Excel mit ChatGPTAlternative Berechnungen für Power Pivot mit ChatGPT entwickeln

Das Problem: Viele komplizierte DAX-Measures im Datenmodell

In vielen Power-Pivot-Modellen gibt es Measures, die „irgendwie funktionieren“.
Sie liefern Zahlen, reagieren auf Filter – und werden deshalb nicht mehr hinterfragt.

Typische Situationen aus der Praxis:

• Ein Measure ist sehr komplex und schwer zu lesen.
• Eine Kennzahl wurde „zusammengebaut“ und später nie mehr angefasst.
• Mehrere Measures berechnen Ähnliches, aber auf unterschiedliche Weise.
• Eine Berechnung funktioniert, ist aber langsam oder schwer erklärbar.
• Man fragt sich: „Geht das nicht einfacher und verständlicher?“

Das Problem ist nicht, dass die Berechnung falsch ist, sondern dass keine Alternativen betrachtet wurden. Genau hier kann ChatGPT eine gute Hilfe sein.

Der passende Prompt (Beispiel)

Der entscheidende Schritt ist, nicht nach einer Reparatur, sondern nach Alternativen zu fragen. Ein sinnvoller Prompt wäre zum Beispiel:

„Ich habe in Power Pivot ein bestehendes Measure, das fachlich korrekt ist. Bitte schlage mir alternative Berechnungsansätze vor:
– einfacher
– besser lesbar
– robuster im Filterkontext
– oder konzeptionell sauberer.
Erkläre mir kurz die Unterschiede der Ansätze.“

Dieser Prompt macht klar: Es geht nicht um „richtig oder falsch“, sondern um Qualität, Verständlichkeit und Konzept.

Wie übergibt man die Berechnung an ChatGPT?

Für diesen Praxisfall benötigt ChatGPT:

• das bestehende Measure (DAX-Code)
• eine kurze fachliche Beschreibung: „Was soll die Kennzahl aussagen?“
• optional: Hinweise zu Performance, zum Filterverhalten oder typische Einsatzszenarien in Pivot-Tabellen

Wichtig ist: Übergeben Sie das Measure als Ganzes, nicht nur einzelne Funktionen. ChatGPT kann nur dann Alternativen entwickeln, wenn es die Intention der Berechnung versteht.

Was ChatGPT daraufhin leistet

ChatGPT denkt hier nicht wie ein „Formelgenerator“, sondern wie ein DAX-Reviewer. Typische Leistungen sind:

Aufzeigen mehrerer Berechnungsansätze

• explizite Filterlogik vs. implizite Modellfilter
• einfache Aggregation vs. kontextgesteuerte Berechnung
• klare Trennung von Basis- und abgeleiteten Measures

Einordnung der Ansätze

• leichter verständlich
• besser erklärbar
• robuster gegenüber Filteränderungen
• besser geeignet für Erweiterungen

Hinweise auf konzeptionelle Unterschiede

• „Diese Variante ist gut für Berichte.“
• „Diese Variante ist stabiler im Modell.“
• „Diese Variante ist leichter zu warten.“

Nicht geliefert wird:

• ein One-size-fits-all-Rezept
• eine pauschale Bewertung
• Umschreiben des bestehenden Codes

Der Mehrwert liegt im Vergleich.

Worauf man beim Prompt achten sollte

Damit ChatGPT wirklich sinnvolle Alternativen liefert, sollte man klar sagen, was verbessert werden soll. Zum Beispiel mit Blick auf:

• Lesbarkeit
• Stabilität
• Performance
• Verständlichkeit

Vermeiden Sie auch, nur nach der Syntax des DAX-Measures zu fragen. Fragen Sie vielmehr nach konzeptionellen Unterschieden. Hilfreiche Ergänzungen im Prompt sind dazu:

„Bitte erkläre mir, wann welche Variante sinnvoll ist.“

„Bitte bewerte die Ansätze aus fachlicher Sicht.“

„Welche Variante würdest du für ein wachsendes Modell empfehlen?“

Wie man das Ergebnis sinnvoll nutzt

Der Nutzen liegt nicht nur in der neuen Formel, sondern im Denkanstoß:

• Bestehende Measures werden hinterfragt.
• Das eigene DAX-Verständnis wächst.
• Berechnungen werden erklärbarer.
• Modelle werden konsistenter.

In der Praxis wird ChatGPT hier oft eingesetzt als:

• Review-Werkzeug für bestehende Kennzahlen
• Unterstützung bei Refactoring von Measures
• Entscheidungshilfe zwischen mehreren Ansätzen
• Vorbereitung für Modellvereinfachungen

Bewährte Prompts für die Praxis

Je nach Zielsetzung haben sich folgende Prompts bewährt:

Alternative Denkansätze

„Bitte schlage mir mehrere konzeptionell unterschiedliche Möglichkeiten vor, diese Kennzahl zu berechnen.“

Lesbarkeit und Wartbarkeit

„Gibt es eine Variante dieser Berechnung, die einfacher zu lesen und zu erklären ist?“

Filterkontext vergleichen

„Wie unterscheiden sich diese Berechnungsansätze im Filterkontext?“

Architekturperspektive

„Welche Berechnungsvariante passt besser zu einem sauberen Power-Pivot-Modell?“

Didaktischer Prompt

„Bitte erkläre mir die Unterschiede der Berechnungsansätze so, dass ich sie einem Kollegen erklären könnte.“

Einordnung und Fazit

Viele DAX-Probleme entstehen nicht, weil etwas falsch gerechnet wird, sondern weil nie Alternativen geprüft wurden. ChatGPT hilft dabei:

• den eigenen Ansatz zu reflektieren,
• bessere Lösungen zu erkennen,
• konzeptionell sauberer zu arbeiten.

Damit schlägt dieser Praxisfall eine wichtige Brücke von „es funktioniert“ zu „es ist gut gebaut“. Gerade in Power Pivot ist das entscheidend, denn gute Modelle leben von klaren, nachvollziehbaren Kennzahlen – nicht von möglichst komplexen DAX-Formeln.