{"id":17458,"date":"2026-07-15T09:51:58","date_gmt":"2026-07-15T09:51:58","guid":{"rendered":"https:\/\/stage-01.hopmann.com\/blog\/\/"},"modified":"2026-07-31T12:07:25","modified_gmt":"2026-07-31T12:07:25","slug":"power-bi-claude","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/de\/blog\/power-bi-claude\/","title":{"rendered":"Power BI + Claude"},"content":{"rendered":"<hr>\n<ul>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<\/ul>\n<hr>\n<div>\n<div class=\"uk-card uk-card-default uk-card-body\">\n<p class=\"uk-text-large\">Technical Deep Dive zu &#8222;Power BI + Claude&#8220; f\u00fcr BI-Verantwortliche und Data Analysts<\/p>\n<p>  <strong>TL;DR<\/strong> Mit dem Model Context Protocol (MCP) l\u00e4sst sich Claude Desktop direkt an Power BI Service anbinden. Claude liest das semantische Modell, formuliert DAX-Queries auf Basis der definierten Measures und liefert Ergebnisse, die mit den bestehenden Dashboards \u00fcbereinstimmen. Das Setup funktioniert mit einer Power BI Pro-Lizenz, ohne Premium- oder Fabric-Kapazit\u00e4t. Den entscheidenden Qualit\u00e4tssprung bringt ein zus\u00e4tzlicher Context Layer in Form einer YAML-Datei mit Business-Kontext.<\/p>\n<\/div>\n<p class=\"uk-text-large\">Dashboards beantworten die Fragen, f\u00fcr die sie gebaut wurden. Die interessanten Folgefragen kommen danach: \u201eWarum ist der Umsatz in Deutschland im November eingebrochen?&#8220; \u201eWie sieht das ohne die Kampagne aus?&#8220; \u201eKannst du mir das als Folie f\u00fcr den Vorstand aufbereiten?&#8220; Bisher bedeutete das: Ticket an das BI-Team und auf neue Auswertungen warten.<\/p>\n<p class=\"uk-text-large\">Mit dem Model Context Protocol l\u00e4sst sich diese L\u00fccke schlie\u00dfen. Wir haben Claude Desktop direkt an Power BI Service angebunden. Claude formuliert eigenst\u00e4ndig DAX-Queries gegen das semantische Modell, nutzt dabei die dort definierten Measures und liefert die Ergebnisse direkt weiter in PowerPoint-Folien oder aufbereitete PDFs.<\/p>\n<p class=\"uk-text-large\">In diesem Artikel zeigen wir den technischen Aufbau und erkl\u00e4ren, warum ein zus\u00e4tzlicher Context Layer in Form von YAML-Dateien den Unterschied zwischen \u201enette Spielerei&#8220; und \u201everl\u00e4ssliches Analyse-Tool&#8220; macht.<\/p>\n<h2>Die Architektur im \u00dcberblick<\/h2>\n<p class=\"uk-text-large\">Das Setup besteht aus drei Bausteinen:<\/p>\n<ol>\n<li class=\"uk-text-large\">Ein lokaler MCP-Server, ein einzelnes Python-Skript, das den Power BI Service \u00fcber die REST-API anbindet und Claude vier Tools zur Verf\u00fcgung stellt: Workspaces auflisten, semantische Modelle auflisten, Modellstruktur beschreiben und DAX-Queries ausf\u00fchren.<\/li>\n<li class=\"uk-text-large\">Delegierte Authentifizierung \u00fcber Microsoft Entra (Device Code Flow). Man meldet sich einmalig mit dem eigenen Konto an, ein Refresh-Token wird lokal gecacht. Claude agiert damit unter der Identit\u00e4t des angemeldeten Nutzers. Row-Level Security greift automatisch, und es werden keine Client Secrets gespeichert.<\/li>\n<li class=\"uk-text-large\">Ein Context Layer pro semantischem Modell: eine YAML-Datei mit Business-Kontext, die Claude vor jeder Analyse liest.<\/li>\n<\/ol>\n<figure>\n  <img decoding=\"async\" src=\"\/wp-content\/uploads\/Power-BI-Claude-Hopmann.jpg\" alt=\"Architekturdiagramm: Claude Desktop verbindet sich \u00fcber MCP-Server mit Power BI Service und YAML Context Layer und liefert eine Antwort\" loading=\"lazy\" style=\"max-width:100%; height:auto;\" \/><figcaption><small>Das Setup im \u00dcberblick: Claude Desktop greift \u00fcber den MCP-Server auf Power BI Service und den YAML Context Layer zu.<\/small><\/figcaption><\/figure>\n<p class=\"uk-text-large\">Der Ablauf einer Anfrage: Der Nutzer stellt eine Frage in nat\u00fcrlicher Sprache. Claude liest den Kontext zum Modell, formuliert eine DAX-Query, f\u00fchrt sie \u00fcber den MCP-Server gegen das Live-Modell aus und interpretiert das Ergebnis, inklusive R\u00fcckfragen und Folgeanalysen im selben Chat.<\/p>\n<h2>Warum das Setup ohne Fabric funktioniert<\/h2>\n<p class=\"uk-text-large\">Der \u00fcbliche Weg, programmatisch auf semantische Modelle zuzugreifen, f\u00fchrt \u00fcber den XMLA-Endpoint, der eine Premium-, PPU- oder Fabric-Kapazit\u00e4t voraussetzt. Unser Setup nutzt stattdessen den REST-Endpoint <code>executeQueries<\/code>, der auf Shared Capacity verf\u00fcgbar ist. Auf Nutzerseite braucht es daf\u00fcr eine Power BI Pro-Lizenz und Build-Berechtigung auf dem jeweiligen semantischen Modell.<\/p>\n<p class=\"uk-text-large\">Der Zugriff ist dabei bewusst rein lesend: Die Entra-App fordert ausschlie\u00dflich Read-Scopes an (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Am Modell selbst kann \u00fcber diesen Weg nichts ver\u00e4ndert werden, was f\u00fcr die Governance ein wichtiger Punkt ist. Claude konsumiert das Modell wie ein Report-Nutzer, nicht wie ein Entwickler.<\/p>\n<p class=\"uk-text-large\">Die technischen Grenzen von <code>executeQueries<\/code> (eine Query pro Aufruf, rund 100.000 Zeilen pro Ergebnis, etwa 120 Requests pro Minute) sind f\u00fcr interaktive Analysen in der Praxis kein Engpass.<\/p>\n<h2>Der eigentliche Hebel bei Power BI + Claude: Das semantische Modell als Single Source of Truth<\/h2>\n<p class=\"uk-text-large\">Ein h\u00e4ufiger Kritikpunkt an \u201eKI auf Daten&#8220; ist, dass jedes Tool Kennzahlen anders berechnet. Genau dieses Problem umgeht das Setup, weil Claude nicht auf Rohdaten arbeitet, sondern auf dem semantischen Modell, also derselben Schicht, aus der auch die Power BI Reports gespeist werden.<\/p>\n<p class=\"uk-text-large\">Ein <code>Revenue<\/code>-Measure ist dort einmal definiert, inklusive aller Feinheiten wie Rabattlogik, Zeitintelligenz und Filterkontext. Wenn Claude in seiner Query <code>[Revenue]<\/code> referenziert, anstatt ein eigenes <code>SUM()<\/code> zu erfinden, ist garantiert, dass die Zahl im Chat dieselbe ist wie im Dashboard. Auch die vom Modellautor gepflegten Beschreibungen von Tabellen, Spalten und Measures kommen \u00fcber die Modellabfrage mit. Dokumentationsarbeit im Modell zahlt sich hier also doppelt aus.<\/p>\n<p class=\"uk-text-large\">Das ist der Unterschied zu einem klassischen Text-to-SQL-Ansatz: Claude beantwortet tiefergehende Fragen auf Basis der bereits definierten und abgestimmten Metriken, statt sie ad hoc neu zu berechnen.<\/p>\n<figure>\n  <img decoding=\"async\" src=\"\/wp-content\/uploads\/Power-BI-Data-Panel-Claude.png\" alt=\"Power BI Data-Panel mit dem Revenue-Measure und seiner Beschreibung: Total sales revenue, calculated as the sum of fact_orders[revenue] (quantity x unit price) for the selected orders\" loading=\"lazy\" style=\"max-width:100%; height:auto;\" \/><figcaption><small>Das semantische Modell als Single Source of Truth: Der Revenue-Measure ist einmal definiert und wird von Claude direkt referenziert.<\/small><\/figcaption><\/figure>\n<h2>Der Context Layer: Was das Modell nicht wei\u00df<\/h2>\n<p class=\"uk-text-large\">So gut ein <a href=\"\/de\/marketing-analytics\/marketing-data-stack\/\">semantisches Modell<\/a> gepflegt sein mag, es wei\u00df nichts \u00fcber das Gesch\u00e4ft drumherum. Warum gibt es im November eine Datenl\u00fccke? Was war im Februar los, als ein einzelnes Produkt pl\u00f6tzlich explodiert ist? Solches Wissen steckt normalerweise in den K\u00f6pfen der Analysten.<\/p>\n<p class=\"uk-text-large\">Ein Sprachmodell bringt dieses Wissen nicht mit. Und weil es im Zweifel trotzdem antwortet, entsteht ohne dieses Wissen die gef\u00e4hrlichste Sorte Ergebnis: eine plausibel klingende, sauber formatierte, falsche Analyse.