Ich beschäftige mich jetzt schon eine ganze Weile mit Power BI für BIM und was mir immer wieder auffällt ist, dass wir genau dieselben Fehler machen wie Anfangs mit BIM – die Datenschemas und Grundlagen werden beiseite gelassen und es scheint für viele nur ein Ziel zu geben: Ein schönes und natürlich performantes Dashboard.
Das Problem dabei? Genau dasselbe wie bei einem schlechten Revit-Modell, das phantastisch aussieht – aber keine Anforderungen erfüllt und aufgrund einer Menge Projektfamilien, Gruppen und anderer „Sünden“ eben auch für kaum noch etwas zu gebrauchen ist.
Es gibt viele Kurse und Bücher zu Power BI, aber die meisten davon richten sich an klassische Business-Anwender und arbeiten mit Daten wie Verkaufszahlen oder Umsätzen – auch wenn dieselben Prinzipien auf BIM-Daten zutreffen, erfordert es erstmal Umdenken und ist vor allem Anfang umständlich. Aus diesem Grund werde ich in dieser Artikelserie in den nächsten Wochen die relevanten Grundlagen für BIM Experten zusammen fassen.
Doch bevor wir anfangen, eine wichtige Frage:
Warum überhaupt Power BI für BIM?
BIM lebt von Daten. Modelle enthalten nicht nur Geometrie, sondern eine Menge strukturierter Informationen: Bauteile, Mengen, Kosten, Phasen, Gewerke, Klassifikationen. Power BI ist kein BIM-Tool, sondern ein Werkzeug für Datenanalyse und Visualisierung – und seine Stärke liegt darin, die Daten lesbar und nachvollziehbar zu machen, und zwar für jeden – mit oder ohne BIM Kenntnisse.
Doch bevor man das erste Dashboard entwirft, ist es wichtig, die Power BI Denkweise und die möglichen Datenschemas zu verstehen.
Was ist ein Datenschema – und warum ist es so wichtig?
Ein Datenschema beschreibt, wie Daten strukturiert, organisiert und miteinander verknüpft sind – also ganz ähnlich wie IFC zum Beispiel. In Power BI entscheidet das Schema darüber:
- wie einfach die Berechnungen möglich sind,
- wie performant Berichte laufen,
- wie intuitiv Filter und Auswertungen funktionieren.
Gerade für BIM ist das entscheidend, da Modelldaten meist sehr komplex sind und viele Bauteile mit unzähligen Eigenschaften enthalten.
Man kann sich das Datenschema wie das Gebäudefundament vorstellen: Man sieht es im fertigen Bau nicht – aber wenn nicht richtig geplant wurde, wird das ganze Gebäude instabil.
Die drei gängigen Datenschemas in Power BI
1. Flat Schema (flaches Schema)
Im einfachsten Fall befinden sich alle Informationen in einer einzigen großen Tabelle. Das ist zum Beispiel auch der Fall, wenn eine Data Exchange in Power BI geladen wird – pro Bauteil wird eine Zeile und pro Eigenschaft eine Spalte erstellt.
Die Vorteile des flachen Schemas sind:
- Es ist sehr einfach zu verstehen
- Es erfordert keinen Modellierungsaufwand
- Ideal für kleine Analysen und einfache Datenmodelle
Data Exchange erleichtert durch die Nutzung des flaches Schemas den Einstieg, da die Daten sofort genutzt und ausgewertet werden können – auch für Power BI Anfänger.
Das flache Schema hat allerdings auch einige Nachteile:
- Es enthält viele redundante Daten (z. B. werden bestimmte Eigenschaften wie Familiennamen hundertfach wiederholt) und ist somit oft unübersichtlich.
- Schlechte Performance bei großen Modellen aufgrund der Datenredundanz, die einen ähnlichen Effekt wie Projektfamilien in Revit hat: Der Speicherbedarf wird höher und die Perfromance leidet.
- Eignet sich nicht für komplexere Datensätze mit verschiedenen Datenquellen (ein sehr schönes Beispiel dazu findest du in unserer Data Exchange Dokumentation)
Das Flache Datenschema ist also Ideal für erste Experimente – aber schlecht skalierbar für komplexe Projektanalysen und sollte in diesen Fällen nur als Ausgangsmodell dienen. Die gute Nachricht ist allerdings: das Datenschema kann in Power BI jederzeit angepasst und aufgebrochen werden – am häufigsten in das Sternschema.
2. Star Schema (Sternschema)
Das Sternschema ist der empfohlene Standard in Power BI und besteht aus einem zentralen Facts Table, das von von mehreren Dimension Tables umgeben ist und klar definierte Beziehungen hat (i.d.R. anhand der Element ID).
Das Ziel des Schemas liegt darin, Wiederholungen zu vermeiden – da sich diese unnötig auf die Performance auswirken. Das wird durch die richtige Umsetzung der Facts- und Dimension Tables erreicht:
Die Vorteile des Sterschemas sind:
- Sehr gute Performance, da Redundanz vermieden werden kann
- Klare Trennung von Bauteilen (Fakten) und Beschreibungen (Dimensionen)
- Einfach nachvollziehbar
Es gibt allerdings auch ein paar Nachteile
- Das Sternschema erfordert klar definierte Beziehungen zwischen den Tabellen und variiert daher je nach Datensatz / Modell.
- Kann nicht immer den komplexen BIM Beziehungen gerecht werden – zum Beispiel den verschachtelten Beziehungen wie Bauteil → Raum → Ebene → Gebäude.
Das Sternschema passt trotz dieser Nachteile sehr gut zur BIM-Denkweise: Bauteile im Zentrum, Kontext drum herum und eignet sich für die meisten Szenarien. Die meisten Auswertungen kommen auch ohne tief verschachtelte Beziehungen heraus – und falls diese doch erforderlich werden, kann das Datenmodell weiter aufgebrochen werden.
3. Snowflake Schema (Schneeflockenschema)
Beim Schneeflockenschema werden die Dimensionen weiter normalisiert und untereinander verbunden. Normalisierung bedeutet im Kontext von Power BI die Vermeidung von sich wiederholenden Daten durch Speicherungen in eigenen Dimension Tables, die dann miteinander verbunden werden.
Zudem können auch komplexe Beziehungen wie Bauteil → Raum → Ebene → Gebäude besser abgebildet werden.
Vorteile
- Sehr saubere Datenstruktur
- Weniger Redundanz
Nachteile
- Komplexere Beziehungen
- Schlechtere Performance in Power BI
- Schwerer verständlich für Einsteiger
Das Schneeflockenschema kann für komplexe Szenarien die ideale Lösung sein – kann allerdings in vielen Fällen auch unnötig kompliziert sein und sollte daher nur angewendet werden, wenn das Sternschema an seine Grenzen stößt.
Fazit
Power BI ist kein Hexenwerk – aber es denkt datenlogisch, nicht räumlich. Daher ist ein Grundverständnis von Datenschemas in Power BI erforderlich, um sicherzustellen, dass die Dashboards ein stabiles Fundament haben.
Nächste Woche sehen wir uns im Teil 2 die Beziehungen in Power BI genauer an – denn wie im realen Leben, können Beziehungen in Power BI auch schon mal tricky sein! 😉
One more thing: Nächste Woche sprechen wir über die Neuerungen imData Connector for Power BI, hoffe wir sehen uns dort (wenn du nicht live teilnehmen kannst, erhältst du natürlich den Link zum Recording).