ETL / ELT

Einfach erklärt

ETL und ELT sind die zwei grundlegenden Muster, um Daten aus verschiedenen Quellen in ein Zielsystem zu überführen. Der Unterschied liegt darin, wo die Transformation stattfindet: Bei ETL werden Daten transformiert, bevor sie ins Data Warehouse geladen werden – klassisch für On-Premise-Systeme. Bei ELT werden Rohdaten zuerst geladen und dann im Warehouse transformiert – der Standard in modernen Cloud-Architekturen, weil Rechenleistung im Warehouse günstiger ist als in separaten ETL-Servern.

ETL (Extract, Transform, Load) und ELT (Extract, Load, Transform) sind die zwei dominanten Muster für Datenpipelines. Sie beschreiben, wie Rohdaten aus verschiedenen Quellen in ein Zielsystem – meist ein Data Warehouse – übertragen werden. Der Unterschied liegt darin, wo die Transformation stattfindet: vor dem Laden (ETL) oder danach (ELT). Moderne Cloud-Data-Warehouses haben ELT populär gemacht, weil die Rechenleistung im Warehouse günstiger ist.

ETL und ELT beschreiben, in welcher Reihenfolge Daten verarbeitet werden:

ETL (klassisch):

Quellen → Extract → Transform → Load → Data Warehouse
                     (vorher)

ELT (modern):

Quellen → Extract → Load → Transform → Analysefertige Daten
                    (Rohdaten)  (im Warehouse)

Aspekt	ETL	ELT
Transformation	Vor dem Laden	Nach dem Laden
Speicher	Nur transformierte Daten	Rohdaten + transformierte
Flexibilität	Schema vorab definiert	Schema on Read
Performance	Begrenzt durch ETL-Server	Nutzt Warehouse-Power

Technischer Deep Dive

Der moderne ELT-Stack

1. Extract + Load: Fivetran, Airbyte → Daten aus APIs, DBs, SaaS in Data Warehouse
2. Transform: dbt → SQL-basierte Transformationen im Warehouse
3. Orchestrierung: Airflow, Prefect → Scheduling und Monitoring
4. Warehouse: BigQuery, Snowflake, Redshift → Speicherung und Berechnung

Vorteile von ELT

• Rohdaten bleiben erhalten (Replay möglich)
• Neue Transformationen ohne erneutes Laden
• Skaliert mit der Warehouse-Leistung
• Einfacherer Debugging (Rohdaten inspizierbar)