<\/p>\n<p class=\"uk-text-large\">Wir haben dieses Wissen in eine YAML-Datei pro semantischem Modell ausgelagert, die im Claude-Projekt hinterlegt ist. Die Datei enth\u00e4lt typischerweise eine Beschreibung und Dom\u00e4ne des Datasets, eine Event-Timeline mit gesch\u00e4ftlich relevanten Ereignissen wie Kampagnen, IT-Ausf\u00e4llen oder manuellen Korrekturen, Beispiel-Fragen mit fertigen DAX-Queries als Muster, und bekannte Stolperfallen.<\/p>\n<p class=\"uk-text-large\">Was der <a href=\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\">Semantic Layer<\/a> technisch leistet und wie er sich vom Context Layer abgrenzt, zeigen wir im zweiten Teil dieser Serie.<\/p>\n<p class=\"uk-text-large\">Ein Auszug aus unserem Demo-Setup mit dem Northwind-Datensatz:<\/p>\n<pre><code>dataset:\n  name: Northwind Sales\n  domain: B2B-Gro\u00dfhandel mit Spezialit\u00e4ten-Lebensmitteln\n  time_grain: Eine Zeile pro Bestellposition\n\nevent_timeline:\n  - 2024-10-30: Service-Token der Order-API f\u00fcr Deutschland abgelaufen,\n      Re-Authentifizierung erst am 2024-12-03.\n  - Februar 2025: Umsatzspitze bei C\u00f4te de Blaye in Deutschland\n      durch Marketing-Kampagne.\n  - M\u00e4rz 2025: Probleme in der Supply-Chain f\u00fcr Getr\u00e4nke in Deutschland\n\nknown_caveats:\n  - \"Revenue ist Menge x Einzelpreis ohne Rabatt und Fracht,\n     nicht als Netto-Umsatz oder Rohertrag beschreiben.\"<\/code><\/pre>\n<p class=\"uk-text-large\">Der Effekt in der Praxis: Fragt man nach dem Umsatzeinbruch in Deutschland im M\u00e4rz 2025, rechnet Claude nicht wild Hypothesen durch, sondern erkennt anhand der Timeline, dass eine Umsatzspitze bei einem Produkt im Februar und ein Lieferproblem bei Getr\u00e4nken im M\u00e4rz zusammen den R\u00fcckgang erkl\u00e4ren, und weist entsprechend darauf hin, statt eine Erkl\u00e4rung zu halluzinieren. Genau diese Einordnung unterscheidet eine brauchbare Analyse von einer irref\u00fchrenden.<\/p>\n<div class=\"uk-grid uk-grid-medium uk-child-width-1-2@m\" uk-grid>\n<div>\n<figure style=\"margin:0;\">\n      <img decoding=\"async\" src=\"\/wp-content\/uploads\/Northwind-Chat-1-Claude.png\"\n           alt=\"Claude analysiert den Umsatzverlauf f\u00fcr Deutschland 2025 mit Peak im Februar und Einbruch im M\u00e4rz\"\n           loading=\"lazy\" style=\"max-width:100%; height:auto;\" \/><figcaption><small>Claude analysiert den Umsatzverlauf f\u00fcr Deutschland 2025 und erkennt den Februar-Peak durch die C\u00f4te-de-Blaye-Kampagne.<\/small><\/figcaption><\/figure>\n<\/p><\/div>\n<div>\n<figure style=\"margin:0;\">\n      <img decoding=\"async\" src=\"\/wp-content\/uploads\/Northwind-Chat-2-Claude.png\"\n           alt=\"Folgeanalyse: Kategorie-Aufschl\u00fcsselung zeigt, dass der M\u00e4rz-Einbruch fast ausschlie\u00dflich auf die Getr\u00e4nke-Kategorie zur\u00fcckgeht\"\n           loading=\"lazy\" style=\"max-width:100%; height:auto;\" \/><figcaption><small>Die Folgeanalyse zeigt, dass der M\u00e4rz-Einbruch fast ausschlie\u00dflich auf die Getr\u00e4nke-Kategorie zur\u00fcckgeht \u2013 erkl\u00e4rt durch das Supply-Chain-Problem in der Event-Timeline.<\/small><\/figcaption><\/figure>\n<\/p><\/div>\n<\/div>\n<p class=\"uk-text-large\">Neue Modelle anzubinden ist bewusst leichtgewichtig: neue YAML-Datei im Projekt anlegen, <code>dataset_id<\/code> eintragen, Kontext schreiben, und die Einrichtung ist fertig. Keine Installation, kein Neustart.<\/p>\n<h2>Vom Ergebnis zum Deliverable: Integration in Claude Desktop und Cowork<\/h2>\n<p class=\"uk-text-large\">Der zweite gro\u00dfe Vorteil gegen\u00fcber isolierten \u201eChat-with-your-data&#8220;-Tools: Die Analyse endet nicht im Chatfenster. Weil das Setup in Claude Desktop beziehungsweise Claude Cowork l\u00e4uft, stehen alle weiteren F\u00e4higkeiten direkt zur Verf\u00fcgung. Aus den Query-Ergebnissen wird im selben Arbeitsschritt eine PowerPoint-Pr\u00e4sentation mit den Kernzahlen f\u00fcr das Management, ein aufbereitetes PDF als Report f\u00fcr Stakeholder, oder eine weiterf\u00fchrende Analyse mit Visualisierungen.<\/p>\n<h2>Grenzen des Setups<\/h2>\n<p class=\"uk-text-large\">Der Vollst\u00e4ndigkeit halber: Q&amp;A-Synonyme und die \u201ePrep data for AI&#8220;-Konfiguration eines Modells liegen in dessen linguistischer Schicht, die nur \u00fcber XMLA und damit Premium oder Fabric erreichbar ist. In der Praxis \u00fcbernimmt der Context Layer in Form der YAML-Datei genau diese Rolle, mit dem Vorteil, dass er versionierbar, lesbar und ohne zus\u00e4tzliche Kapazit\u00e4t pflegbar ist. \u00c4nderungen sind sofort wirksam, ohne Deployment oder Modell-Refresh.<\/p>\n<h2>Fazit<\/h2>\n<p class=\"uk-text-large\">Die Kombination aus semantischem Modell und Context Layer macht Claude zu einem Analyse-Tool, das mit denselben Kennzahlen arbeitet wie die bestehenden Reports und dabei Fragen beantwortet, f\u00fcr die kein Dashboard gebaut wurde. Die Einstiegsh\u00fcrde ist niedrig: eine Entra-App-Registrierung, ein Python-Skript, eine Pro-Lizenz. Den gr\u00f6\u00dften Unterschied macht am Ende aber nicht die Technik, sondern wie gut der Business-Kontext gepflegt ist.<\/p>\n<p class=\"uk-text-large\">Wir bei Hopmann Marketing Analytics helfen BI-Teams und Marketing-Organisationen dabei, dieses Setup aufzubauen: von der technischen Integration \u00fcber die MCP-Konfiguration bis zum Aufbau eines strukturierten Context Layers, der die <a href=\"\/de\/marketing-analytics\/ki-im-marketing\/\">KI-gest\u00fctzte Analysen<\/a> wirklich verl\u00e4sslich macht. M\u00f6chten Sie wissen, wie ein solches Setup mit Ihren Power BI-Modellen aussehen k\u00f6nnte?<\/p>\n<p><a href=\"https:\/\/www.hopmann.com\/de\/kontakt\/\" class=\"uk-button uk-button-default\">Jetzt kostenfreies Erstgespr\u00e4ch buchen<\/a><\/p>\n<div class=\"uk-margin-medium\"><\/div>\n<hr>\n<h3 class=\"uk-h6 uk-text-primary\" style=\"text-align:center;\">Was unsere Kunden h\u00e4ufig wissen m\u00f6chten.<\/h3>\n<h2 class=\"uk-h2 uk-margin-remove-top uk-text-center\">FAQ: Claude + Power BI per MCP<\/h2>\n<div class=\"uk-grid uk-grid-large uk-margin-large\" uk-grid>\n<div class=\"uk-width-1-2@m\">\n<div class=\"uk-grid uk-child-width-1-1 uk-grid-match\" uk-grid>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Was ist das Model Context Protocol (MCP) und wie funktioniert es mit Power BI?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>MCP ist ein offenes Protokoll, das KI-Modellen wie Claude erlaubt, externe Tools und Datenquellen direkt anzusprechen. Ein lokaler MCP-Server vermittelt zwischen Claude Desktop und der Power BI REST-API. Claude kann damit Workspaces auflisten, semantische Modelle beschreiben und DAX-Queries gegen Live-Modelle ausf\u00fchren, ohne dass Daten in ein externes System exportiert werden m\u00fcssen.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Brauche ich Fabric oder eine Premium-Lizenz f\u00fcr dieses Setup?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>Nein. Das Setup nutzt den <code>executeQueries<\/code>-REST-Endpoint, der auf Shared Capacity verf\u00fcgbar ist. Es gen\u00fcgt eine Power BI Pro-Lizenz und Build-Berechtigung auf dem jeweiligen semantischen Modell. Premium- oder Fabric-Kapazit\u00e4t ist nicht erforderlich.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Wie unterscheidet sich dieser Ansatz von Text-to-SQL?