilfe bei kryptischen Fehlermeldungen
• Erklärer technischer Zusammenhänge
• Qualitätskontrolle vor produktivem Einsatz
• Lernpartner für Power-Query-Logik

Fazit

Dieser Praxisfall zeigt eine oft unterschätzte Stärke von ChatGPT: ChatGPT hilft nicht nur beim Schreiben von Power Query, sondern beim Verstehen von Fehlern.

Gerade Fehlermeldungen wie „Expression.Error: Column not found“ sind weniger ein Excel-Problem als ein Logikproblem. Mit ChatGPT wird aus einer frustrierenden Fehlermeldung:

• eine nachvollziehbare Ursache,
• eine saubere Lösung und
• oft eine bessere Abfrage als zuvor.