Lineage auf Visual-Ebene in Power BI: Daten bis zu jeder Tabelle und jedem Diagramm verfolgen

Dieses Schaubild zeigt Lineage auf Visual-Ebene: Das Measure Sales Amount im semantischen Modell ist mit bestimmten Visuals im Bericht verknüpft (Pivot-Tabelle, Karte, Datenschnitt), was eine genaue Auswirkungsanalyse erlaubt, wenn sich Objekte des Modells ändern.

Statt nur zu sehen, dass ein Bericht Daten aus einem semantischen Modell nutzt (Semantisches Modell → Bericht), sehen Sie genau, welche Objekte des semantischen Modells von welchen Visuals auf welchen Seiten genutzt werden (Objekt des semantischen Modells (Felder/Measures) → Bericht => Seite => Visual).

‍
Aus einer einzelnen Berichtsseite wird eine Liste von Visuals wie dieser:

• Karte → nutzt [Sales Amount]
• Datenschnitt → nutzt DimDate[Year]
• Matrix → nutzt [Sales Amount], DimProduct[Category], DimDate[Year]

Sie können ein Measure öffnen und sofort alle Visuals sehen, die es anzeigen (samt Ort: Arbeitsbereich → Bericht → Seite → Visual), oder Sie klicken auf ein Visual und sehen seine vollständige Liste der Abhängigkeiten: Measures, Spalten, Tabellen, Datensatz und vorgelagerte Quellen (SQL, Lakehouse und so weiter).

Lineage auf Visual-Ebene nützt wenig, wenn sie als einmaliger Export endet. Der Nutzen entsteht, wenn Lineage durchsuchbar und praktisch nutzbar wird:

Ablauf der Auswirkungsanalyse

• Eine Spalte oder ein Measure auswählen zeigt alle betroffenen Visuals über alle Berichte hinweg

Steuerung über Governance

• Visuals markieren, die sensible Felder nutzen, oder Berichte, die nicht zertifizierte Measures verwenden

Dokumentation

• „Was dieses Visual bedeutet“ stützt sich auf echte Abhängigkeiten, nicht auf von Hand geschriebene Beschreibungen

Bereitschaft für KI

• Sobald die Kanten der Lineage genau sind, werden Fragen in natürlicher Sprache wie „Wo wird Sales Amount angezeigt?“ oder „Welche Visuals hängen von Customer Email ab?“ ohne Weiteres beantwortbar

Aus Sicht der Data Governance wird Lineage genau dann wirklich praktisch nutzbar, wenn sie von Tabellen, Spalten und Measures des semantischen Modells bis hinunter zum Visual im Bericht reicht. Dann ist eine echte Auswirkungsanalyse möglich: Benennt jemand eine Spalte um, ändert ein Measure oder baut eine Berechnungsgruppe um, sehen Sie sofort, welche einzelnen Visuals betroffen sind, nicht bloß welche Berichte. Änderungen werden damit sicherer und leichter freizugeben. Außerdem treten „versteckte“ Abhängigkeiten zutage, die durch Filter auf Visuals, QuickInfos, Drillthrough, bedingte Formatierung und Interaktionen entstehen und meist unsichtbar bleiben, wenn Sie auf der Ebene des Datensatzes aufhören.

‍

Diese Detailtiefe verbessert Prüfbarkeit und Vertrauen: Sie können das, was ein Nutzer in einer Karte oder einem Diagramm sieht, bis zur genauen geregelten Definition im Modell zurückverfolgen und belegen, wo sensible Felder tatsächlich verwendet werden. Sie hilft außerdem, den Wildwuchs im Modell einzudämmen, weil sie ungenutzte Measures und Spalten sichtbar macht und doppelte KPIs aufspürt, die mit der Zeit still auseinandergelaufen sind. Im Betrieb beschleunigt sie Fehlersuche und Arbeit an der Leistung, weil sich Optimierungen und Korrekturen danach priorisieren lassen, welche Visuals am wichtigsten und am meisten genutzt sind. Und schließlich macht sie Ihren Katalog deutlich nützlicher: Nutzer können nach einem KPI suchen und finden sofort jede Seite und jedes Visual, auf dem er erscheint. Das ist zugleich ein starkes Fundament für KI-Assistenten, die Fragen zur Governance genau beantworten.