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>Bei Text-to-SQL generiert die KI SQL-Abfragen direkt auf Rohdaten und erfindet dabei eigene Berechnungslogiken. Unser Ansatz nutzt das bestehende semantische Modell mit seinen bereits definierten Measures. Claude referenziert <code>[Revenue]<\/code> statt ein eigenes <code>SUM()<\/code> zu konstruieren. Das garantiert, dass die Zahl im Chat identisch mit der im Dashboard ist.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/p><\/div>\n<div class=\"uk-width-1-2@m\">\n<div class=\"uk-grid uk-child-width-1-1 uk-grid-match\" uk-grid>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Was ist der YAML Context Layer und warum ist er entscheidend?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>Das semantische Modell wei\u00df, was die Daten bedeuten und wie sie berechnet werden. Der Context Layer erg\u00e4nzt, warum sie in einem bestimmten Zeitraum so aussehen: abgelaufene API-Tokens, Kampagnenstarts, Lieferprobleme, bekannte Interpretationsfallen. Ohne diesen Kontext antwortet die KI plausibel klingend, aber m\u00f6glicherweise inhaltlich falsch. Der YAML Context Layer erfordert kein Deployment und kann jederzeit aktualisiert werden.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Wie sicher ist die Integration in Bezug auf Datenschutz und Governance?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>Die Entra-App fordert ausschlie\u00dflich Read-Scopes an (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Claude agiert unter der Identit\u00e4t des angemeldeten Nutzers, Row-Level Security des Power BI-Modells greift automatisch. Am Modell selbst kann \u00fcber diesen Weg nichts ver\u00e4ndert werden. Es werden keine Client Secrets gespeichert, der Zugriff ist rein lesend.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<div>\n<div class=\"el-item uk-panel uk-margin-remove-first-child\">\n<h3 class=\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\">Bietet Hopmann Marketing Analytics Unterst\u00fctzung bei der Implementierung an?<\/h3>\n<div class=\"el-content uk-panel uk-margin-top\">\n<p>Ja. Wir begleiten BI-Teams und Marketing-Organisationen bei der vollst\u00e4ndigen Einrichtung: von der Entra-App-Registrierung und MCP-Server-Konfiguration \u00fcber die Power BI-Anbindung bis zum Aufbau strukturierter Context-Layer f\u00fcr bestehende semantische Modelle. Sprechen Sie uns an, wenn Sie wissen m\u00f6chten, wie das konkret f\u00fcr Ihre Power BI-Umgebung aussehen kann.<\/p>\n<\/div><\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n<p class=\"uk-text-large\"><em>Tobias Lanzl ist Manager Data Analytics bei Hopmann Marketing Analytics, zertifizierter Power BI-Experte und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/em><\/p>\n<\/div>\n<hr>\n<p><p>\n        Vorheriger Artikel    <\/p>\n<\/p>\n<p><p>\n        N\u00e4chster Artikel    <\/p>\n<\/p>\n<hr>\n<div>Neueste Artikel<\/div>\n<div>\n<\/div>\n<div>Kategorien<\/div>\n<div>\n<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-medium\",\"animation_delay\":\"50\",\"height\":\"page\",\"image_position\":\"center-center\",\"padding_bottom\":\"large\",\"padding_top\":\"none\",\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"large\"},\"children\":[{\"type\":\"row\",\"props\":{\"column_gap\":\"large\",\"layout\":\"2-3,1-3\",\"padding_remove_horizontal\":false,\"row_gap\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_large\":\"2-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"title_element\":\"div\",\"title_style\":\"text-meta\"},\"source_extended\":{\"props\":{\"content\":{\"composed\":{\"value\":\"{{ sources.46d0 }}\",\"sources\":{\"46d0\":{\"name\":\"field.subline\",\"query\":{\"name\":\"#parent\"}}},\"conditions\":[]}}}}},{\"type\":\"headline\",\"props\":{\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"title_element\":\"h1\",\"title_style\":\"h1\"},\"source_extended\":{\"props\":{\"content\":{\"name\":\"title\",\"query\":{\"name\":\"#parent\"}}}}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"remove\",\"margin_top\":\"medium\"}},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 8px;\\n    margin-bottom: 8px;\\n}\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"large\",\"margin_top\":\"large\",\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"panel\",\"props\":{\"content_column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"\",\"image_grid_column_gap\":\"small\",\"image_grid_row_gap\":\"medium\",\"image_grid_width\":\"auto\",\"image_height\":40,\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":40,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin_bottom\":\"\",\"margin_top\":\"\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"title_align\":\"top\",\"title_element\":\"h3\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"text-small\"},\"source_extended\":{\"props\":{\"image\":{\"name\":\"field.foto.url\",\"query\":{\"name\":\"#parent\"}},\"title\":{\"composed\":{\"value\":\"\",\"sources\":[],\"conditions\":[]}},\"content\":{\"composed\":{\"value\":\"{{ sources.5d02 }}, {{ sources.67e8 }}\",\"sources\":{\"5d02\":{\"name\":\"field.autor\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\"}},\"67e8\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}},\"content_en_us\":{\"composed\":{\"value\":\"{{ sources.cce3 }} on {{ sources.4656 }}\",\"sources\":{\"4656\":{\"name\":\"date\",\"query\":{\"name\":\"blogs.singleBlog\"},\"filters\":{\"date\":\"\"}},\"cce3\":{\"filters\":{\"search\":\"\"},\"name\":\"field.autor\",\"query\":{\"name\":\"blogs.singleBlog\"}}},\"conditions\":[]}}}},\"name\":\"Verfasser\"}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"yooessentials_social_sharing\",\"props\":{\"class\":\"social-sharing-blog\",\"grid\":\"horizontal\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"image_svg_inline\":true,\"link_style\":\"link\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"text_align\":\"right\"},\"children\":[{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"linkedin\"}}],\"name\":\"Teilen\"}]}]}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Start \/\/ ---\"},{\"type\":\"html\",\"props\":{\"content\":\"\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\">Technical Deep Dive zu \\\"Power BI + Claude\\\" f\u00fcr BI-Verantwortliche und Data Analysts\n\n\\n  <strong>TL;DR<\/strong> Mit dem Model Context Protocol (MCP) l\u00e4sst sich Claude Desktop direkt an Power BI Service anbinden. Claude liest das semantische Modell, formuliert DAX-Queries auf Basis der definierten Measures und liefert Ergebnisse, die mit den bestehenden Dashboards \u00fcbereinstimmen. Das Setup funktioniert mit einer Power BI Pro-Lizenz, ohne Premium- oder Fabric-Kapazit\u00e4t. Den entscheidenden Qualit\u00e4tssprung bringt ein zus\u00e4tzlicher Context Layer in Form einer YAML-Datei mit Business-Kontext.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Dashboards beantworten die Fragen, f\u00fcr die sie gebaut wurden. Die interessanten Folgefragen kommen danach: \u201eWarum ist der Umsatz in Deutschland im November eingebrochen?\\\" \u201eWie sieht das ohne die Kampagne aus?\\\" \u201eKannst du mir das als Folie f\u00fcr den Vorstand aufbereiten?\\\" Bisher bedeutete das: Ticket an das BI-Team und auf neue Auswertungen warten.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Mit dem Model Context Protocol l\u00e4sst sich diese L\u00fccke schlie\u00dfen. Wir haben Claude Desktop direkt an Power BI Service angebunden. Claude formuliert eigenst\u00e4ndig DAX-Queries gegen das semantische Modell, nutzt dabei die dort definierten Measures und liefert die Ergebnisse direkt weiter in PowerPoint-Folien oder aufbereitete PDFs.