ELT (Extract, Load, Transform) ist eine moderne Datenintegrationsstrategie, die die Reihenfolge des klassischen ETL-Prozesses umdreht: Die Daten werden zuerst aus den Quellsystemen extrahiert und unverändert in ein Zielsystem geladen – erst danach erfolgt die Transformation direkt im Data Warehouse.
Warum ELT?
Cloud-Data-Warehouses wie Snowflake, BigQuery oder Redshift stellen so viel Rechenleistung bereit, dass sich die Transformationsschritte (per SQL oder Tools wie dbt) effizient im Warehouse selbst ausführen lassen. Dadurch wird die Ladephase schneller, und Transformationen lassen sich flexibel anpassen, ohne die Daten erneut zu laden.
- Vorteile: schnelle erste Beladung, flexible Schema-on-Read-Analysen, gut geeignet für sehr große Datenmengen und Data Lakes.
- Nachteile: Rohdaten belegen Speicher im Warehouse; Governance und Datenqualität müssen aktiv gemanagt werden.
ELT vs. ETL
ETL transformiert vor dem Laden – das bleibt für Compliance-lastige und On-Premises-Umgebungen wichtig. ELT dominiert moderne Cloud-Stacks; viele Teams fahren einen Hybrid-Ansatz (etwa Fivetran + dbt + Snowflake). Die Data Pipeline verbindet beide Welten, und ein Lakehouse kombiniert die Flexibilität des Data Lake mit der Struktur eines Data Warehouse.
Als Quellsysteme liefern OLTP-Datenbanken den Großteil der operativen Daten; im Ziel können normalisierte Strukturen wie das Snowflake-Schema zum Einsatz kommen.
Verwandte Grundlagen: OLTP, Snowflake-Schema, ETL, Data Lake.