ELT steht für Extract, Load, Transform – eine moderne Variante des klassischen ETL-Musters für Datenpipelines. Der entscheidende Unterschied: Bei ELT werden Rohdaten zunächst unverändert in das Zielsystem geladen (Load), und die Transformation findet erst dort statt – innerhalb der Rechenleistung des Zieldatensystems. ETL transformiert vor dem Laden, ELT transformiert nach dem Laden.
ELT hat mit dem Aufstieg skalierbarer Cloud-Data-Warehouses (Google BigQuery, Snowflake, Amazon Redshift, Databricks) stark an Bedeutung gewonnen: Diese Systeme können die Transformation von Millionen von Datensätzen in Sekunden erledigen – mit mehr Leistung und Flexibilität als eine separate ETL-Transformation-Engine. ELT ist heute das dominierende Muster in der modernen Dateningenieurswissenschaft.
ETL vs. ELT im Vergleich
ETL (klassisch)
- Transformation vor dem Laden
- Nur bereinigte Daten ins Ziel
- Separate Transformation-Engine nötig
- Gut für begrenzte Zielkapazität
- Rohdaten gehen verloren
- Typisch: On-Premises Data Warehouse
ELT (modern)
- Laden zuerst, Transformation danach
- Rohdaten bleiben vollständig erhalten
- Transformation im Zielsystem selbst
- Skaliert mit Cloud-Kapazität
- Flexible Nachbearbeitung jederzeit
- Typisch: Cloud Data Warehouse
Warum ELT die Rohdaten behält
Einer der wichtigsten Vorteile von ELT: Die Rohdaten werden vollständig gespeichert, bevor irgendeine Transformation stattfindet. Das bedeutet, wenn sich Anforderungen ändern – wenn neue Felder benötigt werden, wenn eine Transformation-Logik korrigiert werden muss oder wenn neue Auswertungen auf historischen Daten gewünscht werden – können die Transformationen auf den unveränderlichen Rohdaten erneut ausgeführt werden. Bei ETL sind Rohdaten nach der Transformation nicht mehr in ihrer Ursprungsform verfügbar.
Das moderne ELT-Stack
- Extract & Load: Tools wie Fivetran, Airbyte oder Stitch extrahieren Daten aus hunderten Quellen (APIs, Datenbanken, SaaS-Tools) und laden sie zuverlässig ins Data Warehouse
- Transform: dbt (data build tool) ist das führende Werkzeug für SQL-basierte Transformationen direkt im Data Warehouse – versioniert, testbar, dokumentiert
- Warehouse: Snowflake, BigQuery, Redshift oder Databricks als skalierbare Rechenplattform für Transformation und Analyse
- Orchestration: Airflow, Prefect oder Dagster steuern die Reihenfolge und Abhängigkeiten der einzelnen Pipeline-Schritte
Praxisbeispiel
Ein Einzelhandelsunternehmen baut eine ELT-Pipeline für sein zentrales Reporting auf. Extract & Load: Fivetran synchronisiert stündlich Rohdaten aus Shopify, SAP, Google Ads und dem POS-System direkt in BigQuery – ohne Transformation, 1:1 wie in den Quellsystemen. Transform: dbt führt täglich um 05:00 Uhr SQL-Transformationen in BigQuery aus – bereinigt Duplikate, harmonisiert Produktnamen, berechnet Margen und erstellt vordefinierte Reporting-Tabellen. Sechs Monate später entscheidet das Controlling-Team, dass eine neue Kennzahl benötigt wird, die es bisher nicht gab. dbt-Modell ergänzen, Transformation auf den vorhandenen Rohdaten rückwirkend ausführen – auch für die letzten 18 Monate. Mit ETL wäre das unmöglich gewesen, da die Rohdaten nicht erhalten geblieben wären.