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In diesem Artikel zeigen wir den technischen Aufbau und erkl\u00e4ren, warum ein zus\u00e4tzlicher Context Layer in Form von YAML-Dateien den Unterschied zwischen \u201enette Spielerei\\\" und \u201everl\u00e4ssliches Analyse-Tool\\\" macht.<\/p>\n\n\\n\\n\n\n<h2>Die Architektur im \u00dcberblick<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Das Setup besteht aus drei Bausteinen:<\/p>\n\n\\n\\n\n\n<ol>\\n  \n\n<li class=\\\"uk-text-large\\\">Ein lokaler MCP-Server, ein einzelnes Python-Skript, das den Power BI Service \u00fcber die REST-API anbindet und Claude vier Tools zur Verf\u00fcgung stellt: Workspaces auflisten, semantische Modelle auflisten, Modellstruktur beschreiben und DAX-Queries ausf\u00fchren.<\/li>\n\n\\n  \n\n<li class=\\\"uk-text-large\\\">Delegierte Authentifizierung \u00fcber Microsoft Entra (Device Code Flow). Man meldet sich einmalig mit dem eigenen Konto an, ein Refresh-Token wird lokal gecacht. Claude agiert damit unter der Identit\u00e4t des angemeldeten Nutzers. Row-Level Security greift automatisch, und es werden keine Client Secrets gespeichert.<\/li>\n\n\\n  \n\n<li class=\\\"uk-text-large\\\">Ein Context Layer pro semantischem Modell: eine YAML-Datei mit Business-Kontext, die Claude vor jeder Analyse liest.<\/li>\n\n\\n<\/ol>\n\n\\n\\n\n\n<figure>\\n  <img src=\\\"\/wp-content\/uploads\/Power-BI-Claude-Hopmann.jpg\\\" alt=\\\"Architekturdiagramm: Claude Desktop verbindet sich \u00fcber MCP-Server mit Power BI Service und YAML Context Layer und liefert eine Antwort\\\" loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n  \n \n<figcaption><small>Das Setup im \u00dcberblick: Claude Desktop greift \u00fcber den MCP-Server auf Power BI Service und den YAML Context Layer zu.<\/small><\/figcaption>\n \n\\n<\/figure>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Ablauf einer Anfrage: Der Nutzer stellt eine Frage in nat\u00fcrlicher Sprache. Claude liest den Kontext zum Modell, formuliert eine DAX-Query, f\u00fchrt sie \u00fcber den MCP-Server gegen das Live-Modell aus und interpretiert das Ergebnis, inklusive R\u00fcckfragen und Folgeanalysen im selben Chat.<\/p>\n\n\\n\\n\n\n<h2>Warum das Setup ohne Fabric funktioniert<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der \u00fcbliche Weg, programmatisch auf semantische Modelle zuzugreifen, f\u00fchrt \u00fcber den XMLA-Endpoint, der eine Premium-, PPU- oder Fabric-Kapazit\u00e4t voraussetzt. Unser Setup nutzt stattdessen den REST-Endpoint <code>executeQueries<\/code>, der auf Shared Capacity verf\u00fcgbar ist. Auf Nutzerseite braucht es daf\u00fcr eine Power BI Pro-Lizenz und Build-Berechtigung auf dem jeweiligen semantischen Modell.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Zugriff ist dabei bewusst rein lesend: Die Entra-App fordert ausschlie\u00dflich Read-Scopes an (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Am Modell selbst kann \u00fcber diesen Weg nichts ver\u00e4ndert werden, was f\u00fcr die Governance ein wichtiger Punkt ist. Claude konsumiert das Modell wie ein Report-Nutzer, nicht wie ein Entwickler.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die technischen Grenzen von <code>executeQueries<\/code> (eine Query pro Aufruf, rund 100.000 Zeilen pro Ergebnis, etwa 120 Requests pro Minute) sind f\u00fcr interaktive Analysen in der Praxis kein Engpass.<\/p>\n\n\\n\\n\n\n<h2>Der eigentliche Hebel bei Power BI + Claude: Das semantische Modell als Single Source of Truth<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein h\u00e4ufiger Kritikpunkt an \u201eKI auf Daten\\\" ist, dass jedes Tool Kennzahlen anders berechnet. Genau dieses Problem umgeht das Setup, weil Claude nicht auf Rohdaten arbeitet, sondern auf dem semantischen Modell, also derselben Schicht, aus der auch die Power BI Reports gespeist werden.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein <code>Revenue<\/code>-Measure ist dort einmal definiert, inklusive aller Feinheiten wie Rabattlogik, Zeitintelligenz und Filterkontext. Wenn Claude in seiner Query <code>[Revenue]<\/code> referenziert, anstatt ein eigenes <code>SUM()<\/code> zu erfinden, ist garantiert, dass die Zahl im Chat dieselbe ist wie im Dashboard. Auch die vom Modellautor gepflegten Beschreibungen von Tabellen, Spalten und Measures kommen \u00fcber die Modellabfrage mit. Dokumentationsarbeit im Modell zahlt sich hier also doppelt aus.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Das ist der Unterschied zu einem klassischen Text-to-SQL-Ansatz: Claude beantwortet tiefergehende Fragen auf Basis der bereits definierten und abgestimmten Metriken, statt sie ad hoc neu zu berechnen.<\/p>\n\n\\n\\n\n\n<figure>\\n  <img src=\\\"\/wp-content\/uploads\/Power-BI-Data-Panel-Claude.png\\\" alt=\\\"Power BI Data-Panel mit dem Revenue-Measure und seiner Beschreibung: Total sales revenue, calculated as the sum of fact_orders[revenue] (quantity x unit price) for the selected orders\\\" loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n  \n \n<figcaption><small>Das semantische Modell als Single Source of Truth: Der Revenue-Measure ist einmal definiert und wird von Claude direkt referenziert.<\/small><\/figcaption>\n \n\\n<\/figure>\n\n\\n\\n\n\n<h2>Der Context Layer: Was das Modell nicht wei\u00df<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">So gut ein <a href=\\\"\/de\/marketing-analytics\/marketing-data-stack\/\\\">semantisches Modell<\/a> gepflegt sein mag, es wei\u00df nichts \u00fcber das Gesch\u00e4ft drumherum. Warum gibt es im November eine Datenl\u00fccke? Was war im Februar los, als ein einzelnes Produkt pl\u00f6tzlich explodiert ist? Solches Wissen steckt normalerweise in den K\u00f6pfen der Analysten.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Sprachmodell bringt dieses Wissen nicht mit. Und weil es im Zweifel trotzdem antwortet, entsteht ohne dieses Wissen die gef\u00e4hrlichste Sorte Ergebnis: eine plausibel klingende, sauber formatierte, falsche Analyse.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wir haben dieses Wissen in eine YAML-Datei pro semantischem Modell ausgelagert, die im Claude-Projekt hinterlegt ist. Die Datei enth\u00e4lt typischerweise eine Beschreibung und Dom\u00e4ne des Datasets, eine Event-Timeline mit gesch\u00e4ftlich relevanten Ereignissen wie Kampagnen, IT-Ausf\u00e4llen oder manuellen Korrekturen, Beispiel-Fragen mit fertigen DAX-Queries als Muster, und bekannte Stolperfallen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Was der <a href=\\\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\\\">Semantic Layer<\/a> technisch leistet und wie er sich vom Context Layer abgrenzt, zeigen wir im zweiten Teil dieser Serie.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Auszug aus unserem Demo-Setup mit dem Northwind-Datensatz:<\/p>\n\n\\n\\n\n\n<pre><code>dataset:\\n  name: Northwind Sales\\n  domain: B2B-Gro\u00dfhandel mit Spezialit\u00e4ten-Lebensmitteln\\n  time_grain: Eine Zeile pro Bestellposition\\n\\nevent_timeline:\\n  - 2024-10-30: Service-Token der Order-API f\u00fcr Deutschland abgelaufen,\\n      Re-Authentifizierung erst am 2024-12-03.\\n  - Februar 2025: Umsatzspitze bei C\u00f4te de Blaye in Deutschland\\n      durch Marketing-Kampagne.\\n  - M\u00e4rz 2025: Probleme in der Supply-Chain f\u00fcr Getr\u00e4nke in Deutschland\\n\\nknown_caveats:\\n  - \\\"Revenue ist Menge x Einzelpreis ohne Rabatt und Fracht,\\n     nicht als Netto-Umsatz oder Rohertrag beschreiben.