ETL steht für Extract, Transform, Load: Daten werden aus den Quellsystemen gezogen, unterwegs bereinigt und umgeformt und erst dann ins Zielsystem geladen. ELT dreht die letzten beiden Schritte um — Extract, Load, Transform: Die Rohdaten landen zuerst im Zielsystem und werden dort transformiert. Der Unterschied klingt akademisch, hat aber handfeste Folgen für jedes Unternehmen, das seine Daten zusammenführen will.
ETL: transformieren, bevor die Daten landen
Der klassische Weg. Eine Pipeline zieht Daten, formt sie in eine definierte Struktur und schreibt nur das saubere Ergebnis ins Data Warehouse. Das spart Speicher, weil nur aufbereitete Daten landen, und liefert von Anfang an konsistente Strukturen. Der Preis: Jede neue Auswertungsfrage, die andere Rohdaten braucht, erfordert eine Anpassung der Pipeline — die Rohdaten selbst sind nicht mehr da.
ELT: erst laden, dann formen
Mit günstigem Cloud-Speicher und leistungsfähigen Warehouses hat sich ELT durchgesetzt. Die Rohdaten werden vollständig geladen und im Zielsystem transformiert — oft mehrfach, je nach Fragestellung. Der Vorteil: Die Rohdaten bleiben erhalten, neue Auswertungen sind ohne Änderung an der Ladestrecke möglich. Der Nachteil: mehr Speicherbedarf und die Disziplin, im Warehouse Ordnung zu halten, damit aus Rohdaten kein Datensumpf wird.
Wann welcher Ansatz passt
- ETL, wenn: die Zielstruktur stabil ist, sensible Daten schon vor dem Laden bereinigt oder maskiert werden müssen, oder das Zielsystem begrenzte Rechenkraft hat
- ELT, wenn: die Fragestellungen sich häufig ändern, ein modernes Cloud-Warehouse zur Verfügung steht und die Rohdaten für spätere Analysen oder KI wertvoll sind
Die falsche Frage ist "ETL oder ELT?". Die richtige lautet: Wie oft ändern sich unsere Auswertungsfragen — und wie teuer ist es, die Pipeline jedes Mal anzufassen?
Der stille Kostentreiber
Beide Ansätze kosten Geld, nur an unterschiedlicher Stelle. ETL spart Speicher, kostet aber Entwicklungszeit bei jeder Änderung. ELT spart Flexibilität-Aufwand, kostet aber Speicher und Rechenzeit im Warehouse. Wer die laufenden Kosten nicht mitrechnet, wundert sich später über die Cloud-Rechnung. Eine bewusste Entscheidung berücksichtigt nicht nur den Aufbau, sondern die Total Cost of Ownership über zwei bis drei Jahre.
In der Praxis oft ein Hybrid
Reine Lehre gibt es selten. Viele belastbare Architekturen laden roh (ELT) und legen für stabile, häufig genutzte Kennzahlen zusätzlich vortransformierte Schichten an, damit das Reporting schnell und günstig bleibt. Entscheidend ist, dass die Pipeline dokumentiert, idempotent und überwachbar ist — sonst wird jede Datenquelle mehr zur Belastung. Wir bewerten mit Ihnen die konkrete Datenlandschaft und bauen die Pipeline, die zu Ihren Fragestellungen und Ihrem Budget passt.