ETL steht für Extract, Transform, Load – und bezeichnet einen dreigliedrigen Datenverarbeitungsprozess, bei dem Daten aus einer oder mehreren Quellen extrahiert, in ein einheitliches, verwendbares Format transformiert und anschließend in ein Zielsystem geladen werden. ETL ist das klassische Muster für Datenintegration, besonders im Bereich Data Warehousing, Reporting und Datenanalytik.
ETL-Prozesse sind typischerweise Batch-Prozesse: Sie laufen zu definierten Zeitpunkten – nächtlich, stündlich oder wöchentlich – und verarbeiten alle in diesem Intervall aufgelaufenen Daten. Das macht ETL ideal für analytische Workloads, bei denen nicht absolute Aktualität, sondern Vollständigkeit und Qualität der Daten im Vordergrund stehen.
Die drei ETL-Phasen
E
Extract
Daten aus Quellen lesen: Datenbanken, APIs, Dateien, Logs. Rohdaten werden unverändert entnommen.
T
Transform
Daten bereinigen, normalisieren, anreichern, berechnen. Fehler korrigieren, Formate angleichen, Regeln anwenden.
L
Load
Transformierte Daten ins Zielsystem schreiben: Data Warehouse, Datenbank, Reporting-Tool.
ETL vs. ELT
Beim klassischen ETL findet die Transformation vor dem Laden statt – die Transformation-Engine muss leistungsfähig genug sein, um alle Daten vor dem Laden zu verarbeiten. Beim modernen ELT (Extract, Load, Transform) werden Rohdaten erst ins Zielsystem (z. B. ein Cloud Data Warehouse wie BigQuery oder Snowflake) geladen und dort transformiert – die Transformations-Logik nutzt die skalierbare Rechenleistung des Warehouses. ELT ist das dominierende Muster in der modernen Cloud-Datenarchitektur.
ETL in der Automatisierungspraxis
ETL-Prozesse sind häufig die erste Form von Automatisierung, die Unternehmen einführen: Anstatt monatlich manuell Daten aus verschiedenen Systemen in Excel zusammenzufügen, läuft ein automatisierter ETL-Job, der diese Arbeit nachts erledigt. Automationsplattformen wie Make oder n8n können einfache ETL-Prozesse abbilden. Für hochvolumige oder komplexe ETL-Anforderungen kommen spezialisierte Tools wie Fivetran, Airbyte oder dbt zum Einsatz.
Praxisbeispiel
Ein Handelsunternehmen erstellt täglich einen Umsatzbericht für die Führungsebene. Früher: Mitarbeiterin verbringt jeden Morgen 90 Minuten damit, Daten aus Shopify-Admin, SAP-Reports und dem Google-Analytics-Dashboard manuell in eine Excel-Datei zu kopieren. ETL-Automatisierung: Jede Nacht um 02:00 Uhr läuft ein ETL-Job. Extract: Shopify-API liefert Bestelldaten des Vortages, SAP-Datenbankabfrage liefert Margendaten, Google Analytics API liefert Traffic-Daten. Transform: Alle drei Datensätze werden normalisiert, Währungen vereinheitlicht, Stornierungen herausgerechnet, KPIs berechnet. Load: Konsolidierte Daten werden in das Google-Sheets-Dashboard geschrieben. Um 07:00 Uhr ist der Bericht fertig – 90 Minuten früher und ohne manuelle Arbeit.