\\\"<\/code><\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Effekt in der Praxis: Fragt man nach dem Umsatzeinbruch in Deutschland im M\u00e4rz 2025, rechnet Claude nicht wild Hypothesen durch, sondern erkennt anhand der Timeline, dass eine Umsatzspitze bei einem Produkt im Februar und ein Lieferproblem bei Getr\u00e4nken im M\u00e4rz zusammen den R\u00fcckgang erkl\u00e4ren, und weist entsprechend darauf hin, statt eine Erkl\u00e4rung zu halluzinieren. Genau diese Einordnung unterscheidet eine brauchbare Analyse von einer irref\u00fchrenden.<\/p>\n\n\\n\\n\n\n<div class=\\\"uk-grid uk-grid-medium uk-child-width-1-2@m\\\" uk-grid>\\n  \n\n<div>\\n    \n\n<figure style=\\\"margin:0;\\\">\\n      <img src=\\\"\/wp-content\/uploads\/Northwind-Chat-1-Claude.png\\\"\\n           alt=\\\"Claude analysiert den Umsatzverlauf f\u00fcr Deutschland 2025 mit Peak im Februar und Einbruch im M\u00e4rz\\\"\\n           loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n      \n \n<figcaption><small>Claude analysiert den Umsatzverlauf f\u00fcr Deutschland 2025 und erkennt den Februar-Peak durch die C\u00f4te-de-Blaye-Kampagne.<\/small><\/figcaption>\n \n\\n    <\/figure>\n\n\\n  <\/div>\n\n\\n  \n\n<div>\\n    \n\n<figure style=\\\"margin:0;\\\">\\n      <img src=\\\"\/wp-content\/uploads\/Northwind-Chat-2-Claude.png\\\"\\n           alt=\\\"Folgeanalyse: Kategorie-Aufschl\u00fcsselung zeigt, dass der M\u00e4rz-Einbruch fast ausschlie\u00dflich auf die Getr\u00e4nke-Kategorie zur\u00fcckgeht\\\"\\n           loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n      \n \n<figcaption><small>Die Folgeanalyse zeigt, dass der M\u00e4rz-Einbruch fast ausschlie\u00dflich auf die Getr\u00e4nke-Kategorie zur\u00fcckgeht \u2013 erkl\u00e4rt durch das Supply-Chain-Problem in der Event-Timeline.<\/small><\/figcaption>\n \n\\n    <\/figure>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Neue Modelle anzubinden ist bewusst leichtgewichtig: neue YAML-Datei im Projekt anlegen, <code>dataset_id<\/code> eintragen, Kontext schreiben, und die Einrichtung ist fertig. Keine Installation, kein Neustart.<\/p>\n\n\\n\\n\n\n<h2>Vom Ergebnis zum Deliverable: Integration in Claude Desktop und Cowork<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der zweite gro\u00dfe Vorteil gegen\u00fcber isolierten \u201eChat-with-your-data\\\"-Tools: Die Analyse endet nicht im Chatfenster. Weil das Setup in Claude Desktop beziehungsweise Claude Cowork l\u00e4uft, stehen alle weiteren F\u00e4higkeiten direkt zur Verf\u00fcgung. Aus den Query-Ergebnissen wird im selben Arbeitsschritt eine PowerPoint-Pr\u00e4sentation mit den Kernzahlen f\u00fcr das Management, ein aufbereitetes PDF als Report f\u00fcr Stakeholder, oder eine weiterf\u00fchrende Analyse mit Visualisierungen.<\/p>\n\n\\n\\n\n\n<h2>Grenzen des Setups<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Vollst\u00e4ndigkeit halber: Q&amp;A-Synonyme und die \u201ePrep data for AI\\\"-Konfiguration eines Modells liegen in dessen linguistischer Schicht, die nur \u00fcber XMLA und damit Premium oder Fabric erreichbar ist. In der Praxis \u00fcbernimmt der Context Layer in Form der YAML-Datei genau diese Rolle, mit dem Vorteil, dass er versionierbar, lesbar und ohne zus\u00e4tzliche Kapazit\u00e4t pflegbar ist. \u00c4nderungen sind sofort wirksam, ohne Deployment oder Modell-Refresh.<\/p>\n\n\\n\\n\n\n<h2>Fazit<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die Kombination aus semantischem Modell und Context Layer macht Claude zu einem Analyse-Tool, das mit denselben Kennzahlen arbeitet wie die bestehenden Reports und dabei Fragen beantwortet, f\u00fcr die kein Dashboard gebaut wurde. Die Einstiegsh\u00fcrde ist niedrig: eine Entra-App-Registrierung, ein Python-Skript, eine Pro-Lizenz. Den gr\u00f6\u00dften Unterschied macht am Ende aber nicht die Technik, sondern wie gut der Business-Kontext gepflegt ist.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wir bei Hopmann Marketing Analytics helfen BI-Teams und Marketing-Organisationen dabei, dieses Setup aufzubauen: von der technischen Integration \u00fcber die MCP-Konfiguration bis zum Aufbau eines strukturierten Context Layers, der die <a href=\\\"\/de\/marketing-analytics\/ki-im-marketing\/\\\">KI-gest\u00fctzte Analysen<\/a> wirklich verl\u00e4sslich macht. M\u00f6chten Sie wissen, wie ein solches Setup mit Ihren Power BI-Modellen aussehen k\u00f6nnte?<\/p>\n\n\\n\\n<a href=\\\"https:\/\/www.hopmann.com\/de\/kontakt\/\\\" class=\\\"uk-button uk-button-default\\\">Jetzt kostenfreies Erstgespr\u00e4ch buchen<\/a>\\n\\n\n\n<div class=\\\"uk-margin-medium\\\"><\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<h3 class=\\\"uk-h6 uk-text-primary\\\" style=\\\"text-align:center;\\\">Was unsere Kunden h\u00e4ufig wissen m\u00f6chten.<\/h3>\n\n\\n\n\n<h2 class=\\\"uk-h2 uk-margin-remove-top uk-text-center\\\">FAQ: Claude + Power BI per MCP<\/h2>\n\n\\n\\n\n\n<div class=\\\"uk-grid uk-grid-large uk-margin-large\\\" uk-grid>\\n\\n  \n\n<div class=\\\"uk-width-1-2@m\\\">\\n    \n\n<div class=\\\"uk-grid uk-child-width-1-1 uk-grid-match\\\" uk-grid>\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Was ist das Model Context Protocol (MCP) und wie funktioniert es mit Power BI?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>MCP ist ein offenes Protokoll, das KI-Modellen wie Claude erlaubt, externe Tools und Datenquellen direkt anzusprechen. Ein lokaler MCP-Server vermittelt zwischen Claude Desktop und der Power BI REST-API. Claude kann damit Workspaces auflisten, semantische Modelle beschreiben und DAX-Queries gegen Live-Modelle ausf\u00fchren, ohne dass Daten in ein externes System exportiert werden m\u00fcssen.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Brauche ich Fabric oder eine Premium-Lizenz f\u00fcr dieses Setup?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Nein. Das Setup nutzt den <code>executeQueries<\/code>-REST-Endpoint, der auf Shared Capacity verf\u00fcgbar ist. Es gen\u00fcgt eine Power BI Pro-Lizenz und Build-Berechtigung auf dem jeweiligen semantischen Modell. Premium- oder Fabric-Kapazit\u00e4t ist nicht erforderlich.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Wie unterscheidet sich dieser Ansatz von Text-to-SQL?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Bei Text-to-SQL generiert die KI SQL-Abfragen direkt auf Rohdaten und erfindet dabei eigene Berechnungslogiken. Unser Ansatz nutzt das bestehende semantische Modell mit seinen bereits definierten Measures. Claude referenziert <code>[Revenue]<\/code> statt ein eigenes <code>SUM()<\/code> zu konstruieren. Das garantiert, dass die Zahl im Chat identisch mit der im Dashboard ist.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n    <\/div>\n\n\\n  <\/div>\n\n\\n\\n  \n\n<div class=\\\"uk-width-1-2@m\\\">\\n    \n\n<div class=\\\"uk-grid uk-child-width-1-1 uk-grid-match\\\" uk-grid>\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Was ist der YAML Context Layer und warum ist er entscheidend?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Das semantische Modell wei\u00df, was die Daten bedeuten und wie sie berechnet werden. Der Context Layer erg\u00e4nzt, warum sie in einem bestimmten Zeitraum so aussehen: abgelaufene API-Tokens, Kampagnenstarts, Lieferprobleme, bekannte Interpretationsfallen. Ohne diesen Kontext antwortet die KI plausibel klingend, aber m\u00f6glicherweise inhaltlich falsch. Der YAML Context Layer erfordert kein Deployment und kann jederzeit aktualisiert werden.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Wie sicher ist die Integration in Bezug auf Datenschutz und Governance?