ETL vs ELT: diferencias y cómo hacer ELT en la práctica

ETL y ELT mueven datos a un destino analítico, pero intercambian el orden de dos pasos. Esa diferencia tiene un impacto real en el rendimiento y el coste de tus pipelines.

Requisitos previos

• Comprender el patrón ETL (Extract, Transform, Load).
• Acceso a un data warehouse moderno (Snowflake, BigQuery, Fabric, Synapse).
• Nociones de SQL.

Paso 1: Entender la diferencia

En ETL transformas los datos antes de cargarlos. En ELT cargas los datos en bruto primero y los transformas dentro del data warehouse, usando su poder de cálculo.

Paso 2: Cargar en bruto (Load)

Trae los datos de la fuente a un área de staging sin transformar:

COPY INTO staging.vendas
FROM 'origem/vendas.csv';

Paso 3: Transformar con SQL (Transform)

Ahora transformas dentro del warehouse, aprovechando su escala:

CREATE TABLE dw.vendas_limpo AS
SELECT
    CAST(data AS DATE)   AS data,
    UPPER(TRIM(cliente)) AS cliente,
    valor
FROM staging.vendas
WHERE valor > 0;

Paso 4: Cuándo elegir cada uno

• ELT — data warehouses en la nube con mucho poder de cálculo y grandes volúmenes.
• ETL — cuando debes transformar antes por reglas de cumplimiento o destinos con poca capacidad.

Verificar el resultado

Confirma que la tabla final tiene los tipos correctos y que los totales coinciden con la fuente.

Conclusión

ELT aprovecha el poder de los warehouses modernos y simplifica el pipeline. ¿Tus datos actuales se beneficiarían más de transformar antes o después de cargar?