ETL
Extract, Transform, Load
ETL bezeichnet einen dreistufigen Datenintegrations-Prozess: Daten werden aus Quellsystemen extrahiert (Extract), in ein Zielformat transformiert (Transform) und in das Zielsystem geladen (Load). Es ist die klassische Architektur für Data Warehousing und Business Intelligence.
Bevor ETL oder ELT entschieden wird, lohnt eine andere Frage: Brauchen wir das überhaupt? Bei moderater Datenmenge und ohne tägliche System-übergreifende Auswertung reicht oft eine iPaaS-Lösung wie Make.com.
Kommentar von Philipp Sonnenstrahl
Kontext
ETL ist seit den 1990ern Standard in der Datenintegration. Mit dem Aufkommen von Cloud-Plattformen und kostengünstigem Speicher hat sich daneben das ELT-Muster etabliert (Extract, Load, Transform; Transformation im Ziel). Im Mittelstand sind ETL-Pipelines oft die Voraussetzung für saubere BI-Auswertungen.
Beispiel
Ein Mittelständler zieht jede Nacht Daten aus dem ERP, dem CRM und dem Webshop in ein zentrales Data Warehouse (Google BigQuery). Auf dieser konsolidierten Datenbasis berechnet Power BI tägliche Umsatz-, Marge- und Auftragslage-Reports.
Häufige Fragen
Was ist der Unterschied zwischen ETL und ELT?
ETL transformiert Daten, bevor sie geladen werden. Bei On-Premise-Data-Warehouses üblich. ELT lädt zuerst, transformiert dann im Ziel-System. Bei Cloud-Data-Warehouses mit elastischem Speicher und Rechenleistung üblich. ELT ist heute meist die bessere Wahl für Mittelständler.
Welche ETL-Tools eignen sich für den Mittelstand?
Für die meisten Mittelständler reichen Cloud-Tools ohne eigenes Data-Engineering-Team. Fivetran und Airbyte für vorgefertigte Konnektoren zu ERP, CRM und SaaS. dbt für Transformationen im Data Warehouse. Für einfachere Sync-Aufgaben zwischen wenigen Systemen reicht oft eine iPaaS-Lösung wie Make.com oder n8n. Eigene Python-Pipelines mit Airflow lohnen sich erst bei klar definierten, dauerhaften Engineering-Ressourcen.
Bereit?
Wir erwarten euch!
Erstes Gespräch kostenlos. Keine Verpflichtung. Konkrete Einschätzung.