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Die Entra-App fordert ausschlie\u00dflich Read-Scopes an (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Claude agiert unter der Identit\u00e4t des angemeldeten Nutzers, Row-Level Security des Power BI-Modells greift automatisch. Am Modell selbst kann \u00fcber diesen Weg nichts ver\u00e4ndert werden. Es werden keine Client Secrets gespeichert, der Zugriff ist rein lesend.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Bietet Hopmann Marketing Analytics Unterst\u00fctzung bei der Implementierung an?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Ja. Wir begleiten BI-Teams und Marketing-Organisationen bei der vollst\u00e4ndigen Einrichtung: von der Entra-App-Registrierung und MCP-Server-Konfiguration \u00fcber die Power BI-Anbindung bis zum Aufbau strukturierter Context-Layer f\u00fcr bestehende semantische Modelle. Sprechen Sie uns an, wenn Sie wissen m\u00f6chten, wie das konkret f\u00fcr Ihre Power BI-Umgebung aussehen kann.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n    <\/div>\n\n\\n  <\/div>\n\n\\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><em>Tobias Lanzl ist Manager Data Analytics bei Hopmann Marketing Analytics, zertifizierter Power BI-Experte und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/em><\/p>\n\n\",\"content_en_us\":\"\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\">Technical Deep Dive on \\\"Power BI + Claude\\\" for BI managers and data analysts\n\n\\n  <strong>TL;DR<\/strong> The Model Context Protocol (MCP) allows Claude Desktop to connect directly to Power BI Service. Claude reads the semantic model, writes DAX queries based on defined measures and returns results that match the existing dashboards. The setup works with a Power BI Pro licence, no Premium or Fabric capacity required. The decisive quality boost comes from an additional context layer in the form of a YAML file containing business context.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Dashboards answer the questions they were built for. The interesting follow-up questions come after: \\\"Why did revenue drop in Germany in November?\\\" \\\"What does that look like without the campaign?\\\" \\\"Can you put that into a slide for the board?\\\" Until now that meant: a ticket to the BI team and waiting for new reports.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The Model Context Protocol closes this gap. We connected Claude Desktop directly to Power BI Service. Claude independently writes DAX queries against the semantic model, uses the measures defined there and delivers results straight into PowerPoint slides or formatted PDFs.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In this article we walk through the technical setup and explain why an additional context layer in the form of YAML files makes the difference between a \\\"nice experiment\\\" and a \\\"reliable analysis tool\\\".<\/p>\n\n\\n\\n\n\n<h2>Architecture overview<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The setup consists of three components:<\/p>\n\n\\n\\n\n\n<ol>\\n  \n\n<li class=\\\"uk-text-large\\\">A local MCP server, a single Python script that connects Power BI Service via the REST API and gives Claude four tools: list workspaces, list semantic models, describe model structure and run DAX queries.<\/li>\n\n\\n  \n\n<li class=\\\"uk-text-large\\\">Delegated authentication via Microsoft Entra (Device Code Flow). You sign in once with your own account, a refresh token is cached locally. Claude acts under the identity of the signed-in user. Row-level security applies automatically and no client secrets are stored.<\/li>\n\n\\n  \n\n<li class=\\\"uk-text-large\\\">One context layer per semantic model: a YAML file with business context that Claude reads before every analysis.<\/li>\n\n\\n<\/ol>\n\n\\n\\n\n\n<figure>\\n  <img src=\\\"\/wp-content\/uploads\/Power-BI-Claude-Hopmann.jpg\\\" alt=\\\"Architecture diagram: Claude Desktop connects via MCP server to Power BI Service and YAML context layer and returns an answer\\\" loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n  \n \n<figcaption><small>The setup at a glance: Claude Desktop accesses Power BI Service and the YAML context layer via the MCP server.<\/small><\/figcaption>\n \n\\n<\/figure>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">How a query works: the user asks a question in natural language. Claude reads the model context, writes a DAX query, runs it against the live model via the MCP server and interprets the result, including follow-up questions and further analysis in the same chat.<\/p>\n\n\\n\\n\n\n<h2>Why the setup works without Fabric<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The usual way to access semantic models programmatically is via the XMLA endpoint, which requires Premium, PPU or Fabric capacity. Our setup uses the <code>executeQueries<\/code> REST endpoint instead, which is available on Shared Capacity. All that is needed on the user side is a Power BI Pro licence and Build permission on the relevant semantic model.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Access is deliberately read-only: the Entra app requests only Read scopes (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Nothing in the model can be changed via this route, which is an important point for governance. Claude consumes the model like a report user, not like a developer.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The technical limits of <code>executeQueries<\/code> (one query per call, around 100,000 rows per result, roughly 120 requests per minute) are not a bottleneck for interactive analysis in practice.<\/p>\n\n\\n\\n\n\n<h2>The real advantage of Power BI + Claude: the semantic model as a single source of truth<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A common concern about \\\"AI on data\\\" is that every tool calculates metrics differently. This setup gets around that problem because Claude does not work on raw data but on the semantic model, the same layer that feeds the Power BI reports.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A <code>Revenue<\/code> measure is defined there once, including all the nuances such as discount logic, time intelligence and filter context. When Claude references <code>[Revenue]<\/code> in its query instead of inventing its own <code>SUM()<\/code>, it is guaranteed that the number in the chat is the same as in the dashboard. The descriptions of tables, columns and measures that the model author has maintained also come through via the model query. Documentation work in the model therefore pays off twice.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">This is the difference from a classic text-to-SQL approach: Claude answers deeper questions on the basis of already defined and agreed metrics rather than recalculating them on the fly.<\/p>\n\n\\n\\n\n\n<figure>\\n  <img src=\\\"\/wp-content\/uploads\/Power-BI-Data-Panel-Claude.png\\\" alt=\\\"Power BI data panel showing the Revenue measure and its description: Total sales revenue, calculated as the sum of fact_orders[revenue] (quantity x unit price) for the selected orders\\\" loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n  \n \n<figcaption><small>The semantic model as a single source of truth: the Revenue measure is defined once and referenced directly by Claude.<\/small><\/figcaption>\n \n\\n<\/figure>\n\n\\n\\n\n\n<h2>The context layer: what the model does not know<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">However well a <a href=\\\"\/en\/marketing-analytics\/marketing-data-stack\/\\\">semantic model<\/a> is maintained, it knows nothing about the business context around it. Why is there a data gap in November? What happened in February when a single product suddenly took off? That kind of knowledge usually lives in the heads of analysts.