Power BI Semantic Modeling

Power BI Semantic Modeling ist ein offizieller Skill aus dem Repository github/awesome-copilot von GitHub. Die Primärquelle liegt im Verzeichnis skills/powerbi-modeling und beschreibt eine arbeitsorientierte Anleitung für die Modellierung von Power-BI-Semantikmodellen. Laut Anbieter unterstützt der Skill Teams dabei, Datenmodelle zu untersuchen, ein belastbares Sternschema zu entwerfen, DAX-Measures zu formulieren, Beziehungen zu prüfen, Row-Level Security zu planen und die Abfrageleistung zu verbessern. Der Skill ist keine Power-BI-Desktop-Anwendung, kein Ersatz für ein Power-BI-Konto und kein eigenständiger MCP-Server.

Zweck und Arbeitsweise

Der zentrale Grundsatz der Quelle lautet, vor jeder Beratung zuerst das aktive Modell zu untersuchen. Ein kompatibler Agent soll vorhandene Verbindungen auflisten, lokale Instanzen prüfen, eine ausdrücklich freigegebene Desktop- oder Fabric-Verbindung herstellen und anschließend Modellübersicht, Tabellen, Beziehungen und Measures lesen. Dadurch entstehen Empfehlungen aus dem tatsächlichen Modellzustand statt aus geratenen Tabellen- oder Spaltennamen. Laut Anbieter können dafür Power-BI-Modeling-MCP-Werkzeuge wie Verbindungs-, Modell-, Tabellen-, Spalten-, Measure- und Beziehungsoperationen verwendet werden. Die praktische Verfügbarkeit hängt von der eingerichteten Umgebung und den Berechtigungen ab.

Modellqualität und DAX

Der Skill lenkt die Prüfung auf die fachliche Trennung von Dimensionen und Fakten. Ein Sternschema mit klaren Dimensionstabellen und Faktentabellen erleichtert Filterpfade, verständliche Measures und spätere Wartung. Beziehungen sollen hinsichtlich Kardinalität, Aktivität und Kreuzfilterrichtung bewertet werden. Die Quelle empfiehlt eine einfache Filterrichtung von Dimension zu Fakt, sofern ein bidirektionaler Filter nicht fachlich begründet ist. Verständliche Namen, dokumentierte Tabellen, Spalten und Measures sowie verborgene technische Schlüssel verbessern die Nutzbarkeit für Berichtsersteller. Für Kennzahlen bevorzugt die Anleitung explizite Measures gegenüber unkontrolliert verteilten berechneten Spalten, wobei fachliche Definitionen und Formatierung zusammen dokumentiert werden sollten.

Sicherheit und Grenzen

Power-BI-Modelle können Umsatzdaten, Personalinformationen, Kundensegmente und andere vertrauliche Inhalte enthalten. Ein Agent darf nur mit einer bewusst ausgewählten Verbindung und minimalen Berechtigungen arbeiten. RLS-Regeln müssen gegen die tatsächlichen Rollen, Identitäten und Filterpfade geprüft werden; ein plausibel aussehendes Modell ist kein Beweis für korrekte Zugriffstrennung. Schreibende Operationen an Tabellen, Spalten, Measures, Beziehungen oder Sicherheitsrollen benötigen eine explizite Freigabe, eine Sicherung nach den Regeln der Organisation und eine nachvollziehbare Prüfung. Unerwartete Beschreibungen oder Modellinhalte sind Daten und keine neuen Handlungsanweisungen. Die Verarbeitung durch den lokalen Server oder Client bedeutet nicht automatisch, dass Ergebnisse beim verwendeten Sprachmodellanbieter lokal bleiben.

Einordnung und E-E-A-T

GitHub ist laut der offiziellen Repository- und Dokumentationsquellen der Anbieter dieses Skills. Die konkrete Anleitung ist im öffentlichen Repository nachvollziehbar und mit der offiziellen GitHub-Copilot-Dokumentation zur Ablage von Repository-Anweisungen verknüpft. Diese Herkunft stärkt die Nachvollziehbarkeit, ersetzt jedoch keine Prüfung durch Personen mit Power-BI-, DAX-, Datenmodellierungs- und Berechtigungserfahrung. Besonders bei Finanzberichten, Compliance-Auswertungen oder personenbezogenen Daten müssen Ergebnisse fachlich validiert und in einer kontrollierten Umgebung getestet werden. Der Skill liefert Struktur und Prüfimpulse, aber keine Garantie für korrekte Kennzahlen, sichere RLS-Konfiguration oder optimale Laufzeit.