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A language model does not bring that knowledge with it. And because it answers anyway when in doubt, the result without this knowledge is the most dangerous kind: a plausible-sounding, neatly formatted, incorrect analysis.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">We have externalised this knowledge into a YAML file per semantic model, stored in the Claude Project. The file typically contains a description and domain of the dataset, an event timeline with business-relevant events such as campaigns, IT outages or manual corrections, sample questions with ready-made DAX queries as templates, and known pitfalls.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">What the <a href=\\\"\/en\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\\\">Semantic Layer<\/a> does technically and how it differs from the context layer is covered in the second part of this series.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">An excerpt from our demo setup with the Northwind dataset:<\/p>\n\n\\n\\n\n\n<pre><code>dataset:\\n  name: Northwind Sales\\n  domain: B2B wholesale of specialty food products\\n  time_grain: One row per order line item\\n\\nevent_timeline:\\n  - 2024-10-30: Service token for the Order API in Germany expired,\\n      re-authentication not until 2024-12-03.\\n  - February 2025: Revenue spike for C\u00f4te de Blaye in Germany\\n      due to marketing campaign.\\n  - March 2025: Supply chain issues for beverages in Germany\\n\\nknown_caveats:\\n  - \\\"Revenue is quantity x unit price without discount and freight,\\n     do not describe as net revenue or gross profit.\\\"<\/code><\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The effect in practice: when asked about the revenue drop in Germany in March 2025, Claude does not run through wild hypotheses but recognises from the timeline that a revenue spike for one product in February and a supply problem for beverages in March together explain the decline, and points this out rather than hallucinating an explanation. This is exactly what separates a useful analysis from a misleading one.<\/p>\n\n\\n\\n\n\n<div class=\\\"uk-grid uk-grid-medium uk-child-width-1-2@m\\\" uk-grid>\\n  \n\n<div>\\n    \n\n<figure style=\\\"margin:0;\\\">\\n      <img src=\\\"\/wp-content\/uploads\/Northwind-Chat-1-Claude.png\\\"\\n           alt=\\\"Claude analyses the revenue trend for Germany in 2025 with a peak in February and a drop in March\\\"\\n           loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n      \n \n<figcaption><small>Claude analyses the revenue trend for Germany in 2025 and identifies the February peak driven by the C\u00f4te de Blaye campaign.<\/small><\/figcaption>\n \n\\n    <\/figure>\n\n\\n  <\/div>\n\n\\n  \n\n<div>\\n    \n\n<figure style=\\\"margin:0;\\\">\\n      <img src=\\\"\/wp-content\/uploads\/Northwind-Chat-2-Claude.png\\\"\\n           alt=\\\"Follow-up analysis: category breakdown shows the March drop is almost entirely driven by the beverages category\\\"\\n           loading=\\\"lazy\\\" style=\\\"max-width:100%; height:auto;\\\" \/>\\n      \n \n<figcaption><small>The follow-up analysis shows the March drop is almost entirely driven by the beverages category, explained by the supply chain issue in the event timeline.<\/small><\/figcaption>\n \n\\n    <\/figure>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Adding new models is deliberately lightweight: create a new YAML file in the project, enter the <code>dataset_id<\/code>, write the context, and the setup is ready. No installation, no restart.<\/p>\n\n\\n\\n\n\n<h2>From result to deliverable: integration in Claude Desktop and Cowork<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The second major advantage over isolated \\\"chat with your data\\\" tools: the analysis does not end in the chat window. Because the setup runs in Claude Desktop or Claude Cowork, all further capabilities are immediately available. From the query results, a PowerPoint presentation with the key figures for management, a formatted PDF report for stakeholders, or a deeper analysis with visualisations can be produced in the same working step.<\/p>\n\n\\n\\n\n\n<h2>Limitations of the setup<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">For completeness: Q&amp;A synonyms and the \\\"Prep data for AI\\\" configuration of a model sit in its linguistic layer, which is only accessible via XMLA and therefore requires Premium or Fabric. In practice the context layer in the form of the YAML file fulfils exactly this role, with the advantage of being versionable, human-readable and maintainable without additional capacity. Changes take effect immediately, with no deployment or model refresh.<\/p>\n\n\\n\\n\n\n<h2>Conclusion<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The combination of semantic model and context layer turns Claude into an analysis tool that works with the same metrics as the existing reports while answering questions no dashboard was built for. The barrier to entry is low: an Entra app registration, a Python script, a Pro licence. The biggest difference in the end is not the technology but how well the business context is maintained.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">At Hopmann Marketing Analytics we help BI teams and marketing organisations build this setup: from the technical integration and MCP configuration to building structured context layers for existing semantic models, making <a href=\\\"\/en\/marketing-analytics\/ai-in-marketing\/\\\">AI-powered analyses<\/a> truly reliable. Would you like to know what a setup like this could look like for your Power BI models?<\/p>\n\n\\n\\n<a href=\\\"\/en\/contact\/\\\" class=\\\"uk-button uk-button-default\\\">Book a free initial consultation<\/a>\\n\\n\n\n<div class=\\\"uk-margin-medium\\\"><\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<h3 class=\\\"uk-h6 uk-text-primary\\\" style=\\\"text-align:center;\\\">What our customers often want to know.<\/h3>\n\n\\n\n\n<h2 class=\\\"uk-h2 uk-margin-remove-top uk-text-center\\\">FAQ: Claude + Power BI via MCP<\/h2>\n\n\\n\\n\n\n<div class=\\\"uk-grid uk-grid-large uk-margin-large\\\" uk-grid>\\n\\n  \n\n<div class=\\\"uk-width-1-2@m\\\">\\n    \n\n<div class=\\\"uk-grid uk-child-width-1-1 uk-grid-match\\\" uk-grid>\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">What is the Model Context Protocol (MCP) and how does it work with Power BI?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>MCP is an open protocol that allows AI models like Claude to communicate directly with external tools and data sources. A local MCP server mediates between Claude Desktop and the Power BI REST API. Claude can list workspaces, describe semantic models and run DAX queries against live models, without data being exported to an external system.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Do I need Fabric or a Premium licence for this setup?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>No. The setup uses the <code>executeQueries<\/code> REST endpoint, which is available on Shared Capacity. A Power BI Pro licence and Build permission on the relevant semantic model is all that is needed. Premium or Fabric capacity is not required.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">How does this approach differ from text-to-SQL?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>With text-to-SQL the AI generates SQL queries directly on raw data and invents its own calculation logic. Our approach uses the existing semantic model with its already defined and agreed measures. Claude references <code>[Revenue]<\/code> rather than constructing its own <code>SUM()<\/code>. This guarantees that the number in the chat is identical to the one in the dashboard.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n    <\/div>\n\n\\n  <\/div>\n\n\\n\\n  \n\n<div class=\\\"uk-width-1-2@m\\\">\\n    \n\n<div class=\\\"uk-grid uk-child-width-1-1 uk-grid-match\\\" uk-grid>\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">What is the YAML context layer and why does it matter?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>The semantic model knows what the data means and how it is calculated. The context layer adds why the data looks the way it does in a given period: expired API tokens, campaign launches, supply issues, known interpretation pitfalls. Without this context the AI answers plausibly but possibly incorrectly. The YAML context layer requires no deployment and can be updated at any time.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">How secure is the integration from a data protection and governance perspective?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>The Entra app requests only Read scopes (<code>Workspace.Read.All<\/code>, <code>Dataset.Read.All<\/code>). Claude acts under the identity of the signed-in user, row-level security of the Power BI model applies automatically. Nothing in the model can be changed via this route. No client secrets are stored and access is read-only throughout.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n      \n\n<div>\\n        \n\n<div class=\\\"el-item uk-panel uk-margin-remove-first-child\\\">\\n          \n\n<h3 class=\\\"el-title uk-h4 uk-margin-top uk-margin-remove-bottom\\\">Does Hopmann Marketing Analytics offer support with the implementation?<\/h3>\n\n\\n          \n\n<div class=\\\"el-content uk-panel uk-margin-top\\\">\n\n<p>Yes. We support BI teams and marketing organisations through the complete setup: from Entra app registration and MCP server configuration to Power BI integration and building structured context layers for existing semantic models. Get in touch if you would like to know what this could look like for your Power BI environment.<\/p>\n\n<\/div>\n\n\\n        <\/div>\n\n\\n      <\/div>\n\n\\n\\n    <\/div>\n\n\\n  <\/div>\n\n\\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><em>Tobias Lanzl is Manager Data Analytics at Hopmann Marketing Analytics, a certified Power BI expert specialising in AI-powered analytics architectures at the intersection of semantic models, context layers and large language models. As a former research associate and university lecturer he brings the ability to make complex AI and data architectures accessible in a way that works in practice.<\/em><\/p>\n\n\",\"css\":\"code,\\ncode * {\\n  color: #1d2a3a !important;\\n}\"}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Ende \/\/ ---\"},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"default\",\"margin_top\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 70px;\\n}\",\"margin_bottom\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}}]}]},{\"type\":\"row\",\"props\":{\"class\":\"blog-pager\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"small\",\"margin_top\":\"small\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"class\":\"blog-pager\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"Vorheriger Artikel\",\"content_en_us\":\"Previous article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-left\",\"icon_align\":\"left\"},\"source\":{\"query\":{\"name\":\"blogs.singlePreviousBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\",\"text_align\":\"right\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"N\u00e4chster Artikel\",\"content_en_us\":\"Next article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-right\",\"icon_align\":\"right\"},\"source\":{\"query\":{\"name\":\"blogs.singleNextBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]},{\"type\":\"row\",\"props\":{\"margin_top\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}}]}]}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky\":\"column\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"120\",\"width_large\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Neueste Artikel\",\"content_en_us\":\"Latest articles\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"grid\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"articles-sm\",\"content_column_breakpoint\":\"m\",\"faq_schema\":false,\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_gap\":\"small\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"\",\"image_grid_width\":\"auto\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"meta_align\":\"above-title\",\"meta_element\":\"div\",\"meta_style\":\"text-small\",\"panel_image_no_padding\":true,\"panel_link\":true,\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"div\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_margin\":\"remove\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"source\":{\"query\":{\"name\":\"blogs.customBlogs\",\"arguments\":{\"users\":[],\"users_operator\":\"IN\",\"offset\":0,\"limit\":5,\"order\":\"date\",\"order_direction\":\"DESC\",\"terms\":[],\"blog_kategorie_operator\":\"IN\"}},\"props\":{\"title\":{\"filters\":{\"search\":\"\"},\"name\":\"title\"},\"meta\":{\"filters\":{\"search\":\"\"},\"name\":\"field.subline\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]},{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Kategorien\",\"content_en_us\":\"Categories\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"margin_top\":\"large\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\",\"yooessentials_access_conditions\":[{\"type\":\"yooessentials_access_dynamic\",\"id\":\"ci_AD8A0F\",\"props\":{\"condition\":\"!\",\"reversed\":true},\"source_extended\":{\"props\":{\"value\":{\"name\":\"blog_kategorieString\",\"query\":{\"name\":\"#parent\"}}}}}],\"yooessentials_access_mode\":\"AND\"}},{\"type\":\"list\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"tag-list\",\"column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"list_element\":\"ul\",\"list_horizontal_separator\":\"\",\"list_type\":\"horizontal\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"list_item\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\",\"field\":{\"name\":\"blog_kategories\",\"directives\":[{\"name\":\"slice\",\"arguments\":{\"offset\":0}}]}},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"name\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]}],\"name\":\"Blog V10 - 07\/26\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"5.0.38\"} --><\/p>\n","protected":false},"featured_media":17463,"template":"","blog-kategorie":[94,56],"class_list":["post-17458","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-ai-in-marketing","blog-kategorie-deep-dive"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/17458","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":0,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/17458\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media\/17463"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media?parent=17458"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog-kategorie?post=17458"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}